DeepSeek ra mắt mô hình đa phương thức mã nguồn mở V4-Flash-Vision-Exp, hiệu năng tiệm cận Opus-4.8

Theo tin từ IT ngày 31 tháng 8, DeepSeek-V4-Flash-Vision-Exp, mô hình đa phương thức đầu tiên thuộc dòng DeepSeek V4, vừa chính thức ra mắt trên Hugging Face và được phát hành dưới giấy phép mã nguồn mở MIT License.

Các nội dung được công khai bao gồm tệp mô hình, Tokenizer, tài liệu tham khảo về Prompt Encoding, cùng với bản triển khai suy luận (inference) tối giản trên PyTorch, bao phủ các mô-đun cốt lõi như bộ mã hóa thị giác (vision encoder), Aligner, DFlash Attention, MoE, Hyper-Connections và DSpark.

Theo tìm hiểu của IT, DeepSeek-V4-Flash-Vision-Exp là mô hình thị giác đầu tiên trong dòng DeepSeek V4 hỗ trợ đầu vào hình ảnh gốc. Phiên bản này được phía nhà phát triển ghi chú rõ là bản thử nghiệm "Exp" và đã được đưa lên nền tảng DeepSeek API vào ngày 21 tháng 8 năm 2026.

Mô hình này hỗ trợ đầu vào là hình ảnh bên cạnh văn bản, cho phép mô hình mô tả hình ảnh, nhận diện văn bản trong ảnh chụp màn hình, phân tích biểu đồ, v.v. Các định dạng hình ảnh được hỗ trợ bao gồm JPEG, PNG, GIF và WebP.

DeepSeek cho biết, V4-Flash-Vision-Exp thể hiện khả năng thích ứng đa phương thức khá tốt trong các khung làm việc (framework) Agent khác nhau, hỗ trợ hiệu quả người dùng khai thác các công cụ Agent đa dạng để mở khóa nhiều kịch bản công việc thực tế. Đối với các tác vụ thuần văn bản như Agent, suy luận và kiến thức thế giới, mô hình này ngang bằng với phiên bản chính thức V4-Flash, giữ nguyên các ưu điểm vốn có. Trong các bài kiểm tra đánh giá (benchmark) Agent đòi hỏi khả năng hiểu thị giác, mô hình đã cải thiện đáng kể so với V4-Flash, với năng lực Agent đa phương thức tiệm cận mức Opus-4.8.