DeepSeek V4多模态模型开源发布

深度求索今日正式在Hugging Face平台开源DeepSeek V4系列首个多模态模型——DeepSeek-V4-Flash-Vision-Exp。该模型采用MIT License许可，开发者可自由使用、修改和商用，进一步降低了多模态AI技术的应用门槛。

本次开源内容相当完整，不仅包含模型文件与Tokenizer，还提供了Prompt Encoding参考实现，以及基于PyTorch的最小化推理实现。这些资源覆盖了视觉编码器、Aligner、DFlash Attention、MoE、Hyper-Connections与DSpark等核心模块，为研究者和工程师深入理解模型架构、进行二次开发提供了扎实基础。

作为DeepSeek V4系列首款原生支持图片输入的视觉模型，V4-Flash-Vision-Exp明确标注为实验版本，并于2026年8月21日上线DeepSeek API平台。模型在文本之外支持图片输入，能够完成图片描述、截图文字识别、图表分析等多种视觉理解任务，目前兼容JPEG、PNG、GIF、WebP四种常见图片格式。

深度求索官方表示，V4-Flash-Vision-Exp在各类Agent框架内展现出较好的多模态适配能力，能够有效支持开发者借助多样化Agent工具解锁更多实用工作场景。在Agent、推理、世界知识等纯文本任务上，该模型与V4-Flash正式版表现持平，原有优势完整保留；而在需要视觉理解的Agent基准测试中，其相比V4-Flash大幅提升，多模态Agent能力已接近Opus-4.8。

此次开源不仅验证了DeepSeek在多模态技术路线上的快速迭代能力，也为开源社区提供了一个高性能的多模态基座选择。开发者可直接基于官方提供的推理实现快速部署，或将其集成到现有的Agent工作流中，探索视觉交互与自动化任务结合的更多可能性。