9 月初，DeepSeek 在 Hugging Face 上放出了 DeepSeek-V4-Flash-Vision-Exp——这是 V4 家族的第一个多模态实验模型，也是目前少数几个“开源权重 + MIT 协议”的前沿多模态大模型。它发布节奏很值得注意：8 月 21 日先在自家 API 上线，仅 10 天后（8 月 31 日）就公开了全部权重、分词器、视觉编码器和参考推理代码，任何人都可以下载、自托管、微调乃至商用。
先说核心亮点。模型基于 V4-Flash-0731 文本底座，约 305B 总参数，通过稀疏 MoE 路由，每次推理实际只激活约 13B 参数——也就是说用接近一个小模型的计算成本，换来超大模型的知识量。视觉侧新增了一个 32 层视觉编码器加一个 Aligner，把图片切成 14×14 像素小块再做压缩，每张图最多折算 384 个视觉 token。最关键的一点是：图片按“和文本完全一样的单价”计费。官方 API 输入约 0.22 美元/百万 token（谷时段，缓存命中仅 0.007 美元），这意味着给代码 Agent 截一次屏的成本不到一分钱，几乎可以忽略。
它和市面常见多模态模型的定位完全不同。官方反复强调，这不是给“人看图片描述”用的，而是给 AI Agent 用的“眼睛”——让智能体直接读取网页截图、软件界面、图表数据，然后调用工具执行任务。在官方自报的测试里，它在 DeepSWE（写代码 agent）拿到 59.3，比 Opus 4.8 还高，在 Agents’ Last Exam 也占优。因为这些数字是 DeepSeek 自家评估框架跑的、尚未完全可复现，参考时多留个心眼即可，但方向很清楚：多模态正在从“看图说话”走向“帮 Agent 干活”。
对普通开发者和企业，实用价值同样直接。MIT 协议不限制商用和二次分发，适合对数据隐私敏感、不愿把数据送出国外的团队自托管；社区出手也很快，Hugging Face 上已经有 7 个量化版本，可用于 llama.cpp、LM Studio 甚至 Ollama。如果你已经在用 V4-Flash 做文本 agent，只需要把模型 ID 换成 deepseek-v4-flash-vision-exp，再让提示词带上图片，就能白捡一份多模态能力。期待它在打磨后推出正式稳定版，把“多模态 Agent”真正带进中小团队的日常工作中。