DeepSeek 在 Hugging Face 上線了 DeepSeek-V4-Flash-Vision-Exp，這是 V4 家族首款實驗性多模態模型，採用 MIT License。模型參數量達 305B，基於 V4-Flash-0731 底座，在原有語言模型基礎上接入視覺編碼器和 Aligner，經持續訓練獲得圖像理解能力。
不做“看圖說話”，專攻多模態 Agent
與傳統多模態模型主打視覺問答不同，DeepSeek 爲這個 Vision 版本劃定了全新賽道：官方重點強調多模態 Agent 能力，讓 Agent 直接讀取網頁截圖、軟件界面、圖表等視覺信息，再結合工具調用繼續執行任務。換言之，這雙“眼睛”不是給人看的，而是給 Agent 用的。
此次開源內容相當完整，包括模型權重、Tokenizer、Prompt Encoding 參考實現以及一份最小化 PyTorch 推理實現，覆蓋視覺編碼器、Aligner、DFlash Attention、MoE、Hyper-Connections 等核心模塊。社區跟進迅速，Hugging Face 頁面上已出現 7 個面向 llama.cpp、LM Studio、Ollama 的量化版本。
時間線上也有值得注意的細節：8 月 21 日該模型先上線 DeepSeek API，當時只能調用、不給權重，開發者可通過 API 同時輸入文字和圖片，圖片按 Token 計費；十天後權重才正式開放，本地部署和二次開發由此成爲可能。這種“先賣 API 再開源”的節奏，也透露出 DeepSeek 對其以 API 服務爲主的定位。
性能逼近 Claude Opus 4.8，官方措辭依舊剋制
從跑分來看，加入視覺能力後純文本 Agent 能力基本不受影響：Terminal Bench 2.1 從 82.7 漲到 83.9，DeepSWE 從 54.4 漲到 59.3，反而超過 Opus 4.8 的 58.0。多模態 Agent 提升更明顯：ApexBench Pass@1 達到 36.5，Agents' Last Exam 以 27.3 超過 Opus 4.8 的 25.7，ZeroBench Pass@5 也以 35.0 壓過對手的 34.0。
不過 DeepSeek 並未宣稱“全面超越”：NL2Repo 項目上其得分 57.7，與 Opus 4.8 的 69.7 差距不小。官方表述也保持克制，僅稱“多模態 Agent 能力接近 Claude Opus 4.8”。把近期更新串起來看，DeepSeek 正在拼裝一套完整的 Agent 技術棧：模型負責推理和工具調用，Harness 負責持續執行任務，Vision 則讓 Agent 能直接讀取電腦裏的視覺信息，此次開源正是這塊拼圖的關鍵落子。
