Zijn de gewichten open en kan ik dit lokaal draaien?

Ja, de gewichten zijn gepubliceerd op Hugging Face onder deepseek-ai/DeepSeek-V4-Flash-Vision-Exp. De repository bevat een minimale PyTorch-inferentie-implementatie en vLLM-ondersteuning, hoewel de 284 miljard parameters veel GPU-geheugen vereisen om zelf te draaien.

Wat kost het en hoe groot is het contextvenster?

Via API kost het $0,22 per miljoen inputtokens en $0,65 per miljoen outputtokens, met een contextvenster van 1.048.576 tokens.

Hoe verschilt dit van DeepSeek V4 Flash 0731?

Dit model voegt visuele modules en voortgezette multimodale training toe bovenop V4 Flash 0731, waardoor beeldbegrip ontstaat terwijl de tekstagent-prestaties ongeveer gelijk blijven aan het basismodel.

DeepSeek V4 Flash Vision Exp

4845°

#llm #deepseek #visie #redeneren #agenten #lange context

Voer dit model uit

Aanbiedingen / Advertenties

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

DeepSeek | 1.048.576 token context | $0,22/M input, $0,65/M output. DeepSeek V4 Flash Vision Exp is een experimentele visie-ondersteunde versie van DeepSeek V4 Flash 0731Opens in new tab van DeepSeek, die beeldbegrip toevoegt terwijl het het basismodel evenaart op tekstcapaciteiten inclusief agenten, redenering en wereldkennis. Het is een sparse mixture-of-experts model met 13B actieve parameters van in totaal 284B. Het is geschikt voor document- en grafiekbegrip, visuele vraagbeantwoording en multimodale agent-workflows die tekst en beelden afwisselen.

Gidsen voor dit model

Beste lokale LLM per gebruik (oktober 2026): het juiste open model voor elke klus

Hoeveel VRAM heb ik eigenlijk nodig voor lokale AI?

Open weights vs open source vs alleen API: wat je eigenlijk mag doen

Wat is een GGUF-bestand? Uitleg over gekwantiseerde modellen (Q4, Q8, fp8, NF4)

Alle gidsen

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

DeepSeek V4 Flash Vision Exp is DeepSeek’s eerste multimodale model in de V4 Flash-familie, dat beeldbegrip toevoegt aan een al capabele sparse MoE-architectuur met 13 miljard actieve parameters van in totaal 284 miljard. Het presteert goed op tekstagent-taken en voegt betekenisvolle verbeteringen toe op multimodale agent-benchmarks, grafiekbegrip en visuele QA. Als je een snel, goedkoop model zoekt dat kan redeneren over zowel afbeeldingen als tekst, is dit een serieuze optie.

Bekend om

Multimodale agent-workflows die afbeeldingen en tekst in dezelfde pijplijn mengen
Document- en grafiekbegrip tegen een prijs ver onder frontier visie-modellen
Tekstagent-prestaties ongeveer gelijk aan de niet-visie DeepSeek V4 Flash 0731
Meer dan een miljoen tokens contextvenster
Open gewichten met minimale PyTorch-inferentie en vLLM-ondersteuning

Let op

Experimenteel label betekent dat gedrag kan veranderen; geen productie-stabiele release.
284 miljard totale parameters maken lokale inzet veeleisend — je hebt serieuze hardware nodig.
Licentievoorwaarden zijn niet gedetailleerd in de gepubliceerde materialen; controleer voor commercieel gebruik.

Het beste voor

Agenten en toolgebruik

Prompts om te proberen

Grafiekdata-extractie

Voeg een afbeelding van een staaf- of lijngrafiek toe. Extraheer alle dataseries, label elke as, lijst de waarden als een markdown-tabel en noteer elke trend of afwijking die het vermelden waard is. Wees precies over getoonde cijfers; schat geen waarden die niet duidelijk leesbaar zijn.

Multimodale agentplanning

Ik bouw een agent die een screenshot van een webdashboard ontvangt en de volgende actie moet bepalen. Identificeer aan de hand van de bijgevoegde screenshot elk zichtbaar interactief element, leid de huidige status van de applicatie af en stel een geprioriteerde lijst van volgende acties voor met een korte motivatie per actie.

Document redeneertaken

Voeg een gescande factuur of contractpagina toe. Identificeer de betrokken partijen, extraheer alle geldbedragen en bijbehorende regels, markeer elke clausule of cijfer die ongebruikelijk of inconsistent lijkt en vat het document samen in drie bulletpoints.

Vergelijk met

DeepSeek Flash Latest
Alleen API-model
1,048,576 token context · $0.04/M invoer, $0.68/M uitvoer
DeepSeek V4.1 Flash
Model met open gewichten
1,048,576 token context · $0.04/M invoer, $0.68/M uitvoer
DeepSeek V4 Flash 0731
Model met open gewichten
1,048,576 token context · $0.01/M invoer, $1.28/M uitvoer
DeepSeek V4 Flash 0423
Model met open gewichten
1,048,576 token context · $0.09/M invoer, $0.18/M uitvoer

Meer tekstmodellen van deepseek

Veelgestelde vragen

Zijn de gewichten open en kan ik dit lokaal draaien?: Ja, de gewichten zijn gepubliceerd op Hugging Face onder deepseek-ai/DeepSeek-V4-Flash-Vision-Exp. De repository bevat een minimale PyTorch-inferentie-implementatie en vLLM-ondersteuning, hoewel de 284 miljard parameters veel GPU-geheugen vereisen om zelf te draaien.
Wat kost het en hoe groot is het contextvenster?: Via API kost het $0,22 per miljoen inputtokens en $0,65 per miljoen outputtokens, met een contextvenster van 1.048.576 tokens.
Hoe verschilt dit van DeepSeek V4 Flash 0731?: Dit model voegt visuele modules en voortgezette multimodale training toe bovenop V4 Flash 0731, waardoor beeldbegrip ontstaat terwijl de tekstagent-prestaties ongeveer gelijk blijven aan het basismodel.

Oordeel van de kapitein
Een zeldzame combinatie van open gewichten, miljoen-token context, visie en sub-dollar-per-miljoen prijsstelling — experimentele status is de enige echte kanttekening.

Modelkaart op Hugging Face

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

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

Hoe deze score wordt opgebouwd

Dit model heeft nog geen populariteitsgegevens van welke bron dan ook, dus het krijgt een tijdelijke waarde onder 7,000° om de lijsten compleet te houden. Het staat nooit hoger dan een model met data. De uitsplitsing verschijnt hier zodra een bron het rapporteert.

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Vergelijkbare modellen

L3.3 70B Euryale v2.3

AI-modellen voor het genereren van afbeeldingen, video en tekst

DeepSeek V4 Flash Vision Exp is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm deepseek visie redeneren agenten lange context lokaal

Bladeren op modelfamilie