DeepSeek开源了V4系列第一个能看图的模型，3050亿参数，MIT协议

DeepSeek-V4-Flash-Vision-Exp 放出来了，权重在 Hugging Face，API 同步上线，官网文档和定价当天下午就更新完了。

名字里的 Exp 是实验性的意思，这是 V4 系列第一个多模态模型。做法不是重新训一个，而是在现成的 V4-Flash 架构上挂视觉模块继续训，总参数 3050 亿。

官方给的对比数据里，多模态 agent 那一栏的提升最明显：ApexBench 从 26.2 涨到 36.5。纯文本 agent 任务的表现跟之前的 V4-Flash-0731 基本持平——也就是说加视觉没把文本能力吃掉，这在”缝视觉模块”这条路上算是过关了。

许可证给的是 MIT。这个选择比模型本身更值得说一句：MIT 意味着商业集成、二次开发、闭源再分发都不设障碍，比一堆带附加条款的”开源”宽松得多。

能看图之后，模型可以直接读图表、截图、界面，再配合外部工具去完成 Agent 任务，而不是只能处理纯文本指令。对做自动化流程的人来说，少了一层 OCR 或者图像描述的中转。

标着 Exp，说明 DeepSeek 自己也没把它当成终态。V4 系列的正式多模态版本大概还在后面。