DeepSeek-V4首款多模态模型到底怎么样

一、产品发布

• DeepSeek-V4-Flash-Vision-Exp 于 8 月 31 日在 Hugging Face 开放权重，开发者可直接下载自行部署，是 V4 系列首款实验性多模态模型。
• 规模约3050 亿参数，基于 V4-Flash 架构，通过加入视觉模块并继续训练获得图片处理能力。
• 官方仓库包含视觉编码器、Aligner 等组件的参考推理实现，覆盖 DFlash Attention、MoE、Hyper-Connections 和 DSpark 等。

二、核心能力

• 不再只能依赖文字描述，可识别照片内容、读取截图文字、分析图表，并将图片作为 Agent 工作流的一部分。
• 典型任务：制作 PPT、读取和修改网页、生成带动态效果的前端页面 —— 本质是 "先理解视觉内容，再结合代码、推理和工具调用完成操作"。

三、性能表现

多模态能力（对比 Claude Opus 4.8）：

测试	V4-Flash-Vision-Exp	Opus-4.8
ApexBench (Pass@1)	36.5	39.4
Chartography	64.3	65.0
Agents' Last Exam	27.3	25.7
ZeroBench (Pass@5)