DeepSeek-V4-Flash-Vision-Exp 模型开源，具备原生图片输入能力

在当前大型语言模型快速迭代和能力边界不断拓展的背景下，DeepSeek 发布了 DeepSeek-V4-Flash-Vision-Exp 模型，该模型已在 Hugging Face 上线并采用 MIT License 开源。此次开源标志着 DeepSeek V4 系列迈出了原生支持图片输入的里程碑式一步。

根据公开资料，DeepSeek-V4-Flash-Vision-Exp 是 DeepSeek V4 系列首款明确标注为“Exp”实验版本的视觉模型，其核心能力在于能够处理文本之外的图像输入。这意味着用户可以通过该模型让系统描述图片内容、识别截图中的文字信息，以及分析图表等复杂的视觉任务。

本次开源的内容包非常详尽，公开内容包括了完整的模型文件、Tokenizer、Prompt Encoding 的参考实现，此外还提供了最小化的 PyTorch 推理实现。这些核心模块覆盖了视觉编码器、Aligner、DFlash Attention、MoE（混合专家）结构、Hyper-Connections 以及 DSpark 等多个关键技术组件，为社区研究和二次开发提供了坚实的基础。

从模型能力层面来看，深度求索官方表示，DeepSeek-V4-Flash-Vision-Exp 在各类 Agent 框架内展现出了较好的多模态适配能力。在需要视觉理解的 Agent 基准测试中，DeepSeek-V4-Flash-Vision-Exp 相较于 DeepSeek-V4-Flash 版本有了大幅度的提升。

值得注意的是，尽管增加了强大的视觉处理模块，但该模型并未牺牲其原有优势。深度求索官方指出，在 Agent、推理以及世界知识等纯文本任务上，DeepSeek-V4-Flash-Vision-Exp 与 DeepSeek-V4-Flash 正式版的能力水平是持平的，确保了用户体验的连续性和稳定性。

从技术演进的角度看，本次发布体现了模型架构向更全面多模态融合的趋势。以往的模型可能需要通过特定模块或流程来接入视觉信息，而 DeepSeek-V4-Flash-Vision-Exp 的原生支持，意味着视觉和文本的处理可以在更底层、更统一的框架内进行协同工作。

对于开发者而言，本次开源极大地降低了使用前沿多模态模型的技术门槛。由于提供了最小化的 PyTorch 推理实现，研究人员可以直接上手测试其核心流程，而无需从零开始搭建复杂的推理环境，这为学术界和工业界的快速应用打下了基础。

需要明确的是，DeepSeek-V4-Flash-Vision-Exp 被官方标记为“Exp”实验版本。这意味着虽然能力强大且具有前瞻性，但其在实际部署中可能仍包含实验性的优化点或待完善的细节，用户在使用时应结合其实验性质进行评估。

综上所述，DeepSeek-V4-Flash-Vision-Exp 的开源，标志着 DeepSeek 在多模态 Agent 领域迈出了重要一步。它不仅提升了模型处理视觉信息的广度和深度，同时也保证了在传统文本任务上的性能基线，为后续更复杂的、结合视觉和推理的实际应用场景提供了强有力的技术支撑。