9 月 1 日前后，DeepSeek 在 Hugging Face 上线了 V4 家族首个实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp。305B 参数、MIT 协议、权重全开，这是 DeepSeek 第一次把"看得见"的能力放进 V4 系列。

这个模型是干什么的

先看定位：它不是拿来"看图说话"的。官方口径很明确——多模态 Agent 能力。也就是说，模型要干的是"看了屏幕、图表、界面之后，自己去操作、去完成任务"，而不是人类问一句"图里有什么"它答一句。这个定位和市面上多数视觉模型不一样，它对标的是"给智能体长眼睛"。

技术上，它是在 DeepSeek-V4-Flash 架构上接视觉编码器和 Aligner，再做持续训练获得视觉理解。底层还是 MoE、DFlash attention、Hyper-Connections、DSpark 投机解码这套 DeepSeek 自家架构，等于在原模型上加视觉模块，不是另起炉灶。所以纯文本能力基本没动，视觉能力是"加上去的增量"。

从官方模型卡的评测数据看：多模态 Agent 指标上，ApexBench（Pass@1）36.5，比不带视觉的 V4-Flash-0731 的 26.2 明显高一截，据报道已接近 Opus-4.8 的 39.4；Agents’ Last Exam 27.3、Chartography 64.3、ZeroBench（Pass@5）35.0。而纯文本 Agent 任务基本持平：Terminal Bench 2.1 是 83.9、DeepSWE 59.3、Toolathlon-Verified 75.9。翻译成大白话：加了眼睛，原来的文本本事没丢。

对做 AI 应用的人来说，这事的信号是：开源模型开始把视觉理解往"Agent 干活"方向做，而不是堆一个什么都能聊的多模态聊天机器人。MIT 协议意味着商用、改权重都放开，不用跟厂商谈授权。

怎么用、怎么部署

官方仓库里带了 tokenizer、prompt 编码参考和最小 PyTorch 推理实现，支持两种 prompt 写法：OpenAI 风格的 JSON 消息，以及 <image>path</image> 这种紧凑文本记法。

部署可以走 vLLM，官方给的示例是单机 4×GB300：

docker run --gpus all \
  vllm/vllm-openai:deepseekv4-flash-vision deepseek-ai/DeepSeek-V4-Flash-Vision-Exp \
    --kv-cache-dtype fp8 \
      --block-size 256 \
        --tensor-parallel-size 4 \
          --tool-call-parser deepseek_v4 \
            --enable-auto-tool-choice \
              --reasoning-parser deepseek_v4
              ```
SGLang 也支持，打开 DSpark 投机解码即可：

```bash
sglang serve \
  --model-path deepseek-ai/DeepSeek-V4-Flash-Vision-Exp \
    --tp 4 \
      --speculative-algorithm DSPARK \
        --host 0.0.0.0 \
          --port 30000
          ```
社区适配也很快：unsloth 已经出了 GGUF 量化版，llama.cpp、LM Studio、Ollama 生态里也有量化版本。API 方面，据报道价格和 V4-Flash 保持一致，不想自建的话直接调接口。

**几个坑提前说**

第一，305B 是总参数量，它是 MoE 架构，单次推理激活的参数没那么多，但显存门槛依然不低，官方示例直接 4 张 GB300 起步。个人电脑别指望全量本地跑，想玩就上量化版或者 API。

第二，名字带 Exp，是实验模型。官方自己也说了主打多模态 Agent，纯文本任务和 V4-Flash-0731 一个水平——只要文本能力的话，没必要为这个换模型。

第三，评测分数和"生产环境稳定干活"之间还有距离。Agent 类评测场景窄，落地时工具调用、环境适配这些坑还得自己踩。

对普通开发者，值得做的就一件事：把"让模型看截图、读图表、操作界面"这几个场景在自己的业务里过一遍，看哪些活能交出去。视觉 Agent 这条赛道，开源这边算正式开跑了。你怎么看，评论区聊聊。