DeepSeek V4 Flash Vision

DeepSeek V4 Flash Vision — первая мультимодальная модель в семействе V4. Она построена на архитектуре DeepSeek-V4-Flash (смесь экспертов, 284B параметров, 13B активных у базовой Flash) с добавленными визуальными модулями и дообучением на смешанных данных. Веса выложены в открытом доступе под лицензией MIT, так что модель можно запускать самостоятельно.

Основная задача — анализ изображений в сочетании с текстовым запросом: картинки передаются через API в base64, по ссылке или через Files API, каждое изображение занимает до 384 токенов. При этом модель ничего не рисует и не генерирует изображения — результатом всегда является текст. По заявлению разработчика, в текстовых задачах (агенты, рассуждения, знания) она не уступает обычной V4-Flash, а в мультимодальных агентных сценариях заметно её опережает: например, на ApexBench разница составляет 36.5 против 26.2, на Toolathlon-Verified — 75.9 против 70.3, на Terminal Bench 2.1 — 83.9 против 82.7. Модель работала в агентных фреймворках с вызовом инструментов и принимала смешанные запросы из текста и картинок.

Контекстное окно составляет около 1,05 млн токенов — в config.json модели указано значение 1M, и с апреля 2026 года DeepSeek придерживается стандарта в 1M токенов для своих сервисов. Обслуживается через Chat Completions, Messages и Responses.

Модель прожила в API меньше месяца: 10 сентября 2026 года её сняли с выходом DeepSeek-V4.1-Flash, которая умеет работать с изображениями нативно. Идентификатор deepseek-v4-flash-vision-exp продолжает приниматься, но запросы уже обслуживает V4.1-Flash по цене Flash. Сами веса остаются доступными, поэтому экспериментальную версию всё ещё можно использовать локально или через сторонние решения.