DeepSeek V4首个多模态模型上线：V4-Flash-Vision-Exp开源，多模态Agent能力接近Opus-4.8 - 果核剥壳

9月1日消息，DeepSeek V4系列首个多模态模型DeepSeek-V4-Flash-Vision-Exp正式在Hugging Face上线，采用MIT License开源。

据了解，该模型是DeepSeek V4系列首款原生支持图片输入的视觉模型，官方明确标注为"Exp"实验版本，已于2026年8月21日率先上线DeepSeek API平台。

本次开源内容包括模型文件、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。

功能方面，该模型支持在文本之外输入图片，可完成描述图片、识别截图中的文字、分析图表等任务，支持JPEG、PNG、GIF、WebP四种图片格式。

官方表示，V4-Flash-Vision-Exp在各类Agent框架内展现出较好的多模态适配能力，能够有效支持用户借助多样化的Agent工具解锁更多实用工作场景。同时，模型在Agent、推理、世界知识等纯文本任务上与V4-Flash正式版持平，原有优势完整保留；在需要视觉理解的Agent基准测试中较V4-Flash大幅提升，多模态Agent能力已接近Opus-4.8。