DeepSeek今日在Hugging Face平台正式发布并开源了其V4系列的首个多模态模型——DeepSeek-V4-Flash-Vision-Exp。该模型采用MIT License许可，公开了包括模型文件、Tokenizer、Prompt Encoding参考实现及最小化PyTorch推理实现等完整资源，覆盖视觉编码器、Aligner、DFlash Attention、MoE、Hyper-Connections与DSpark等核心模块。

作为V4系列中首款原生支持图片输入的实验版本，V4-Flash-Vision-Exp于2026年8月21日已上线DeepSeek API平台。该模型在文本交互基础上，新增了图片理解能力，可执行图片描述、截图文字识别、图表分析等任务，支持JPEG、PNG、GIF及WebP格式的图片输入。官方明确标注其为实验性版本，旨在探索多模态能力的边界。

深度求索官方表示，V4-Flash-Vision-Exp在各类Agent框架中展现出优异的多模态适配能力，能够有效支持用户借助多样化工具解锁更多实用工作场景。在需要视觉理解的Agent基准测试中，该模型相较V4-Flash正式版有大幅提升，其多模态Agent综合能力已接近Opus-4.8的水平。

值得注意的是，尽管新增了视觉处理能力，该模型在Agent、推理、世界知识等纯文本任务上的表现与V4-Flash正式版持平，原有优势得以完整保留。这一特性使得模型在多模态与纯文本场景间保持了平衡，为开发者提供了更灵活的部署选择。

此次开源延续了DeepSeek一贯的开放策略，MIT许可允许商业使用与自由修改，预计将吸引更多开发者基于该模型构建多模态Agent应用。随着实验版本的迭代，V4系列在多模态方向上的后续进展值得行业关注。