DeepSeek开源首款多模态模型V4-Flash-Vision，给Agent装上”眼睛”

会懂网AI资讯，9月5日，DeepSeek于8月31日在Hugging Face开源V4-Flash-Vision-Exp模型权重（MIT协议），这是V4家族首款多模态模型，规模约3050亿参数。官方强调，这双”眼睛”不是给人看图，而是给Agent用。

该模型在V4-Flash架构上加入视觉模块，能直接读取网页截图、软件界面、图表后调用工具执行任务。基准上，其DeepSWE得分达59.3，超过Claude Opus 4.8的58.0，多模态Agent能力”接近Opus 4.8″。这一步补齐了DeepSeek”模型+Harness+视觉”的Agent技术栈拼图。
与面向人类的图像生成不同，V4-Flash-Vision的设计目标是”为Agent装眼睛”。在智能体工作流中，模型需要理解屏幕内容、识别按钮与报错、读取图表数据，传统纯文本模型在此束手无策，而视觉能力的加入让Agent真正能”看”懂操作环境。
以MIT协议开源，意味着开发者可自由下载、修改与商用，延续了DeepSeek一贯的开放策略。该模型发布后迅速在开发者社区获得部署，成为开源多模态Agent领域的一支重要力量。
从行业趋势看，Agent正成为大模型竞争的新主战场。能否理解图形界面、操作软件、完成端到端任务，比单纯的语言能力更贴近真实生产力。DeepSeek此举，进一步降低了”视觉Agent”的技术与门槛。
会懂网观察，V4-Flash-Vision的发布，表明DeepSeek的重心正从”对话模型”转向”能干的Agent”。当开源模型也能”看图办事”，企业在自动化、RPA替代与软件操作上的想象空间将被显著打开。