DeepSeek-V4-Flash-Vision-Exp 开源：首个 V4 多模态 Agent 模型，部分指标超越 Opus-4.8
发布日期：2026-09-01 | 话题标签：DeepSeek、多模态模型、开源大模型、视觉 Agent
DeepSeek-V4-Flash-Vision-Exp 是 DeepSeek 于 2026 年 8 月 31 日以 MIT License 在 Hugging Face 完整开源的 V4 系列首个实验性多模态视觉模型，基于 305B 参数 MoE 架构，在成熟的 V4-Flash 纯文本 Agent 底座上通过持续训练加入视觉理解能力。该模型在 Agents' Last Exam（27.3 分）和 ZeroBench Pass@5（35.0 分）两项多模态 Agent 基准上已超越 Claude Opus-4.8，在图表理解（Chartography）和代码 Agent（DeepSWE、Toolathlon-Verified）等维度也与闭源顶级模型差距收窄至个位数，同时保持与 V4-Flash-0731 同等的纯文本 Agent 水准。开源内容涵盖完整权重、Tokenizer 及最小化 PyTorch 推理实现，支持 vLLM、SGLang、Transformers 和 Docker Model Runner，也可通过兼容 OpenAI 格式的官方 API 直接调用。本文完整梳理发布时间线、技术架构、Benchmark 数据对比、本地部署与 API 调用方案，以及适合和不适合引入该模型的具体场景。
什么是 DeepSeek-V4-Flash-Vision-Exp
DeepSeek-V4-Flash-Vision-Exp（以下简称 Vision-Exp）是 DeepSeek V4 系列的第一个多模态版本，定位"实验性质"，后缀 -Exp 说明这是一个持续迭代中的研究模型，而非商业稳定版。
两个发布节点：
2026 年 8 月 21 日：上线 DeepSeek API 平台，用户可通过
model='deepseek-v4-flash-vision-exp'调用，正式开启多模态 API 服务2026 年 8 月 31 日：在 Hugging Face 以 MIT License 完整开源，包含模型权重、Tokenizer、Prompt Encoding 参考实现，以及覆盖视觉编码器、Aligner、DFlash Attention、MoE 的最小化 PyTorch 推理实现
两个节点之间间隔 10 天——DeepSeek 先通过 API 验证真实用户反馈，再决定开源，这一节奏与 V3、V4-Flash 系列的一贯策略一致。
参数规模与架构：
总参数：305B（与 V4-Flash-0731 的 304B 基本持平，新增部分来自视觉模块）
架构：MoE（Mixture of Experts）+ 视觉编码器 + Aligner（对齐器）+ DFlash Attention + Hyper-Connections + DSpark 前向路径
任务类型：图像-文本到文本（Image-Text-to-Text）
设计上，Vision-Exp 并非从头训练的多模态模型，而是在已有的高性能纯文本 Flash 模型基础上"续训"出视觉能力——这与 Qwen-VL、InternVL 等系列的思路类似，好处是可以最大限度保留原有文本 Agent 能力，代价是视觉表征可能不如专门设计的多模态架构深度融合。
Benchmark：哪些指标真正领先，哪些仍有差距
官方发布了两组基准数据，分别覆盖文本 Agent 能力和多模态 Agent 能力。
文本 Agent 能力对比
结论：Vision-Exp 的文本 Agent 能力相比 V4-Flash-0731 有全面提升（加入视觉模块并未拖累纯文本），DeepSWE 和 Toolathlon-Verified 两项甚至小幅超过 Opus-4.8，但 NL2Repo 和 DSBench-Hard 仍有约 12 分差距。
多模态 Agent 能力对比
† V4-Flash-0731 在这两项测试中忽略了输入中的多模态元素，因此分数偏低，属于基线参考而非真实竞争
结论：Vision-Exp 在 Agents' Last Exam 和 ZeroBench 两项上已超越 Opus-4.8，在 Chartography（图表理解）上仅差 0.7 分，差距最大的 ApexBench 也收窄至约 3 分。对于需要同时处理图文信息的 Agent 任务，Vision-Exp 已具备与闭源顶级模型正面竞争的实力。
开源内容与本地部署
开源了什么
MIT License 开源意味着可以商用、可以私有化部署、可以微调。具体开放内容：
完整模型权重（BF16、FP8、INT8 等多精度格式）
Tokenizer 和 Prompt Encoding 参考实现
最小化 PyTorch 推理实现（覆盖视觉编码器、Aligner、DFlash Attention、MoE 全链路）
支持的推理框架
本地部署最低要求：305B 参数 BF16 精度需要约 610GB 显存。实际上绝大多数个人开发者会选择：
FP8 精度：约 305GB（4×A100-80G 或 2×H100）
INT4/INT8 量化（社区版）：约 160-200GB，精度有损但可接受用于实验
vLLM 快速启动示例
# 安装 vLLM
pip install vllm
# 启动服务（BF16，单机多卡；若使用 HF 上的 FP8 量化权重，vLLM 会自动识别）
vllm serve deepseek-ai/DeepSeek-V4-Flash-Vision-Exp \
--dtype bfloat16 \
--tensor-parallel-size 4 \
--max-model-len 8192API 调用：如何接入 Vision-Exp
如果不想自行部署，DeepSeek 官方 API 已支持该模型，调用接口与 OpenAI 完全兼容。
Python 调用示例
from openai import OpenAI
import base64
client = OpenAI(
api_key="your_deepseek_api_key",
base_url="https://api.deepseek.com"
)
# 读取本地图片并转 base64
with open("chart.png", "rb") as f:
image_data = base64.b64encode(f.read()).decode("utf-8")
response = client.chat.completions.create(
model="deepseek-v4-flash-vision-exp",
messages=[
{
"role": "user",
"content": [
{
"type": "image_url",
"image_url": {
"url": f"data:image/png;base64,{image_data}"
}
},
{
"type": "text",
"text": "分析这张图表中的数据趋势，并给出结论"
}
]
}
]
)
print(response.choices[0].message.content)两种图片输入格式（均支持，最终得到相同 token ID）：
OpenAI 风格 JSON：
image_url+ base64 或公网图片 URL紧凑 TXT 格式：
<image>path/to/image.jpg</image>内联写法，适合批量脚本
国内开发者也可以通过支持多模型统一接入的平台（如七牛云 AI 大模型广场，qiniu.com/ai/models）使用 OpenAI 兼容接口调用多款主流模型，无需为每个服务单独管理 API Key。
适合哪些使用场景
最适合的场景（多模态 Agent 能力经过验证）：
1. 图文混合的 Agent 任务 需要同时理解截图、图表、文档图片并做推理决策的场景，例如：读取网页截图后填写表单、根据数据图表生成报告、分析 UI 界面后写自动化脚本。Agents' Last Exam 指标超过 Opus-4.8，说明其在"看图做复杂任务"这类场景已具备顶级水准。
2. 代码与图形的交叉分析 DeepSWE（59.3）超过 Opus-4.8（58.0），Toolathlon-Verified（75.9）接近 Opus-4.8（76.2），说明在编程 Agent 场景下加入图片输入（如截图报错、架构图）并不会显著降低代码理解能力。
3. 图表与数据可视化理解 Chartography 得分 64.3，仅低于 Opus-4.8（65.0）0.7 分，可用于读取 BI 截图、财报图表、传感器数据图等场景。
暂时不适合的场景：
需要极高准确率的代码仓库级理解：NL2Repo（57.7）比 Opus-4.8（69.7）低约 12 分，大型代码库理解仍有明显差距
纯文本长文推理：DSBench-Hard（63.6 vs 71.7）差距仍在
DeepSeek V4 系列梳理
至此，DeepSeek V4 系列已有三个主要版本：
V4-Flash-Vision-Exp 并非 V4-Pro 的多模态版本，而是在成本更低的 Flash 分支上率先引入视觉能力——这意味着 DeepSeek 选择了"先把多模态能力跑通，再往重模型推进"的路线，未来不排除会推出正式的 V4-Vision 或 V4-Pro-Vision。
FAQ
Q：Vision-Exp 开源了完整权重吗，还是只有推理代码？ A：完整开源，包含 BF16、FP8、INT8 等格式的模型权重，以及 Tokenizer 和最小化 PyTorch 推理实现，MIT License 可商用。
Q：没有多卡服务器，能用量化版在普通机器上跑吗？ A：HuggingFace 已有 6 个社区量化版本（llama.cpp / Ollama / LM Studio 格式），INT4 量化约需 160GB 显存，可在 2×A100 配置上运行，但精度会有一定损失。
Q：Vision-Exp 是否支持视频输入？ A：目前官方文档仅明确支持图像-文本到文本任务，视频输入尚未提及，建议以图帧抽取方式处理视频场景。
Q：API 定价与 V4-Flash-0731 相比是否更贵？ A：DeepSeek 官方未单独公布 Vision-Exp 的定价，实验性模型通常与对应 Flash 版本定价相近，具体以 DeepSeek 官网价格页（api-docs.deepseek.com）为准。
Q：Vision-Exp 的"Exp"标签意味着什么？ A：Experimental（实验性）标签表示该模型仍在持续更新中，接口和权重可能随时变动，不建议直接用于稳定生产环境，适合评估与研究用途。
总结
DeepSeek-V4-Flash-Vision-Exp 的开源，标志着 DeepSeek V4 系列正式进入多模态阶段。305B MoE 架构、MIT 开源协议、以及在 Agents' Last Exam 和 ZeroBench 上超越 Opus-4.8 的实测表现，让它成为目前开源多模态 Agent 模型中最值得评测的选项之一。该模型于 2026 年 8 月 31 日上线 HuggingFace，支持 vLLM / SGLang / Transformers 全家桶，开发者可以直接拉取权重或通过兼容 OpenAI 接口的 API 平台快速集成。
延伸阅读
DeepSeek-V4-Flash-Vision-Exp 模型卡：https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-Vision-Exp
DeepSeek API 文档（中文）：https://api-docs.deepseek.com/zh-cn/
DeepSeek-V4-Flash-0731 模型卡：https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-0731
七牛云 AI 大模型广场（多模型统一接入）：https://www.qiniu.com/ai/models
