DeepSeek发布首个开源多模态模型V4-Flash-Vision-Exp，原生支持图像理解与Agent协同

SmartHey8月31日消息，今日，深度求索正式发布其V4系列首款原生多模态模型——DeepSeek-V4-Flash-Vision-Exp，并已在Hugging Face平台开源，采用MIT License许可协议。

开源内容涵盖完整模型权重、Tokenizer、Prompt Encoding参考实现，以及轻量级PyTorch推理代码，全面覆盖视觉编码器、对齐模块（Aligner）、DFlash注意力机制、混合专家（MoE）、超连接结构（Hyper-Connections）与DSpark推理优化等核心组件。

据悉，该模型是DeepSeek V4系列中首个原生支持图像输入的实验性视觉语言模型，官方明确标注为“Exp”（Experimental）版本，已于2026年8月21日率先上线DeepSeek API平台供开发者试用。

模型在保持原有文本能力基础上，新增对JPEG、PNG、GIF、WebP等多种图像格式的原生支持，可完成图像描述、截图文字识别（OCR-like理解）、图表解析与语义推理等典型视觉任务。

深度求索指出，V4-Flash-Vision-Exp在主流Agent框架中展现出优异的多模态兼容性，能无缝接入工具调用、规划与执行流程，助力开发者构建更智能、更实用的AI工作流。

在纯文本类任务（如Agent编排、复杂推理、世界知识问答）上，其性能与已发布的V4-Flash正式版完全一致，所有原有优势均得以保留；而在需视觉理解的多模态Agent基准测试中，综合表现显著超越V4-Flash，多模态协同能力已逼近业界先进水平Opus-4.8。