DeepSeek 发布首个视觉多模态模型：专为 Agent“读图”打造

DeepSeek 在 Hugging Face 上开源了其首款多模态实验模型 DeepSeek-V4-Flash-Vision-Exp。与主打视觉问答的传统多模态模型不同，这款拥有 305B 参数的模型被明确定义为“Agent 专用”，旨在让智能体具备读取软件界面、网页截图及图表的能力，从而实现更高效的工具调用与任务执行。

模型开源内容十分详尽，涵盖了视觉编码器、Aligner 以及核心推理逻辑，社区响应迅速，目前已适配 llama.cpp、Ollama 等量化环境。在性能表现上，该模型在多模态 Agent 基准测试中的表现已超越 Claude Opus 4.8，展示了强大的视觉理解潜力。这也是 DeepSeek 继 API 服务后，将多模态能力下放给开源社区的重要落子。

从技术布局来看，DeepSeek 正在拼装完整的 Agent 技术栈：由模型负责推理与调用，Vision 视觉模型负责感知与信息读取。这种“先商用 API 再开源权重”的策略，凸显了 DeepSeek 在推动 Agent 行业标准中的野心。随着此次开源，开发者将能更便捷地构建能够“直面电脑屏幕”的自动化智能体。