DeepSeek 推出实验性多模态模型 V4-Flash-Vision-Exp

DeepSeek 发布其 V4 系列首个实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp，基于 V4-Flash 架构加入视觉模块并持续训练，以解锁视觉理解能力。在多项文本智能体与多模态智能体基准测试中，该模型相对 V4-Flash-0731 在多模态能力上有明显提升，同时文本任务表现保持相当。

这是 DeepSeek-V4 系列首次引入多模态能力，从纯文本模型扩展至视觉理解，标志着其模型能力范围的实质性扩展。基准测试显示多模态智能体任务（如 ApexBench、Agents' Last Exam）上较此前版本有明显提升，且文本能力基本持平。

该模型在 V4-Flash 架构基础上集成视觉模块，并通过持续训练解锁视觉理解能力。多模态提升可能来自视觉编码器与语言模型的融合，以及针对多模态智能体任务的专门优化；而文本任务能力保持不变，说明视觉模块的加入未对原有文本处理能力造成显著干扰。

对于使用 DeepSeek 模型的产品，可引入该模型实现基于视觉的智能体功能，例如理解截图、图表或屏幕内容并执行操作。同时需注意其仍为实验版本，实际应用前应评估其稳定性和特定场景下的性能。

• 开发基于截图的自动化测试或 UI 操作智能体，利用其 ApexBench 表现提升的视觉理解能力。
• 在数据可视化工具中集成图表解析功能，参考 Chartography 基准能力。
• 为 agent 产品增加多模态输入支持，处理含图片的指令，提升复杂任务完成率。

• DeepSeek-V4-Flash-Vision-Exp 的视觉模块具体架构和训练数据细节未披露。
• 该模型在真实产品场景中的推理速度和成本尚未有数据。
• 许可证和商用权限条件尚不明确。
• 实验版本后续是否会正式发布稳定版并集成至 API 服务未说明。