DeepSeek-V4-Flash-Vision-Exp — новый мультимодальный ИИ от DeepSeek

Что произошло

Китайская компания DeepSeek представила экспериментальную версию своей мультимодальной модели DeepSeek-V4-Flash-Vision-Exp. Это первая модель в линейке DeepSeek-V4, которая научилась работать не только с текстом, но и с изображениями.

Модель построена на архитектуре DeepSeek-V4-Flash с добавлением визуальных модулей. После дополнительного обучения она приобрела способность понимать изображения, сохраняя при этом высокую производительность в чисто текстовых задачах.

Детали

DeepSeek-V4-Flash-Vision-Exp демонстрирует впечатляющие результаты:

• На мультимодальных бенчмарках (ApexBench, Agents' Last Exam) показывает улучшение на 10+ пунктов по сравнению с текстовой версией
• В текстовых задачах (Terminal Bench 2.1, DeepSWE) сохраняет уровень качества предыдущей версии
• Размер модели — 305 миллиардов параметров
• Поддерживает различные форматы ввода, включая OpenAI-стиль и компактную TXT-нотацию

«Это наш первый эксперимент с мультимодальностью в рамках DeepSeek-V4», — отмечают разработчики.

Технические особенности:

• Использует технологию DFlash attention и MoE (Mixture of Experts)
• Поддерживает 8-битную и fp8-точность
• Доступна для локального развёртывания через vLLM, SGLang и другие инструменты

Почему это важно

Появление DeepSeek-V4-Flash-Vision-Exp показывает, что китайские разработчики активно работают над мультимодальными ИИ, не уступая западным аналогам. Для практиков это означает:

1. Доступ к мощной open-source модели для экспериментов с мультимодальностью
2. Возможность создавать агентов, понимающих и текст, и изображения
3. Альтернативу коммерческим решениям вроде GPT-4 Vision

Что дальше

DeepSeek-V4-Flash-Vision-Exp пока остаётся экспериментальной, но уже демонстрирует потенциал китайских разработчиков в области мультимодального ИИ. В ближайшее время стоит ожидать:

• Улучшения качества работы с изображениями
• Появления более компактных версий модели
• Интеграции с популярными фреймворками для ИИ-разработчиков

Для тех, кто хочет попробовать модель в деле, уже сейчас доступны варианты развёртывания через vLLM, SGLang и Docker, что упрощает интеграцию в существующие проекты.