DeepSeek在Hugging Face上线V4家族首款实验多模态模型DeepSeek-V4-Flash-Vision-Exp，采用MIT协议，参数305B。基于V4-Flash-0731底座，接入视觉编码器与Aligner，经持续训练获得图像理解能力。与传统视觉问答不同，它重点聚焦多模态Agent能力，不做简单“看

DeepSeek 在 Hugging Face 上线了 DeepSeek-V4-Flash-Vision-Exp，这是 V4 家族首款实验性多模态模型，采用 MIT License。模型参数量达 305B，基于 V4-Flash-0731 底座，在原有语言模型基础上接入视觉编码器和 Aligner，经持续训练获得图像理解能力。

一、不做“看图说话”，专攻多模态 Agent

与传统多模态模型主打视觉问答不同，DeepSeek 为这个 Vision 版本划定了全新赛道：官方重点强调多模态 Agent 能力，让 Agent 直接读取网页截图、软件界面、图表等视觉信息，再结合工具调用继续执行任务。换言之，这双“眼睛”不是给人看的，而是给 Agent 用的。

此次开源内容相当完整，包括模型权重、Tokenizer、Prompt Encoding 参考实现以及一份最小化 PyTorch 推理实现，覆盖视觉编码器、Aligner、DFlash Attention、MoE、Hyper-Connections 等核心模块。社区跟进迅速，Hugging Face 页面上已出现 7 个面向 llama.cpp、LM Studio、Ollama 的量化版本。

时间线上也有值得注意的细节：8 月 21 日该模型先上线 DeepSeek API，当时只能调用、不给权重，开发者可通过 API 同时输入文字和图片，图片按 Token 计费；十天后权重才正式开放，本地部署和二次开发由此成为可能。这种“先卖 API 再开源”的节奏，也透露出 DeepSeek 对其以 API 服务为主的定位。

二、性能逼近 Claude Opus 4.8，官方措辞依旧克制

从跑分来看，加入视觉能力后纯文本 Agent 能力基本不受影响：Terminal Bench 2.1 从 82.7 涨到 83.9，DeepSWE 从 54.4 涨到 59.3，反而超过 Opus 4.8 的 58.0。多模态 Agent 提升更明显：ApexBench Pass@1 达到 36.5，Agents' Last Exam 以 27.3 超过 Opus 4.8 的 25.7，ZeroBench Pass@5 也以 35.0 压过对手的 34.0。

不过 DeepSeek 并未宣称“全面超越”：NL2Repo 项目上其得分 57.7，与 Opus 4.8 的 69.7 差距不小。官方表述也保持克制，仅称“多模态 Agent 能力接近 Claude Opus 4.8”。把近期更新串起来看，DeepSeek 正在拼装一套完整的 Agent 技术栈：模型负责推理和工具调用，Harness 负责持续执行任务，Vision 则让 Agent 能直接读取电脑里的视觉信息，此次开源正是这块拼图的关键落子。