Är vikterna öppna och kan jag köra detta lokalt?

Ja, vikterna är publicerade på Hugging Face under deepseek-ai/DeepSeek-V4-Flash-Vision-Exp. Repositoriet inkluderar en minimal PyTorch-inferensimplementation och vLLM-stöd, men med 284 miljarder parametrar totalt behöver du betydande GPU-minne för att köra det själv.

Vad kostar det och hur stort är kontextfönstret?

Via API kostar det $0.22 per miljon input-token och $0.65 per miljon output-token, med ett kontextfönster på 1 048 576 token.

Hur skiljer sig detta från DeepSeek V4 Flash 0731?

Denna modell lägger till visuella moduler och fortsatt multimodal träning ovanpå V4 Flash 0731, vilket ger bildförståelse samtidigt som textagentprestandan är ungefär jämförbar med basmodellen.

DeepSeek V4 Flash Vision Exp

4845°

#llm #deepseek #vision #resonemang #agenter #lång kontext

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

DeepSeek | 1 048 576 token-kontext | $0.22/M input, $0.65/M output. DeepSeek V4 Flash Vision Exp är en experimentell vision-aktiverad version av DeepSeek V4 Flash 0731Opens in new tab från DeepSeek, som lägger till bildförståelse samtidigt som den matchar basmodellens textkapaciteter inklusive agenter, resonemang och världskunskap. Det är en sparsam mixture-of-experts-modell med 13 miljarder aktiva parametrar av totalt 284 miljarder. Den är lämplig för dokument- och diagramförståelse, visuella frågesvar och multimodala agentarbetsflöden som växlar mellan text och bilder.

Guider för denna modell

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

DeepSeek V4 Flash Vision Exp är DeepSeeks första multimodala tillskott i V4 Flash-familjen, som bygger in bildförståelse i en redan kapabel sparsam MoE-arkitektur med 13 miljarder aktiva av totalt 284 miljarder parametrar. Den håller jämna steg på textagentuppgifter samtidigt som den ger betydande förbättringar på multimodala agentbenchmark, diagramförståelse och visuell frågehantering. Om du behöver en snabb, billig modell som kan resonera över både bilder och text är detta väl värt att undersöka.

Känd för

Multimodala agentarbetsflöden som blandar bilder och text i samma pipeline
Dokument- och diagramförståelse till ett pris långt under frontier-synmodeller
Textagentprestanda ungefär jämförbar med dess icke-synsyskon DeepSeek V4 Flash 0731
Över en miljon token långt kontextfönster
Öppna vikter med minimal PyTorch-inferensreferens och vLLM-stöd

Se upp för

Experimentell etikett innebär att beteendet kan förändras; inte en produktionsstabil release.
284 miljarder totala parametrar gör lokal drift krävande — du behöver seriös hårdvara.
Licensvillkor är inte detaljerade i tillverkarens publicerade material; kontrollera innan kommersiell användning.

Bäst för

Agenter och verktygsanvändning

Promptar att prova

Diagramdataextraktion

Bifoga en bild av ett stapel- eller linjediagram. Extrahera alla dataserier, märk varje axel, lista värdena som en markdown-tabell och notera eventuella trender eller avvikelser värda att flagga. Var exakt med visade siffror; uppskatta inte värden som inte är tydligt läsbara.

Multimodal agentplan

Jag bygger en agent som tar emot en skärmdump av en webbdashboard och måste bestämma nästa åtgärd. Givet den bifogade skärmdumpen, identifiera varje synligt interaktivt element, dra slutsatser om applikationens nuvarande tillstånd och föreslå en prioriterad lista över nästa åtgärder med en mening som motivering för varje.

Dokumentresonemangsuppgift

Bifoga en skannad faktura eller kontraktssida. Identifiera inblandade parter, extrahera alla penningbelopp och deras associerade radposter, flagga eventuella klausuler eller siffror som verkar ovanliga eller inkonsekventa, och sammanfatta dokumentet i tre punkter.

Jämför med

DeepSeek Flash Latest
Endast API-modell
1,048,576 tokens kontext · $0.04/M indata, $0.68/M utdata
DeepSeek V4.1 Flash
Öppen vikt-modell
1,048,576 tokens kontext · $0.04/M indata, $0.68/M utdata
DeepSeek V4 Flash 0731
Öppen vikt-modell
1,048,576 tokens kontext · $0.01/M indata, $1.28/M utdata
DeepSeek V4 Flash 0423
Öppen vikt-modell
1,048,576 tokens kontext · $0.09/M indata, $0.18/M utdata

Fler textmodeller från deepseek

Vanliga frågor

Är vikterna öppna och kan jag köra detta lokalt?: Ja, vikterna är publicerade på Hugging Face under deepseek-ai/DeepSeek-V4-Flash-Vision-Exp. Repositoriet inkluderar en minimal PyTorch-inferensimplementation och vLLM-stöd, men med 284 miljarder parametrar totalt behöver du betydande GPU-minne för att köra det själv.
Vad kostar det och hur stort är kontextfönstret?: Via API kostar det $0.22 per miljon input-token och $0.65 per miljon output-token, med ett kontextfönster på 1 048 576 token.
Hur skiljer sig detta från DeepSeek V4 Flash 0731?: Denna modell lägger till visuella moduler och fortsatt multimodal träning ovanpå V4 Flash 0731, vilket ger bildförståelse samtidigt som textagentprestandan är ungefär jämförbar med basmodellen.

Kaptens omdöme
En sällsynt kombination av öppna vikter, miljon-token kontext, syn och under en dollar per miljon prissättning — experimentell status är den enda verkliga varningen.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

AI-modeller för bild-, video- och textgenerering

DeepSeek V4 Flash Vision Exp är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm deepseek vision resonemang agenter lång kontext lokal

Bläddra efter modellfamilj