DeepSeek-V4-Flash-Vision-Exp 係 DeepSeek V4 系列首個實驗性多模態模型。佢建基於 V4-Flash 架構，加入視覺模組並持續訓練，讓模型可以同時接收文字同圖片，重點係理解圖片，而唔係生成圖片。2 6

模型喺 2026 年 8 月 21 日先透過 DeepSeek API 公開，識別名稱係 deepseek-v4-flash-vision-exp。到 8 月 31 日，DeepSeek 再喺 Hugging Face 公開可下載權重及推理資源，採用 MIT 授權。3 6

Vision-Exp 可以做乜？

呢個模型主要針對需要語言推理加圖片輸入嘅工作，例如：

• 描述圖片內容
• 閱讀及解釋截圖入面嘅文字
• 分析圖表、圖像化數據同視覺文件
• 支援多模態 Agent，例如睇圖後再作出推理、調用工具或完成多步任務

按現有 V4 API 目錄，Vision-Exp 係唯一列明支援圖片輸入嘅模型；deepseek-v4-flash 同 deepseek-v4-pro 仍然係純文字模型。1 2

所以，呢次唔只係普通版本更新。DeepSeek 將視覺理解能力帶入一個原本集中於文字、推理及 Agent 任務嘅模型系列，同時提供託管 API 及可下載模型資源，開發者可以按需要選擇用雲端服務，或者自行研究及部署。3 6

Hugging Face 開放咗啲乜？

DeepSeek 公開嘅唔止係一份 checkpoint。儲存庫亦包括：

• 模型檔案
• Tokenizer
• Prompt Encoding 參考資料
• 最小化 PyTorch 推理實作

參考實作涵蓋模型幾個重要部分，包括：

• 視覺編碼器及 Aligner
• DFlash Attention
• Mixture-of-Experts（MoE）路由
• Hyper-Connections
• DSpark forward path 6

對開發者嚟講，呢種開放程度比「淨係畀權重」實用。團隊可以檢視提示詞編碼方式、重現基本推理流程，再接入現有模型服務或 Agent 基礎設施，而唔使完全依賴專有嘅編排系統。6

官方公布嘅跑分點睇？

DeepSeek 表示，Vision-Exp 喺純文字 Agent 任務上，大致維持 DeepSeek-V4-Flash-0731 嘅表現；至於多模態 Agent 任務，就有較明顯進步。6

純文字 Agent 對比結果如下：

• Terminal Bench 2.1： 83.9，V4-Flash-0731 為 82.7
• NL2Repo： 57.7，V4-Flash-0731 為 54.2
• DeepSWE： 59.3，V4-Flash-0731 為 54.4 6

Vision-Exp 公布嘅多模態 Agent 分數就包括：

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

DeepSeek 形容，Vision-Exp 喺上述選定測試入面嘅視覺 Agent 表現接近 Claude Opus 4.8。例如 ApexBench 係 36.5 對 39.4，Chartography 就係 64.3 對 65.0。6

不過，呢啲數字唔可以直接當成全面打和。DeepSeek 自己指出，V4-Flash 喺 ApexBench 同 Agents’ Last Exam 入面忽略咗多模態輸入，換句話講，相關差距未必係兩個模型喺完全相同視覺條件下嘅公平比較。另外，呢啲係模型開發者公布嘅結果，唔係獨立測試，更加唔等於生產環境保證。6

API 定自託管：兩條路點揀？

MIT 授權加上可下載儲存庫，令團隊唔一定要限於 API-only 使用。視乎硬件、私隱要求同運維能力，開發者可以研究本地部署、私有雲，或者一般 GPU 伺服器部署，避免所有請求都要送去託管端點。3 6

模型卡列出 Transformers、vLLM、SGLang 及 Docker 等部署路徑，亦提到下游量化版本。對本身已經使用標準模型服務或 Agent 技術棧嘅團隊嚟講，呢啲選項或可減少整合工作。6

如果自託管成本太高，或者團隊唔想自己處理硬件、記憶體同穩定性，API 仍然係較簡單嘅方案。呼叫實驗模型時使用：

deepseek-v4-flash-vision-exp

簡單講，API 勝在方便，開放權重就勝在控制權、客製化同數據處理彈性。但無論揀邊條路，都要自行評估輸出質素、記憶體佔用、延遲同錯誤行為。

點解「Exp」三個字咁重要？

「Exp」唔係單純產品名，而係成熟度提示。DeepSeek 明確將 Vision-Exp 定位為實驗模型。1 6

因此，即使佢喺部分測試接近另一個模型，都唔應該解讀成全面性能相同。現有證據未能獨立證明佢喺密集截圖、困難 OCR、複雜圖表、視覺定位、長時間 Agent 任務等生產場景，都可以維持一致表現。至於具體支援邊啲圖片格式，實際接入前亦應以最新 API 及模型文件為準。

有意試用嘅團隊，至少應該測試：

• 細字、模糊或壓縮失真截圖嘅文字辨識
• 圖表資料擷取及數字推理
• 視覺定位同多步工具調用
• 圖片內容模糊或不完整時嘅錯誤處理
• 延遲、記憶體用量及服務穩定性
• 端到端任務成功率，而唔係只睇單一 benchmark 分數

對多模態 AI 有咩意義？

呢次發布一次過結合三個趨勢：多模態能力、API-first 發布方式，以及較寬鬆授權嘅開放權重。DeepSeek 一方面畀開發者用託管 API 快速試驗，另一方面又公開足夠模型及推理資料，方便有需要嘅團隊自行研究、部署或改造系統。3 6

Vision-Exp 長遠價值，最終要睇獨立評測、真實工作負載可靠性，以及呢套實驗架構會唔會發展成穩定嘅正式多模態模型。現階段，最合適嘅理解係：佢係一個值得研究、適合用嚟測試視覺 Agent 嘅開放權重試驗場；但就未足以證明所有圖片理解工作流程都已經達到生產級水平。

DeepSeek-V4-Flash-Vision-Exp 係 DeepSeek V4 系列首個實驗性多模態模型。佢建基於 V4-Flash 架構，加入視覺模組並持續訓練，讓模型可以同時接收文字同圖片，重點係理解圖片，而唔係生成圖片。2 6

模型喺 2026 年 8 月 21 日先透過 DeepSeek API 公開，識別名稱係 deepseek-v4-flash-vision-exp。到 8 月 31 日，DeepSeek 再喺 Hugging Face 公開可下載權重及推理資源，採用 MIT 授權。3 6

Vision-Exp 可以做乜？

呢個模型主要針對需要語言推理加圖片輸入嘅工作，例如：

• 描述圖片內容
• 閱讀及解釋截圖入面嘅文字
• 分析圖表、圖像化數據同視覺文件
• 支援多模態 Agent，例如睇圖後再作出推理、調用工具或完成多步任務

按現有 V4 API 目錄，Vision-Exp 係唯一列明支援圖片輸入嘅模型；deepseek-v4-flash 同 deepseek-v4-pro 仍然係純文字模型。1 2

所以，呢次唔只係普通版本更新。DeepSeek 將視覺理解能力帶入一個原本集中於文字、推理及 Agent 任務嘅模型系列，同時提供託管 API 及可下載模型資源，開發者可以按需要選擇用雲端服務，或者自行研究及部署。3 6

Hugging Face 開放咗啲乜？

DeepSeek 公開嘅唔止係一份 checkpoint。儲存庫亦包括：

• 模型檔案
• Tokenizer
• Prompt Encoding 參考資料
• 最小化 PyTorch 推理實作

參考實作涵蓋模型幾個重要部分，包括：

• 視覺編碼器及 Aligner
• DFlash Attention
• Mixture-of-Experts（MoE）路由
• Hyper-Connections
• DSpark forward path 6

對開發者嚟講，呢種開放程度比「淨係畀權重」實用。團隊可以檢視提示詞編碼方式、重現基本推理流程，再接入現有模型服務或 Agent 基礎設施，而唔使完全依賴專有嘅編排系統。6

官方公布嘅跑分點睇？

DeepSeek 表示，Vision-Exp 喺純文字 Agent 任務上，大致維持 DeepSeek-V4-Flash-0731 嘅表現；至於多模態 Agent 任務，就有較明顯進步。6

純文字 Agent 對比結果如下：

• Terminal Bench 2.1： 83.9，V4-Flash-0731 為 82.7
• NL2Repo： 57.7，V4-Flash-0731 為 54.2
• DeepSWE： 59.3，V4-Flash-0731 為 54.4 6

Vision-Exp 公布嘅多模態 Agent 分數就包括：

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

DeepSeek 形容，Vision-Exp 喺上述選定測試入面嘅視覺 Agent 表現接近 Claude Opus 4.8。例如 ApexBench 係 36.5 對 39.4，Chartography 就係 64.3 對 65.0。6

不過，呢啲數字唔可以直接當成全面打和。DeepSeek 自己指出，V4-Flash 喺 ApexBench 同 Agents’ Last Exam 入面忽略咗多模態輸入，換句話講，相關差距未必係兩個模型喺完全相同視覺條件下嘅公平比較。另外，呢啲係模型開發者公布嘅結果，唔係獨立測試，更加唔等於生產環境保證。6

API 定自託管：兩條路點揀？

MIT 授權加上可下載儲存庫，令團隊唔一定要限於 API-only 使用。視乎硬件、私隱要求同運維能力，開發者可以研究本地部署、私有雲，或者一般 GPU 伺服器部署，避免所有請求都要送去託管端點。3 6

模型卡列出 Transformers、vLLM、SGLang 及 Docker 等部署路徑，亦提到下游量化版本。對本身已經使用標準模型服務或 Agent 技術棧嘅團隊嚟講，呢啲選項或可減少整合工作。6

如果自託管成本太高，或者團隊唔想自己處理硬件、記憶體同穩定性，API 仍然係較簡單嘅方案。呼叫實驗模型時使用：

deepseek-v4-flash-vision-exp

簡單講，API 勝在方便，開放權重就勝在控制權、客製化同數據處理彈性。但無論揀邊條路，都要自行評估輸出質素、記憶體佔用、延遲同錯誤行為。

點解「Exp」三個字咁重要？

「Exp」唔係單純產品名，而係成熟度提示。DeepSeek 明確將 Vision-Exp 定位為實驗模型。1 6

因此，即使佢喺部分測試接近另一個模型，都唔應該解讀成全面性能相同。現有證據未能獨立證明佢喺密集截圖、困難 OCR、複雜圖表、視覺定位、長時間 Agent 任務等生產場景，都可以維持一致表現。至於具體支援邊啲圖片格式，實際接入前亦應以最新 API 及模型文件為準。

有意試用嘅團隊，至少應該測試：

• 細字、模糊或壓縮失真截圖嘅文字辨識
• 圖表資料擷取及數字推理
• 視覺定位同多步工具調用
• 圖片內容模糊或不完整時嘅錯誤處理
• 延遲、記憶體用量及服務穩定性
• 端到端任務成功率，而唔係只睇單一 benchmark 分數

對多模態 AI 有咩意義？

呢次發布一次過結合三個趨勢：多模態能力、API-first 發布方式，以及較寬鬆授權嘅開放權重。DeepSeek 一方面畀開發者用託管 API 快速試驗，另一方面又公開足夠模型及推理資料，方便有需要嘅團隊自行研究、部署或改造系統。3 6

Vision-Exp 長遠價值，最終要睇獨立評測、真實工作負載可靠性，以及呢套實驗架構會唔會發展成穩定嘅正式多模態模型。現階段，最合適嘅理解係：佢係一個值得研究、適合用嚟測試視覺 Agent 嘅開放權重試驗場；但就未足以證明所有圖片理解工作流程都已經達到生產級水平。