Vừa mới đây, mô hình đa phương thức đầu tiên của DeepSeek V4 là DeepSeek-V4-Flash-Vision-Exp đã được phát hành trên Hugging Face và mã nguồn mở theo MIT License.
Nội dung công khai bao gồm tệp mô hình, Tokenizer, mã tham chiếu Prompt Encoding và mã suy luận PyTorch tối giản, bao phủ các mô-đun cốt lõi như bộ mã hóa thị giác, Aligner, DFlash Attention, MoE, Hyper-Connections và DSpark.
Theo thông tin IT之家 tìm hiểu, DeepSeek-V4-Flash-Vision-Exp là mô hình thị giác đầu tiên trong dòng DeepSeek V4 hỗ trợ gốc đầu vào hình ảnh. Đây là phiên bản thử nghiệm được phía chính thức đánh dấu là “Exp”, và đã ra mắt trên nền tảng DeepSeek API vào ngày 21 tháng 8 năm 2026.
Mô hình này hỗ trợ nhập hình ảnh bên cạnh văn bản, cho phép mô hình mô tả hình ảnh, nhận diện văn bản trong ảnh chụp màn hình và phân tích biểu đồ. Các định dạng hình ảnh được hỗ trợ gồm JPEG, PNG, GIF và WebP.
DeepSeek cho biết V4-Flash-Vision-Exp thể hiện khả năng thích ứng đa phương thức tốt trong nhiều khung Agent, có thể hỗ trợ hiệu quả việc sử dụng các công cụ Agent đa dạng để mở ra thêm nhiều tình huống làm việc thiết thực. Ở các tác vụ thuần văn bản như Agent, suy luận và kiến thức thế giới, mô hình tương đương bản chính thức V4-Flash và vẫn giữ nguyên đầy đủ các ưu thế trước đó. Trong các bài kiểm tra chuẩn Agent yêu cầu khả năng hiểu thị giác, mô hình cải thiện đáng kể so với V4-Flash, với năng lực Agent đa phương thức đã tiệm cận Opus-4.8.