DeepSeek终于能看图了，V4视觉模型MIT协议开源

DeepSeek V4系列首款原生支持图片输入的视觉模型DeepSeek-V4-Flash-Vision-Exp正式以MIT协议在Hugging Face开源，这款此前已于8月21日上线DeepSeek API平台的实验版模型，多模态Agent能力已接近行业顶尖的Opus-4.8，同步公开的还包括模型文件、Tokenizer、Prompt Encoding参考实现，以及覆盖视觉编码器、Aligner、DFlash Attention、MoE、Hyper-Connections与DSpark等核心模块的最小化PyTorch推理实现，支持本地部署和二次开发。

核心能力：视觉与文本能力双在线

该模型基于DeepSeek-V4-Flash架构，通过集成视觉模块并经过持续训练解锁视觉理解能力，支持JPEG、PNG、GIF、WebP四种图片格式，可完成图片描述、截图文字识别、图表分析、界面元素识别等视觉任务，同时完整保留了V4-Flash原有的Agent、推理、世界知识等纯文本能力。

官方公布的基准测试显示，在7项纯文本Agent任务中视觉版取得5胜1平1负，原有能力无损耗；多模态Agent任务表现大幅提升，DeepSWE得分59.3反超Opus-4.8，Agents’ Last Exam、ZeroBench（Pass@5）两项测试超越Opus-4.8登顶榜首，Toolathlon-Verified得分75.9仅落后Opus-4.8 0.3分，在高度复杂的数据科学任务上与Opus-4.8仍有10%左右差距。

技术特点：核心模块全量开源

此次开源覆盖了视觉模块的全部核心组件，延续了V4-Flash的MoE架构，总参数284B、每次推理激活13B，支持100万token超长上下文窗口，最大输出384K，支持思考模式（可设置high、max推理强度），兼容Chat Completions、Messages、Responses三种API格式，同时支持Anthropic API和对话前缀续写，适配LangChain、AutoGen、CrewAI等主流Agent框架。

图片按照尺寸折算成token，与文本token一同进入模型处理流程，单次请求最多可输入600张图片，图片最长边最高支持8192像素，提供low（缩放至512×512）、original（保留原图）、auto三种细节等级。

定价：沿用V4-Flash标准

图片按token计费，单张最高折算384个token，不额外收取视觉专项费用，计费标准与V4-Flash完全一致：空闲时段缓存命中输入0.05元/百万Token，缓存未命中输入1.5元/百万Token，输出4.5元/百万Token；高峰时段（9:00-12:00、14:00-18:00）对应价格分别为0.10元、3元、9元，同步上线的免费Files API支持图片先上传后按file_id复用，减少重复传输带宽开销。