DeepSeek-V4-Flash-Vision-Exp 是 DeepSeek V4 系列首款實驗性多模態模型。它以 V4-Flash 架構為基礎，加入視覺模組並持續訓練，讓模型能同時接收文字與圖片，重點在視覺理解，而不是生成圖片。2 6

模型於 2026 年 8 月 21 日先透過 DeepSeek API 開放，識別碼為 deepseek-v4-flash-vision-exp；8 月 31 日，DeepSeek 再於 Hugging Face 公開可下載的模型權重與推理資源，採用 MIT 授權。3 6

它能做什麼？

Vision-Exp 主要針對需要結合語言推理與圖片輸入的任務，例如：

• 描述圖片內容
• 讀取及解讀截圖中的文字
• 分析圖表與視覺文件
• 支援多模態 Agent 工作流程

在目前列出的 V4 API 模型中，只有 Vision-Exp 被明確列為可接收圖片輸入的模型；DeepSeek-V4-Flash 與 DeepSeek-V4-Pro 在該目錄中仍屬純文字模型。1 2

這也使本次發布不只是一般的版本更新：它把視覺理解能力帶進原本集中於文字、推理與 Agent 任務的模型家族，同時提供託管 API 與可下載的模型資源。3 6

Hugging Face 上公開了哪些內容？

DeepSeek 公開的儲存庫並非只有一份模型 checkpoint，還包含：

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

參考實作涵蓋多個核心元件，包括：

• 視覺編碼器與 Aligner
• DFlash Attention
• Mixture-of-Experts（MoE）路由
• Hyper-Connections
• DSpark 前向傳播路徑 6

對開發團隊而言，這比單獨取得權重更具實用性。團隊可以檢視提示詞處理方式、重現基本推理流程，並嘗試將模型接入既有的模型服務或 Agent 基礎設施，而不必完全依賴封閉式的專有編排系統。6

基準測試表現如何？

DeepSeek 表示，Vision-Exp 在純文字 Agent 任務上的整體表現，與 DeepSeek-V4-Flash-0731 大致相當；在多模態 Agent 任務上則有顯著提升。6

在 DeepSeek 公布的文字 Agent 比較中，Vision-Exp 與 V4-Flash-0731 的分數如下：

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

Vision-Exp 在多模態 Agent 評測中的公布分數則為：

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

DeepSeek 將這組視覺 Agent 表現形容為接近 Claude Opus 4.8。在部分比較中，Vision-Exp 的 ApexBench 為 36.5，Claude Opus 4.8 為 39.4；Chartography 則是 64.3 對 65.0。6

不過，這些數字不能直接解讀為全面等同。DeepSeek 指出，V4-Flash 在 ApexBench 與 Agents’ Last Exam 中忽略了多模態輸入，因此兩者的差距並不是在完全相同的多模態條件下測得。此外，這些結果由模型開發者自行公布，也不能取代獨立評測或對實際生產環境的保證。6

API 與自託管：兩種使用路線

MIT 授權與可下載儲存庫，讓團隊不必只能透過 API 使用模型。視硬體、資料安全與營運條件而定，開發者可以研究本機、私有雲或一般 GPU 伺服器部署，避免所有請求都送往託管端點。3 6

模型卡也記載了 Transformers、vLLM、SGLang 與 Docker 等部署路徑，以及下游量化版本。對已經採用標準模型服務或 Agent 技術堆疊的團隊而言，這可能降低整合成本。6

若自託管的硬體與維運成本過高，API 仍是較簡單的選擇。呼叫實驗模型時使用以下識別碼：

deepseek-v4-flash-vision-exp

兩種模式各有取捨：API 著重操作便利，自建部署則提供較多的資料處理、客製化與環境控制權。無論採用哪一種方式，開發者都仍需評估模型品質、記憶體用量、延遲，以及錯誤行為是否符合目標應用的要求。

「Exp」代表什麼？

名稱中的「Exp」不是單純的產品包裝，而是對成熟度的明確提醒。DeepSeek 將 Vision-Exp 定義為實驗性模型。1 6

因此，即使模型在特定基準測試中接近另一個模型，也不應直接視為全面 parity。現有證據尚不足以獨立證明它在密集型截圖、困難 OCR、複雜圖表、視覺定位、長時間 Agent 工作流程或其他生產負載中，都能維持一致表現。至於具體支援哪些圖片格式，也應在導入前查閱當時適用的 API 與模型文件。

考慮採用 Vision-Exp 的團隊，至少應測試：

• 小字、模糊或低畫質截圖中的文字辨識
• 圖表資料擷取與數值推理
• 視覺定位及多步驟工具使用
• 圖片內容不完整或含糊時的錯誤處理
• 延遲、記憶體消耗與服務穩定性
• 端到端任務成功率，而不只是基準測試分數

這次發布的策略意義

Vision-Exp 將三個趨勢放在同一個發布中：多模態能力、API 優先的推出方式，以及採用較寬鬆授權的開放權重。DeepSeek 一方面提供託管服務，讓開發者可以快速試用；另一方面也公開模型與推理相關資源，讓有需要的團隊自行研究、部署或調整系統。3 6

它的長期影響，仍取決於獨立評測能否驗證視覺 Agent 的提升，以及這套實驗性架構是否會發展成穩定的正式多模態模型。現階段，較適合把 DeepSeek-V4-Flash-Vision-Exp 視為一個具潛力的開放權重視覺 Agent 測試平台，而不是所有圖片理解工作都已達到生產就緒的證明。

DeepSeek-V4-Flash-Vision-Exp 是 DeepSeek V4 系列首款實驗性多模態模型。它以 V4-Flash 架構為基礎，加入視覺模組並持續訓練，讓模型能同時接收文字與圖片，重點在視覺理解，而不是生成圖片。2 6

模型於 2026 年 8 月 21 日先透過 DeepSeek API 開放，識別碼為 deepseek-v4-flash-vision-exp；8 月 31 日，DeepSeek 再於 Hugging Face 公開可下載的模型權重與推理資源，採用 MIT 授權。3 6

它能做什麼？

Vision-Exp 主要針對需要結合語言推理與圖片輸入的任務，例如：

• 描述圖片內容
• 讀取及解讀截圖中的文字
• 分析圖表與視覺文件
• 支援多模態 Agent 工作流程

在目前列出的 V4 API 模型中，只有 Vision-Exp 被明確列為可接收圖片輸入的模型；DeepSeek-V4-Flash 與 DeepSeek-V4-Pro 在該目錄中仍屬純文字模型。1 2

這也使本次發布不只是一般的版本更新：它把視覺理解能力帶進原本集中於文字、推理與 Agent 任務的模型家族，同時提供託管 API 與可下載的模型資源。3 6

Hugging Face 上公開了哪些內容？

DeepSeek 公開的儲存庫並非只有一份模型 checkpoint，還包含：

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

參考實作涵蓋多個核心元件，包括：

• 視覺編碼器與 Aligner
• DFlash Attention
• Mixture-of-Experts（MoE）路由
• Hyper-Connections
• DSpark 前向傳播路徑 6

對開發團隊而言，這比單獨取得權重更具實用性。團隊可以檢視提示詞處理方式、重現基本推理流程，並嘗試將模型接入既有的模型服務或 Agent 基礎設施，而不必完全依賴封閉式的專有編排系統。6

基準測試表現如何？

DeepSeek 表示，Vision-Exp 在純文字 Agent 任務上的整體表現，與 DeepSeek-V4-Flash-0731 大致相當；在多模態 Agent 任務上則有顯著提升。6

在 DeepSeek 公布的文字 Agent 比較中，Vision-Exp 與 V4-Flash-0731 的分數如下：

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

Vision-Exp 在多模態 Agent 評測中的公布分數則為：

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

DeepSeek 將這組視覺 Agent 表現形容為接近 Claude Opus 4.8。在部分比較中，Vision-Exp 的 ApexBench 為 36.5，Claude Opus 4.8 為 39.4；Chartography 則是 64.3 對 65.0。6

不過，這些數字不能直接解讀為全面等同。DeepSeek 指出，V4-Flash 在 ApexBench 與 Agents’ Last Exam 中忽略了多模態輸入，因此兩者的差距並不是在完全相同的多模態條件下測得。此外，這些結果由模型開發者自行公布，也不能取代獨立評測或對實際生產環境的保證。6

API 與自託管：兩種使用路線

MIT 授權與可下載儲存庫，讓團隊不必只能透過 API 使用模型。視硬體、資料安全與營運條件而定，開發者可以研究本機、私有雲或一般 GPU 伺服器部署，避免所有請求都送往託管端點。3 6

模型卡也記載了 Transformers、vLLM、SGLang 與 Docker 等部署路徑，以及下游量化版本。對已經採用標準模型服務或 Agent 技術堆疊的團隊而言，這可能降低整合成本。6

若自託管的硬體與維運成本過高，API 仍是較簡單的選擇。呼叫實驗模型時使用以下識別碼：

deepseek-v4-flash-vision-exp

兩種模式各有取捨：API 著重操作便利，自建部署則提供較多的資料處理、客製化與環境控制權。無論採用哪一種方式，開發者都仍需評估模型品質、記憶體用量、延遲，以及錯誤行為是否符合目標應用的要求。

「Exp」代表什麼？

名稱中的「Exp」不是單純的產品包裝，而是對成熟度的明確提醒。DeepSeek 將 Vision-Exp 定義為實驗性模型。1 6

因此，即使模型在特定基準測試中接近另一個模型，也不應直接視為全面 parity。現有證據尚不足以獨立證明它在密集型截圖、困難 OCR、複雜圖表、視覺定位、長時間 Agent 工作流程或其他生產負載中，都能維持一致表現。至於具體支援哪些圖片格式，也應在導入前查閱當時適用的 API 與模型文件。

考慮採用 Vision-Exp 的團隊，至少應測試：

• 小字、模糊或低畫質截圖中的文字辨識
• 圖表資料擷取與數值推理
• 視覺定位及多步驟工具使用
• 圖片內容不完整或含糊時的錯誤處理
• 延遲、記憶體消耗與服務穩定性
• 端到端任務成功率，而不只是基準測試分數

這次發布的策略意義

Vision-Exp 將三個趨勢放在同一個發布中：多模態能力、API 優先的推出方式，以及採用較寬鬆授權的開放權重。DeepSeek 一方面提供託管服務，讓開發者可以快速試用；另一方面也公開模型與推理相關資源，讓有需要的團隊自行研究、部署或調整系統。3 6

它的長期影響，仍取決於獨立評測能否驗證視覺 Agent 的提升，以及這套實驗性架構是否會發展成穩定的正式多模態模型。現階段，較適合把 DeepSeek-V4-Flash-Vision-Exp 視為一個具潛力的開放權重視覺 Agent 測試平台，而不是所有圖片理解工作都已達到生產就緒的證明。