【太平洋科技快讯】据 IT 之家报道，DeepSeek V4 系列首款多模态模型 DeepSeek-V4-Flash-Vision-Exp 已经在 Hugging Face 上线，采用 MIT License 开源。

公开内容包含模型权重文件、Tokenizer、Prompt Encoding 参考实现，以及最小化 PyTorch 推理实现，覆盖视觉编码器、Aligner、DFlash Attention、MoE、Hyper-Connections 与 DSpark 等核心模块。

据悉，8 月 21 日下午，DeepSeek 官方 API 文档的模型详情页面就已经上线了该模型。这是 V4 系列当中首款原生支持图片输入的视觉模型。除文本交互之外，模型可接收图片输入，完成图像内容描述、截图文字识别、图表解析等任务，兼容 JPEG、PNG、GIF、WebP 主流图像格式。

深度求索官方介绍，该模型在各类智能 Agent 框架下拥有不错的多模态适配效果，可借助工具拓展更多实际工作场景。在推理、世界知识等纯文本任务层面，性能与 V4-Flash 正式版保持一致，继承原有能力优势；而在视觉类 Agent 基准测试中相比 V4-Flash 实现明显提升，多模态 Agent 能力接近 Opus-4.8 水平。