Adakah berat terbuka dan boleh saya jalankan ini secara tempatan?

Ya, berat diterbitkan di Hugging Face di deepseek-ai/DeepSeek-V4-Flash-Vision-Exp. Repositori termasuk pelaksanaan inferens PyTorch minimal dan sokongan vLLM, walaupun jumlah 284B parameter bermakna anda perlukan memori GPU besar untuk jalankan sendiri.

Berapa kos dan berapa tetingkap konteks?

Melalui API, harga $0.22 setiap sejuta token input dan $0.65 setiap sejuta token output, dengan tetingkap konteks 1,048,576 token.

Apa bezanya dengan DeepSeek V4 Flash 0731?

Model ini menambah modul visual dan latihan multimodal berterusan di atas V4 Flash 0731, memperoleh pemahaman imej sambil mengekalkan prestasi agen teks hampir setanding dengan model asas.

DeepSeek V4 Flash Vision Exp

4845°

#llm #deepseek #penglihatan #penalaran #ejen #konteks panjang

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

DeepSeek | konteks token 1,048,576 | $0.22/M input, $0.65/M output. DeepSeek V4 Flash Vision Exp adalah versi eksperimen berkemampuan visi DeepSeek V4 Flash 0731Opens in new tab dari DeepSeek, menambah kefahaman imej sambil menyamai model asas dalam keupayaan teks termasuk agen, penaakulan, dan pengetahuan dunia. Ia adalah model campuran pakar jarang dengan 13B parameter aktif daripada 284B keseluruhan. Sesuai untuk kefahaman dokumen dan carta, menjawab soalan visual, dan aliran kerja agen multimodal yang menggabungkan teks dan imej.

Panduan untuk model ini

LLM tempatan terbaik mengikut kegunaan (Oktober 2026): model terbuka yang sesuai untuk setiap kerja

Berapa banyak VRAM yang saya perlukan untuk AI tempatan?

Berat terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya kamu dibenarkan lakukan

Apakah fail GGUF? Model kuantisasi diterangkan (Q4, Q8, fp8, NF4)

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

DeepSeek V4 Flash Vision Exp adalah entri multimodal pertama DeepSeek dalam keluarga V4 Flash, menggabungkan pemahaman imej ke atas seni bina MoE jarang yang sudah cekap dengan 13B parameter aktif daripada 284B jumlah. Ia mengekalkan prestasi pada tugas agen teks sambil menambah peningkatan bermakna pada penanda aras agen multimodal, pemahaman carta dan QA visual. Jika anda memerlukan model pantas dan murah yang boleh berfikir atas imej dan teks, ini patut dilihat serius.

Dikenali untuk

Aliran kerja agen multimodal yang menggabungkan imej dan teks dalam saluran yang sama
Pemahaman dokumen dan carta pada harga jauh lebih rendah daripada model visi frontier
Prestasi agen teks hampir setanding dengan DeepSeek V4 Flash 0731 tanpa visi
Tetingkap konteks lebih sejuta token
Berat terbuka dengan rujukan inferens PyTorch minimal dan sokongan vLLM

Berhati-hati dengan

Label eksperimen bermakna tingkah laku mungkin berubah; bukan keluaran stabil produksi.
284B parameter jumlah menjadikan penyebaran tempatan mencabar — anda perlukan perkakasan serius.
Terma lesen tidak terperinci dalam bahan penerbit pembuat; periksa sebelum guna komersial.

Terbaik untuk

Ejen dan penggunaan alat

Penglihatan

Penalaran

Konteks panjang

Jalankan secara tempatan

Arahan untuk cuba

Ekstrak data carta

Lampirkan imej carta bar atau garis. Ekstrak semua siri data, label setiap paksi, senaraikan nilai dalam jadual markdown, dan catat sebarang tren atau anomali yang patut ditandakan. Tepatkan nombor yang ditunjukkan; jangan anggarkan nilai yang tidak jelas dibaca.

Rancangan agen multimodal

Saya membina agen yang menerima tangkapan skrin papan pemuka web dan mesti menentukan tindakan seterusnya. Berdasarkan tangkapan skrin yang dilampirkan, kenal pasti setiap elemen interaktif yang kelihatan, tafsirkan keadaan aplikasi semasa, dan cadangkan senarai tindakan seterusnya mengikut keutamaan dengan satu ayat alasan bagi setiap satu.

Tugas penaakulan dokumen

Lampirkan invois atau halaman kontrak yang diimbas. Kenal pasti pihak terlibat, ekstrak semua angka wang dan item baris berkaitan, tandakan sebarang klausa atau angka yang kelihatan luar biasa atau tidak konsisten, dan ringkaskan dokumen dalam tiga titik peluru.

Bandingkan dengan

DeepSeek Flash Latest
Model hanya API
konteks 1,048,576 token · Input $0.04/M, output $0.68/M
DeepSeek V4.1 Flash
Model berat terbuka
konteks 1,048,576 token · Input $0.04/M, output $0.68/M
DeepSeek V4 Flash 0731
Model berat terbuka
konteks 1,048,576 token · Input $0.01/M, output $1.28/M
DeepSeek V4 Flash 0423
Model berat terbuka
konteks 1,048,576 token · Input $0.09/M, output $0.18/M

Lebih banyak model teks dari deepseek

Soalan yang sering ditanya

Adakah berat terbuka dan boleh saya jalankan ini secara tempatan?: Ya, berat diterbitkan di Hugging Face di deepseek-ai/DeepSeek-V4-Flash-Vision-Exp. Repositori termasuk pelaksanaan inferens PyTorch minimal dan sokongan vLLM, walaupun jumlah 284B parameter bermakna anda perlukan memori GPU besar untuk jalankan sendiri.
Berapa kos dan berapa tetingkap konteks?: Melalui API, harga $0.22 setiap sejuta token input dan $0.65 setiap sejuta token output, dengan tetingkap konteks 1,048,576 token.
Apa bezanya dengan DeepSeek V4 Flash 0731?: Model ini menambah modul visual dan latihan multimodal berterusan di atas V4 Flash 0731, memperoleh pemahaman imej sambil mengekalkan prestasi agen teks hampir setanding dengan model asas.

Keputusan Kapten
Gabungan jarang berat terbuka, konteks sejuta token, visi dan harga bawah satu dolar per sejuta — status eksperimen adalah satu-satunya halangan sebenar.

Kad model di Hugging Face

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh berubah.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Bagaimana skor ini dijumlahkan

Model ini belum ada data populariti dari mana-mana sumber lagi, jadi ia membawa nombor gantian di bawah 7,000° yang memastikan senarai lengkap. Ia tidak pernah menduduki tempat lebih tinggi daripada model yang ada data. Pecahan muncul di sini sebaik sahaja sumber melaporkannya.

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Model serupa

Gemma 2 27B

TEXT / LLM

Qwen3 VL 235B A22B Instruct

Model AI untuk penjanaan imej, video dan teks

DeepSeek V4 Flash Vision Exp ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm deepseek penglihatan penalaran ejen konteks panjang tempatan

Layari mengikut keluarga model