এইমাত্র, DeepSeek V4-এর প্রথম মাল্টিমোডাল মডেল DeepSeek-V4-Flash-Vision-Exp Hugging Face-এ প্রকাশ করা হয়েছে এবং MIT License-এর অধীনে ওপেন সোর্স করা হয়েছে।
প্রকাশিত কনটেন্টের মধ্যে রয়েছে মডেল ফাইল, Tokenizer, Prompt Encoding-এর রেফারেন্স ইমপ্লিমেন্টেশন এবং ন্যূনতম PyTorch ইনফারেন্স ইমপ্লিমেন্টেশন। এতে ভিশন এনকোডার, Aligner, DFlash Attention, MoE, Hyper-Connections এবং DSpark-সহ মূল মডিউলগুলো অন্তর্ভুক্ত রয়েছে।
IT之家-এর জানা অনুযায়ী, DeepSeek-V4-Flash-Vision-Exp হলো DeepSeek V4 সিরিজের প্রথম ভিশন মডেল, যা স্বাভাবিকভাবে ছবি ইনপুট সমর্থন করে।官方ভাবে এটিকে “Exp” পরীক্ষামূলক সংস্করণ হিসেবে চিহ্নিত করা হয়েছে এবং এটি 2026 সালের 21 আগস্ট DeepSeek API প্ল্যাটফর্মে চালু হয়।
এই মডেল টেক্সটের পাশাপাশি ছবি ইনপুট সমর্থন করে। এটি ছবি বর্ণনা করতে, স্ক্রিনশটে থাকা লেখা শনাক্ত করতে এবং চার্ট বিশ্লেষণ করতে পারে। সমর্থিত ছবির ফরম্যাটের মধ্যে রয়েছে JPEG, PNG, GIF এবং WebP।
DeepSeek-এর পক্ষ থেকে জানানো হয়েছে, V4-Flash-Vision-Exp বিভিন্ন Agent ফ্রেমওয়ার্কে ভালো মাল্টিমোডাল অভিযোজন সক্ষমতা প্রদর্শন করেছে। এটি বৈচিত্র্যময় Agent টুল ব্যবহার করে আরও কার্যকর কাজের পরিস্থিতি উন্মোচনে সহায়তা করতে পারে। Agent, রিজনিং এবং বিশ্বজ্ঞান-সহ বিশুদ্ধ টেক্সটভিত্তিক কাজে এটি V4-Flash-এর আনুষ্ঠানিক সংস্করণের সমতুল্য এবং আগের সুবিধাগুলো সম্পূর্ণভাবে ধরে রেখেছে। ভিশন বোঝার প্রয়োজন এমন Agent বেঞ্চমার্ক পরীক্ষায় এটি V4-Flash-এর তুলনায় উল্লেখযোগ্যভাবে উন্নত এবং এর মাল্টিমোডাল Agent সক্ষমতা Opus-4.8-এর কাছাকাছি।