DeepSeek-V4-Flash-Vision-Exp 是 DeepSeek V4 系列首个实验性多模态模型。它基于 V4-Flash 架构加入视觉模块并继续训练，能够同时接收文本和图片，用于视觉理解，而不是生成图片。2 6

该模型于 2026 年 8 月 21 日率先通过 DeepSeek API 提供，模型标识符为 deepseek-v4-flash-vision-exp。8 月 31 日，DeepSeek 又在 Hugging Face 发布了可下载权重和推理资源，并采用 MIT 许可证。3 6

它能做什么？

Vision-Exp 面向需要结合语言推理与图像输入的任务，例如：

• 描述图片内容
• 读取和解读截图中的文字
• 分析图表与视觉文档
• 支持多模态智能体工作流

在 DeepSeek 已公开的 V4 API 目录中，只有 Vision-Exp 被列为支持图像输入的模型；DeepSeek-V4-Flash 和 DeepSeek-V4-Pro 仍是纯文本模型。1 2

因此，这次发布并非一次普通的版本更新。它为此前主要服务于文本、推理和智能体任务的 V4 系列加入了视觉理解能力，同时为开发者提供了托管 API 与可下载模型资源两条路径。3 6

Hugging Face 上发布了哪些内容？

DeepSeek 发布的不只是一个模型检查点。仓库还包含模型文件、tokenizer、Prompt Encoding 参考材料，以及一份最小化 PyTorch 推理实现。参考实现覆盖了模型的多个关键组成部分：

• 视觉编码器与对齐器（Aligner）
• DFlash Attention
• 混合专家（MoE）路由
• Hyper-Connections
• DSpark 前向计算路径 6

对开发者而言，这种发布方式比单独提供权重更有价值：团队可以检查输入提示如何构造，复现基础推理流程，并将模型接入现有的模型服务和智能体基础设施，而不必完全依赖专有编排系统。6

基准测试表现如何？

DeepSeek 表示，与 DeepSeek-V4-Flash-0731 相比，Vision-Exp 在纯文本智能体任务上的表现大体相当，同时在多模态智能体任务上取得明显提升。6

在已报告的纯文本智能体测试中，Vision-Exp 与 V4-Flash-0731 的成绩分别为：

• **Terminal Bench 2.1：**83.9 对 82.7
• **NL2Repo：**57.7 对 54.2
• **DeepSWE：**59.3 对 54.4 6

Vision-Exp 在多模态智能体测试中的成绩为：

• **ApexBench：**36.5
• **Agents’ Last Exam：**27.3
• **Chartography：**64.3
• **ZeroBench：**35.0 6

DeepSeek 将其在这些选定评测中的视觉智能体表现描述为接近 Claude Opus 4.8。例如，比较表显示，Vision-Exp 在 ApexBench 上为 36.5，Opus 4.8 为 39.4；在 Chartography 上则为 64.3 对 65.0。6

不过，这些数字需要谨慎解读。DeepSeek 特别指出，V4-Flash 在 ApexBench 和 Agents’ Last Exam 中忽略了多模态输入，因此这些差异并不能代表两个模型在完全相同的多模态条件下进行比较。与此同时，相关成绩由模型开发者自行报告，也不能被视为生产环境表现的独立保证。6

API 还是自行部署？

MIT 许可证与可下载仓库让团队不必局限于 API 调用。根据硬件条件和运营需求，开发者可以研究本地部署、私有云部署或常规 GPU 服务器部署，从而减少将所有请求发送到托管端点的需要。3 6

模型卡提供了涉及 Transformers、vLLM、SGLang 和 Docker 的部署路径，也介绍了下游量化方案。对于已经使用标准模型服务或智能体技术栈的团队，这些选项可能降低集成成本。6

如果自托管的硬件、运维或安全成本过高，API 仍然是更简单的选择。调用实验性模型时，需要使用以下模型标识符：

deepseek-v4-flash-vision-exp

两种交付方式适合不同需求：API 更省运维，而开放仓库则为部署位置、定制方式和数据处理提供更多控制权。但无论采用哪种方式，团队都仍需评估模型质量、显存占用、延迟以及异常行为。

“Exp”意味着什么？

“Exp”并不只是产品名称的一部分，而是对模型成熟度的明确提示。DeepSeek 将 Vision-Exp 定义为实验性模型。1 6

因此，某些基准测试接近另一模型，并不等于在所有场景中实现了全面 बराब。现有证据尚不足以独立证明它在密集型截图、困难 OCR、复杂图表、视觉定位、长流程智能体或其他生产工作负载中都能保持稳定表现。具体的图像格式和接口限制，也应在实施前以当前 API 及模型文档为准。

准备评估该模型的团队，至少应测试：

• 小字体、模糊或压缩截图中的文字识别
• 图表信息提取与数值推理
• 视觉定位和多步骤工具调用
• 图片含糊、不完整或信息不足时的错误处理
• 延迟、显存消耗和服务稳定性
• 端到端任务成功率，而不只是基准分数

对行业意味着什么？

这次发布将三种趋势放在了一起：多模态能力、API 优先的产品路径，以及较为宽松的开放权重许可。DeepSeek 既可以通过托管 API 降低开发者的试用门槛，也提供了足够的模型和推理材料，让希望研究、改造或自行运营系统的团队拥有更多选择。3 6

Vision-Exp 的长期价值，仍取决于独立评测能否验证其视觉智能体增益，以及这套实验性架构能否进一步发展为稳定的正式多模态模型。现阶段，更适合把它看作一个值得关注的开放权重视觉智能体试验平台，而不是所有图像理解工作流都已达到生产就绪状态。

DeepSeek-V4-Flash-Vision-Exp 是 DeepSeek V4 系列首个实验性多模态模型。它基于 V4-Flash 架构加入视觉模块并继续训练，能够同时接收文本和图片，用于视觉理解，而不是生成图片。2 6

该模型于 2026 年 8 月 21 日率先通过 DeepSeek API 提供，模型标识符为 deepseek-v4-flash-vision-exp。8 月 31 日，DeepSeek 又在 Hugging Face 发布了可下载权重和推理资源，并采用 MIT 许可证。3 6

它能做什么？

Vision-Exp 面向需要结合语言推理与图像输入的任务，例如：

• 描述图片内容
• 读取和解读截图中的文字
• 分析图表与视觉文档
• 支持多模态智能体工作流

在 DeepSeek 已公开的 V4 API 目录中，只有 Vision-Exp 被列为支持图像输入的模型；DeepSeek-V4-Flash 和 DeepSeek-V4-Pro 仍是纯文本模型。1 2

因此，这次发布并非一次普通的版本更新。它为此前主要服务于文本、推理和智能体任务的 V4 系列加入了视觉理解能力，同时为开发者提供了托管 API 与可下载模型资源两条路径。3 6

Hugging Face 上发布了哪些内容？

DeepSeek 发布的不只是一个模型检查点。仓库还包含模型文件、tokenizer、Prompt Encoding 参考材料，以及一份最小化 PyTorch 推理实现。参考实现覆盖了模型的多个关键组成部分：

• 视觉编码器与对齐器（Aligner）
• DFlash Attention
• 混合专家（MoE）路由
• Hyper-Connections
• DSpark 前向计算路径 6

对开发者而言，这种发布方式比单独提供权重更有价值：团队可以检查输入提示如何构造，复现基础推理流程，并将模型接入现有的模型服务和智能体基础设施，而不必完全依赖专有编排系统。6

基准测试表现如何？

DeepSeek 表示，与 DeepSeek-V4-Flash-0731 相比，Vision-Exp 在纯文本智能体任务上的表现大体相当，同时在多模态智能体任务上取得明显提升。6

在已报告的纯文本智能体测试中，Vision-Exp 与 V4-Flash-0731 的成绩分别为：

• **Terminal Bench 2.1：**83.9 对 82.7
• **NL2Repo：**57.7 对 54.2
• **DeepSWE：**59.3 对 54.4 6

Vision-Exp 在多模态智能体测试中的成绩为：

• **ApexBench：**36.5
• **Agents’ Last Exam：**27.3
• **Chartography：**64.3
• **ZeroBench：**35.0 6

DeepSeek 将其在这些选定评测中的视觉智能体表现描述为接近 Claude Opus 4.8。例如，比较表显示，Vision-Exp 在 ApexBench 上为 36.5，Opus 4.8 为 39.4；在 Chartography 上则为 64.3 对 65.0。6

不过，这些数字需要谨慎解读。DeepSeek 特别指出，V4-Flash 在 ApexBench 和 Agents’ Last Exam 中忽略了多模态输入，因此这些差异并不能代表两个模型在完全相同的多模态条件下进行比较。与此同时，相关成绩由模型开发者自行报告，也不能被视为生产环境表现的独立保证。6

API 还是自行部署？

MIT 许可证与可下载仓库让团队不必局限于 API 调用。根据硬件条件和运营需求，开发者可以研究本地部署、私有云部署或常规 GPU 服务器部署，从而减少将所有请求发送到托管端点的需要。3 6

模型卡提供了涉及 Transformers、vLLM、SGLang 和 Docker 的部署路径，也介绍了下游量化方案。对于已经使用标准模型服务或智能体技术栈的团队，这些选项可能降低集成成本。6

如果自托管的硬件、运维或安全成本过高，API 仍然是更简单的选择。调用实验性模型时，需要使用以下模型标识符：

deepseek-v4-flash-vision-exp

两种交付方式适合不同需求：API 更省运维，而开放仓库则为部署位置、定制方式和数据处理提供更多控制权。但无论采用哪种方式，团队都仍需评估模型质量、显存占用、延迟以及异常行为。

“Exp”意味着什么？

“Exp”并不只是产品名称的一部分，而是对模型成熟度的明确提示。DeepSeek 将 Vision-Exp 定义为实验性模型。1 6

因此，某些基准测试接近另一模型，并不等于在所有场景中实现了全面 बराब。现有证据尚不足以独立证明它在密集型截图、困难 OCR、复杂图表、视觉定位、长流程智能体或其他生产工作负载中都能保持稳定表现。具体的图像格式和接口限制，也应在实施前以当前 API 及模型文档为准。

准备评估该模型的团队，至少应测试：

• 小字体、模糊或压缩截图中的文字识别
• 图表信息提取与数值推理
• 视觉定位和多步骤工具调用
• 图片含糊、不完整或信息不足时的错误处理
• 延迟、显存消耗和服务稳定性
• 端到端任务成功率，而不只是基准分数

对行业意味着什么？

这次发布将三种趋势放在了一起：多模态能力、API 优先的产品路径，以及较为宽松的开放权重许可。DeepSeek 既可以通过托管 API 降低开发者的试用门槛，也提供了足够的模型和推理材料，让希望研究、改造或自行运营系统的团队拥有更多选择。3 6

Vision-Exp 的长期价值，仍取决于独立评测能否验证其视觉智能体增益，以及这套实验性架构能否进一步发展为稳定的正式多模态模型。现阶段，更适合把它看作一个值得关注的开放权重视觉智能体试验平台，而不是所有图像理解工作流都已达到生产就绪状态。