🎯 AI大模型 · 国产模型

DeepSeek-V4首款多模态模型开源，多项基准测试超越Claude Opus 4.8，国产多模态AI正式"睁眼"

一、多模态"睁眼"，开源让全球开发者免费用

8月31日上午，DeepSeek在Hugging Face开放了DeepSeek-V4-Flash-Vision-Exp模型权重，这是V4系列首款实验性多模态模型，采用MIT License开源。开发者可直接下载模型权重并自行部署，涵盖视觉编码器、Aligner、DFlash Attention、MoE、Hyper-Connections等核心模块。从"只能听"到"能看会想"，DeepSeek终于补上了视觉能力的最后一块拼图。

该模型基于V4-Flash架构，通过加入视觉模块并继续训练，使模型获得图像理解能力。DeepSeek展示的案例包括根据要求制作PPT、读取和修改网页、生成带动态效果的前端页面。这类任务的核心不是传统意义上的识图，而是模型需要先理解视觉内容，再结合代码、推理和工具调用完成后续操作。开源后的模型总规模约3050亿参数，支持JPEG、PNG、GIF、WebP格式图片，可接收单张或多张图片输入。

二、基准测试超越Opus 4.8，国产多模态站上世界之巅

在四项多模态基准测试中，V4-Flash-Vision-Exp有两项超越Anthropic的Claude Opus 4.8。在Agents' Last Exam中，DeepSeek取得27.3分，高于Opus 4.8的25.7分；ZeroBench的Pass@5成绩为35.0，也高于Opus 4.8的34.0分。在Terminal Bench 2.1中，Vision版本取得83.9分，此前V4-Flash-0731为82.7分；DeepSWE从54.4升至59.3，超过官方列出的Opus 4.8的58.0分。值得注意的是，加入视觉能力后，V4的纯文本Agent能力不仅没有下降，反而在某些任务上有所提升。

当然，新模型并非完美。在NL2Repo测试中，Vision版本得分为57.7，明显低于Opus 4.8的69.7；CyberGym则由此前的76.7下降到75.3。DeepSeek官方将其纯文本能力概括为与V4-Flash"持平"。有分析指出，模型的视觉能力目前更偏向"理解+操作"而非"高清细节读取"，这是一个更务实的技术路线选择——先解决真实场景的视觉Agent需求，而非追求视觉能力的极致。

三、开源战略背后的深意：用生态换时间

DeepSeek选择开源而非闭源，背后是清晰的战略考量。开源MIT License意味着全球开发者可以免费商用，这将加速V4多模态能力在各类应用中的落地。从GitHub到Hugging Face，到各类AI编程工具，DeepSeek正在构建一个围绕国产模型的全球开发者生态。当OpenAI和Anthropic还在为闭源模型的高昂定价发愁时，DeepSeek用开源策略快速占领开发者心智。

与此同时，DeepSeek在Hugging Face上的模型下载量持续攀升，社区贡献者和二次开发者正在基于V4系列构建更多多模态应用。从技术演进看，V4系列从纯文本到多模态的跨越，标志着国产大模型正式进入"全能力竞争"时代。当全球AI竞争从语言智能走向多模态智能，DeepSeek用开源策略给出的答案可能是：真正的技术自信，是敢于让全世界看见。

综合观察者网、科创板日报、Hugging Face报道 | 2026年9月2日