专题 · FULL STORY

DeepSeek V4-Flash-Vision：从上线到开源

8 月 21 日 DeepSeek 在 API 平台上线实验性多模态模型 V4-Flash-Vision-Exp，随后开发者实测反馈亮眼、获得好评；8 月 31 日 DeepSeek 又在 Hugging Face 上将其悄然开源，完成从发布、实测到开源的完整进展。

2026-08-21 ~ 2026-09-01 · 3 集 · 51 条

第 1 集 · DeepSeek 上线 V4-Flash-Vision-Exp 多模态模型(2026-08-21,29 条)

8 月 21 日，DeepSeek 在官方 API 平台上线实验性多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp（官方账号 @deepseekai 发布）。该模型纯文本能力与 V4-Flash 持平，覆盖 agents、推理与世界知识；在多模态 agent 基准上较 V4-Flash 大幅跃升，官方称接近 Anthropic Opus 4.8。以 Flash 级定价提供接近头部的多模态 agent 能力，是 DeepSeek 向多模态与 agent 方向扩展的标志性动作。

已确认

  • 模型已在 DeepSeek API 平台上线，属实验性质，原生支持图片输入（不含图片生成），支持真正的图片输入而非仅 OCR。
  • 纯文本能力与 V4-Flash 持平；多模态 agent 基准性能大幅提升，接近 Opus 4.8。据 @卡尔的AI沃茨，其编码能力较 flash 版本亦有提升。
  • API 细节：调用 model='deepseek-v4-flash-vision-exp'，支持 Chat Completions、Messages 与 Responses 接口，支持图文混合输入；每张图片消耗 117-384 tokens，按 V4-Flash 价格计费。据 @量子位 测算，高峰加缓存场景下「约一分钱九张图」（该说法未在本簇帖中直接出现，以官方 token 消耗为准）。
  • 据 @petrusenkomax 梳理，图像支持三种输入方式：inline 发送 JPEG/PNG/GIF/WebP（上限 48 MiB）、URL（上限 32 MiB）、Files API 引用。据 @aigclink 发布的 API 文档，模型支持图片描述、文字识别（OCR）及图表分析等功能。
  • 据 @heypearlai 报道，Files API 同步发布，支持上传图片后通过对话调用，且免费开放；@新智元 与 @卡尔的AI沃茨 提到配套升级 Harness 框架以支持图文输入与文件引用；@新智元 称与竞品价格差距可达 25 倍（该倍数为媒体说法，未见于官方帖）。
  • 官方补充说明该模型可在各类 agent 框架中顺畅工作，可将视觉理解与多种工具组合，构建多模态 agent 工作流。
  • 用户 @teortaxesTex 实测认为其推理速度极快，图像理解能力未必最强，但速度和成本优势显著，可能再次冲击推理市场。

为什么重要

  • 以 Flash 级模型在多模态 agent 基准上逼近头部闭源模型 Opus 4.8，延续 DeepSeek 的性价比路线，直接瞄准低价高速推理市场。
  • 跨 agent 框架兼容与配套 Harness、Files API（免费）更新意味着开发者可在现有工作流中直接接入视觉能力，降低多模态应用门槛。

还有 9 条相关讨论 →

第 2 集 · DeepSeek V4 Flash Vision 实测亮眼获开发者好评(2026-08-23,4 条)

多位开发者因 OpenAI Codex 配额用尽转而尝试 DeepSeek-V4-Flash-Vision-Exp 配合 DeepSeek harness，实测编码与视觉生成效果超出预期，有人称表现惊人，甚至生成了动态视觉内容。横向对比 Ox Alpha、DeepSeek V4 Flash、Vision EXP 和 Claude Fable 5 的视觉生成能力时，Claude Fable 5 在排版细节上表现更优。

第 3 集 · DeepSeek 悄然开源 V4 首款多模态模型 Flash-Vision-Exp(2026-08-31,18 条)

8 月 31 日，DeepSeek 在 Hugging Face 上悄然发布并开源 V4 系列首个实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp。该模型基于 V4-Flash 架构引入视觉模块并持续训练获得视觉理解能力，以 MIT 协议开源并提供 8-bit 与 fp8 精度版本，API 同步上线，标志着 DeepSeek 正式进入多模态赛道。

已确认

  • 模型由 @deepseek-ai 官方发布，现已在 Hugging Face 上线（@NielsRogge、@victormustar、@ricklamers、@multimodalart、@AdinaYakup 等多条帖子交叉确认）。该模型由 Reddit 用户率先发现，发布初期尚无官方公告与详细说明（@t4a8945）。
  • 基于 DeepSeek-V4-Flash 架构，通过引入视觉模块和持续训练获得视觉理解能力，是 V4 系列首款多模态模型（@赛博禅心、@APPSO）。据 @solyarisoftware 转述，该模型在 285B/13B 的 V4-Flash MoE 语言骨干上增加了 32 层视觉塔和对齐层，拥有 100 万上下文。
  • 采用 MIT 协议开源，提供 8-bit 和 fp8 精度版本，兼容 Transformers 架构，支持 safetensors 格式（@NielsRogge、@victormustar、@deepseek-ai）。
  • 模型 pipelinetag 为 image-text-to-text，支持视觉与文本输入并专注文本生成任务（@AdinaYakup、@victormustar）。@zainhas 补充称这是一个 500B 以下、支持图像输入的视觉语言实验模型，模型卡上的视觉编码评测表现亮眼。
  • 据 @APPSO 介绍，模型在保留文本、推理和 Agent 能力的基础上主打 Agent 视觉能力；据 @maxpaperclips 转述，其文本能力与 V4-Flash 持平，多模态 Agent 基准性能接近 Opus-4.8；模型已可通过 API 使用（model='deepseek-v4-flash-vision-exp'）。据 @ccerrato147 转述，该模型在 Terminal Bench 2.1 上取得 83.9 分；据 @智东西 报道，该模型在 7 项文本智能体任务评测中取得 5 胜，并在 DeepSWE 软件工程测试中表现突出。据 @solyarisoftware 转述，vLLM 已支持该模型的原生推理。

为什么重要

  • 这是 DeepSeek V4 系列向多模态扩展的第一步，此前该系列仅有纯文本模型。
  • @teortaxesTex 认为，此次更新使 DeepSeek 在功能上与 Moonshot（Kimi）和 GLM 达到同等水平，意味着国产头部开源模型在多模态能力上的竞争进一步拉近。
  • 以 MIT 协议开放权重并提供多种精度版本，降低了开发者的部署与微调门槛；API 同步开放也让闭源与开源双路径用户均可第一时间体验。