DeepSeek 的 V4 多模态模型，正式开源了。

就在刚刚，DeepSeek 在 Hugging Face 上线 DeepSeek-V4-Flash-Vision-Exp，采用 MIT License 开源。

公开内容包括模型文件、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。

DeepSeek 将它定义为 V4 家族第一款实验性多模态模型。

该模型基于 DeepSeek-V4-Flash，在原有架构中加入视觉模块，并经过持续训练获得图像理解能力，同时保留原来的文本、推理和 Agent 能力。

十天之后，DeepSeek 又进一步开源，也让本地部署、研究和二次开发由此成为可能。

相比传统多模态模型，DeepSeek 对 Vision 版本的定位明显偏向 Agent。

官方介绍中重点强调的也是 Multimodal Agent Capabilities，也就是让 Agent 能直接读取网页截图、软件界面、图表等视觉信息，再结合工具调用继续执行任务。

从测试结果来看，加入视觉能力之后，V4-Flash 原有的 Agent 能力基本没有受到影响。Terminal Bench 2.1 得分从 V4-Flash-0731 的 82.7 提升至 83.9，DeepSWE 从 54.4 提升至 59.3，高于 Opus-4.8 的 58.0；Toolathlon-Verified 也从 70.3 提升至 75.9，接近 Opus-4.8 的 76.2。

多模态 Agent 测试中的提升更加明显。

ApexBench Pass@1 达到 36.5，Agents' Last Exam 得分 27.3，高于 Opus-4.8 的 25.7；ZeroBench Pass@5 得分 35.0，同样超过 Opus-4.8 的 34.0。

从 V4-Flash、DeepSeek Harness，再到如今开源的 V4-Flash-Vision-Exp，DeepSeek 最近几次更新正在逐渐拼出一套更完整的 Agent 技术栈。

模型负责推理和工具调用，Harness 负责持续执行任务，Vision 则让 Agent 能够直接读取电脑世界里的视觉信息。

十天前，我们已经可以通过 API 调用这双「眼睛」。现在，DeepSeek 又把它真正交到了我们的手里。

源神启动！

欢迎回看 APPSO 此前文章：

附 Hugging Face 地址：

https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-Vision-Exp