DeepSeek-V4-Flash-Vision-Exp

DeepSeek-V4-Flash-Vision-Exp to pierwszy eksperymentalny model multimodalny w rodzinie DeepSeek-V4. Powstał przez rozszerzenie architektury DeepSeek-V4-Flash o moduły wizyjne (koder ViT i aligner) oraz dalsze trenowanie odblokowujące rozumienie obrazu.

Model działa w trybie image-text-to-text: przyjmuje obraz i tekst, a generuje tekst. Architektura opiera się na Mixture-of-Experts (256 ekspertów routowanych, 6 aktywnych na token, 1 współdzielony), mechanizmie uwagi DFlash, Hyper-Connections oraz ścieżce DSpark (dekodowanie spekulatywne). Wagi są kwantyzowane do FP8, a okno kontekstowe sięga 1 048 576 tokenów (skalowanie YaRN).

Wobec DeepSeek-V4-Flash-0731 model osiąga wyraźną poprawę w multimodalnych zadaniach agentowych przy zachowaniu porównywalnej jakości w zadaniach tekstowych. Wagi udostępniono na Hugging Face na licencji MIT; model można uruchomić lokalnie przez vLLM lub SGLang.