近期，国内在细分领域前沿视觉模型方面取得重要进展，相继推出三款涵盖通用多模态理解、图像生成及自动驾驶视觉感知方向的模型：DeepSeek‑V4‑Flash‑Vision‑Exp、LLaDA‑Image 以及 Qwen‑Drive‑1.0‑4B。
DeepSeek‑V4‑Flash‑Vision‑Exp
上线信息：实验版本于 2026 年 8 月 21 日发布，目前仅开放 API 调用，模型标识为 deepseek‑v4‑flash‑vision‑exp。
产品定位：面向智能交互场景的视觉理解多模态模型。其文本能力对标 DeepSeek‑V4‑Flash，并新增了全维度图像解析能力。
核心能力：支持图像解析、文字识别、图表分析及屏幕内容理解等任务；兼容 URL、Base64 及文件上传三种接入方式，适配 OpenAI 接口规范，上下文窗口高达 1M。
版本状态：当前为实验版本，未开放模型权重。其多模态综合性能大幅升级，核心指标已接近 Anthropic Opus‑4.8 行业水平。
LLaDA‑Image
产品定位：基于离散扩散 dLLM 架构的开源图像生成模型，隶属于 LLaDA 扩散大模型体系。
技术架构：采用 6B DiT 扩散 Transformer 主干，搭配冻结的 LLaDA2.0‑Mini 扩散语言模型。配套推出的轻量化加速版本 LLaDA‑Image‑Turbo，仅需 2-4 步采样即可完成出图，显著提升了生成效率。
技术优势：依托海量纯图像数据预训练，降低了对图文配对数据的依赖。该模型在写实图像生成与精细化编辑场景中表现优异，在 Qwen‑Image‑Bench 开源评测榜单中取得最优性能。
开放权限：全面开源模型权重、训练代码及完整训练方案，开发者可通过 HuggingFace 和 GitHub 平台获取使用。
Qwen‑Drive‑1.0‑4B
上线信息：2026 年 9 月 3 日公开技术论文与完整模型权重，基于 Qwen3.5‑4B 原生多模态底座开发。
产品定位：面向自动驾驶场景的专用视觉语言基础模型，实现了 3D 感知、驾驶场景问答及车辆轨迹规划任务的统一表征学习。
技术架构：保留原生 Qwen3.5‑4B 多模态主干网络，外接两大专用功能模块：
BEV 感知模块
负责 3D 目标检测、语义占据预测及鸟瞰图场景分割等环境感知任务。
轨迹规划模块
基于流匹配算法，精准生成车辆未来行驶轨迹。
核心特点：无需改动通用视觉语言主干能力，兼顾了通用视觉问答性能与自动驾驶专项任务精度。全量权重开源，适用于自动驾驶视觉算法研究与原型开发。
模型核心信息对比
| 模型 | 出品方 | 方向 | 开源状态 |
| DeepSeek‑V4‑Flash‑Vision‑Exp | DeepSeek | 多模态 Agent 视觉理解 | 实验 API 可用，权重暂未开放 |
| LLaDA‑Image | 蚂蚁集团 + 人大 | 文生图、图像编辑 | 完全开源（权重 + 训练代码） |
| Qwen‑Drive‑1.0‑4B | 阿里 Qwen 团队 | 自动驾驶视觉‑语言 | 权重、技术报告开源 |
总结：三款模型分别深耕通用多模态交互、高效图像生成及自动驾驶场景感知规划赛道，技术架构各有侧重，集中体现了国内视觉大模型在细分垂直领域的最新研发成果。