根据公开资料，当前阶段的核心信息是DeepSeek公布了V4-Flash-Vision-Exp模型的权重，该模型作为V4系列首款实验性多模态模型，建立在V4-Flash架构之上。这一发布标志着DeepSeek在多模态能力方面迈出了重要一步。
回顾已完成的步骤来看，DeepSeek于十天前公布了V4-Flash-Vision-Exp模型，该模型的规模约为3050亿参数。这为研究人员和开发者提供了一个可供深入研究和测试的资源点。
在关键性能指标方面，DeepSeek的V4-Flash-Vision-Exp模型与Anthropic多模态大模型Claude Opus 4.8进行了对比测试。具体到ApexBench测试中，DeepSeek的V4-Flash-Vision-Exp Pass@1得分为36.5，低于Anthropic多模态大模型Claude Opus 4.8的39.4分。然而，在Agents' Last Exam测试中，DeepSeek取得了27.3分，高于Anthropic多模态大模型Claude Opus 4.8的25.7分。此外，在ZeroBench测试中，DeepSeek的Pass@5成绩为35.0，也高于Anthropic多模态大模型Claude Opus 4.8的34.0。
从技术迭代的角度看，V4-Flash-Vision-Exp版本相比其前身V4-Flash-0731有了提升。在Terminal Bench 2.1测试中，V4-Flash-Vision-Exp版本取得了83.9分，而此前DeepSeek V4-Flash-0731的成绩为82.7分。
关于模型输入和处理流程，根据DeepSeek API文档，该模型支持JPEG、PNG、GIF和WebP图片格式，并且可以接收单张或多张图片。值得注意的是，进入模型的图片会根据尺寸进行缩放，较大的图片最终会被压缩到总像素量约相当于800×800的水平。
在纯文本能力方面，DeepSeek将V4的纯文本能力概括为与V4-Flash“持平”，这表明其基础语言理解和生成能力保持了稳定的高水准。
时间线梳理显示，此次公布的V4-Flash-Vision-Exp模型权重开放，是DeepSeek在多模态领域持续推进的关键节点。从前一个版本到当前实验性模型的发布，体现了公司对提升跨模态处理能力的不懈努力。
影响分析方面，不同测试集上的表现差异（如ApexBench与Agents' Last Exam的对比）提示用户在使用该模型时，需要根据具体的应用场景和评估维度来判断其相对优势。例如，在Agent任务执行层面，DeepSeek V4-Flash-Vision-Exp展现出领先性。
读者提示：对于关注多模态AI性能的用户，建议重点关注不同基准测试（如ApexBench、Agents' Last Exam等）的得分差异，而非单一指标的绝对高低，以全面评估模型在特定任务上的适用性。同时，了解其对输入图片格式和尺寸的处理机制也是关键的技术细节。
来源限定说明：以上所有信息均基于观察者网报道的公开资料进行梳理，仅限于该单篇来源提供的内容，不代表其他任何第三方机构的评估或结论。
信息来源
本文基于上述公开资料整理，未使用来源页面的图片、视频或嵌入媒体。