Bukás ba ang weights at maaari ko bang patakbuhin ito nang lokal?

Oo, ang weights ay inilathala sa Hugging Face sa deepseek-ai/DeepSeek-V4-Flash-Vision-Exp. Kasama sa repository ang minimal PyTorch inference implementation at vLLM support, ngunit dahil sa 284B kabuuang parameters, kakailanganin mo ng malaking GPU memory para patakbuhin ito nang sarili mo.

Magkano ang gastos at ano ang context window?

Sa API, ang presyo ay $0.22 kada milyon input tokens at $0.65 kada milyon output tokens, na may context window na 1,048,576 tokens.

Paano ito naiiba sa DeepSeek V4 Flash 0731?

Nagdaragdag ang modelong ito ng visual modules at patuloy na multimodal training sa ibabaw ng V4 Flash 0731, kaya nakakakuha ito ng image understanding habang nananatiling halos kapantay ang performance ng text agent kumpara sa base model.

DeepSeek V4 Flash Vision Exp

4845°

#llm #deepseek #paningin #pangangatwiran #mga ahente #mahabang konteksto

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

DeepSeek | 1,048,576 token context | $0.22/M input, $0.65/M output. Ang DeepSeek V4 Flash Vision Exp ay isang experimental vision-enabled na bersyon ng DeepSeek V4 Flash 0731Opens in new tab mula sa DeepSeek, na nagdaragdag ng pag-unawa sa imahe habang tumutugma sa base model sa mga kakayahan sa teksto kabilang ang mga agent, reasoning, at world knowledge. Isa itong sparse mixture-of-experts model na may 13B aktibong parameter mula sa 284B kabuuan. Angkop ito para sa pag-unawa ng dokumento at tsart, visual question answering, at multimodal agent workflows na pinaghalong teksto at mga imahe.

Mga gabay para sa model na ito

Pinakamahusay na lokal na LLM ayon sa gamit (Oktubre 2026): ang tamang open model para sa bawat trabaho

Gaano ba talaga kalaki ang VRAM na kailangan ko para sa local AI?

Open weights vs open source vs API-only: ano talaga ang pwede mong gawin

Ano ang GGUF file? Ipinaliwanag ang mga quantized na modelo (Q4, Q8, fp8, NF4)

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang DeepSeek V4 Flash Vision Exp ay unang multimodal entry ng DeepSeek sa V4 Flash family, na nagdagdag ng image understanding sa isang matatag na sparse MoE architecture na may 13B active parameters mula sa 284B kabuuan. Nakakapag-perform ito nang maayos sa text agent tasks habang nagbibigay ng makabuluhang pagbuti sa multimodal agent benchmarks, chart understanding, at visual QA. Kung kailangan mo ng mabilis at murang model na makakapag-reason sa parehong imahe at teksto, sulit itong tingnan.

Kilalang-kilala sa

Multimodal agent workflows na pinagsasama ang mga larawan at teksto sa parehong pipeline
Pag-unawa sa dokumento at chart sa presyong mas mababa kaysa frontier vision models
Performance ng text agent na halos kapantay ng non-vision na kapatid na DeepSeek V4 Flash 0731
Mahigit isang milyong token na context window
Open weights na may minimal PyTorch inference reference at vLLM support

Mag-ingat sa

Experimental label kaya maaaring magbago ang behavior; hindi pa ito production-stable release.
Ang 284B kabuuang parameters ay nangangailangan ng malakas na hardware para sa lokal na deployment.
Hindi detalyado ang mga termino ng lisensya sa mga inilathalang materyales ng gumawa; suriin bago gamitin sa komersyo.

Pinakamainam para sa

Mga ahente at paggamit ng tool

Mga prompt na subukan

Pagkuha ng data mula sa chart

Mag-attach ng bar o line chart na larawan. I-extract lahat ng data series, lagyan ng label ang bawat axis, ilista ang mga halaga bilang markdown table, at itala ang anumang trend o anomalya na dapat i-flag. Maging tumpak sa mga numerong ipinapakita; huwag mag-estimate ng mga halagang hindi malinaw na mababasa.

Plano ng multimodal agent

Gumagawa ako ng agent na tumatanggap ng screenshot ng web dashboard at kailangang magpasya ng susunod na aksyon. Batay sa naka-attach na screenshot, tukuyin ang bawat interactive element na nakikita, hulaan ang kasalukuyang estado ng aplikasyon, at magmungkahi ng prayoritisadong listahan ng mga susunod na aksyon na may isang pangungusap na paliwanag para sa bawat isa.

Gawain sa pagre-reason ng dokumento

Mag-attach ng scanned invoice o pahina ng kontrata. Tukuyin ang mga partido na kasangkot, i-extract lahat ng mga halagang pera at ang kaugnay na mga linya, i-flag ang anumang clause o halaga na mukhang kakaiba o hindi tugma, at ibuod ang dokumento sa tatlong bullet points.

Ihambing sa

DeepSeek Flash Latest
Modelong API lang
1,048,576 token na konteksto · $0.04/M input, $0.68/M output
DeepSeek V4.1 Flash
Modelong bukas ang timbang
1,048,576 token na konteksto · $0.04/M input, $0.68/M output
DeepSeek V4 Flash 0731
Modelong bukas ang timbang
1,048,576 token na konteksto · $0.01/M input, $1.28/M output
DeepSeek V4 Flash 0423
Modelong bukas ang timbang
1,048,576 token na konteksto · $0.09/M input, $0.18/M output

Higit pang mga text model mula sa deepseek

Mga tanong na madalas itanong

Bukás ba ang weights at maaari ko bang patakbuhin ito nang lokal?: Oo, ang weights ay inilathala sa Hugging Face sa deepseek-ai/DeepSeek-V4-Flash-Vision-Exp. Kasama sa repository ang minimal PyTorch inference implementation at vLLM support, ngunit dahil sa 284B kabuuang parameters, kakailanganin mo ng malaking GPU memory para patakbuhin ito nang sarili mo.
Magkano ang gastos at ano ang context window?: Sa API, ang presyo ay $0.22 kada milyon input tokens at $0.65 kada milyon output tokens, na may context window na 1,048,576 tokens.
Paano ito naiiba sa DeepSeek V4 Flash 0731?: Nagdaragdag ang modelong ito ng visual modules at patuloy na multimodal training sa ibabaw ng V4 Flash 0731, kaya nakakakuha ito ng image understanding habang nananatiling halos kapantay ang performance ng text agent kumpara sa base model.

Hatol ng Kapitan
Isang bihirang kumbinasyon ng open weights, million-token context, vision, at sub-dollar-per-million pricing — ang experimental status lang ang tunay na babala.

Model card sa Hugging Face

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

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

Paano nagkakalkula ang score na ito

Walang datos ng kasikatan mula sa kahit anong pinanggalingan ang modelong ito, kaya may stand-in na numero ito sa ibaba ng 7,000° para kumpleto ang mga listahan. Hindi ito kailanman mauuna sa isang modelong may datos. Lalabas dito ang breakdown kapag may nag-ulat na pinanggalingan.

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Mga katulad na model

Nano Banana 2 Lite (Gemini 3.1 Flash Lite Image)

TEXT / LLM

GPT 5.4 Image 2

TEXT / LLM

Llama 3.2 1B Instruct

TEXT / LLM

Claude Sonnet 4.6

TEXT / LLM

Mga AI model para sa paggawa ng larawan, video at teksto

Ang DeepSeek V4 Flash Vision Exp ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm deepseek paningin pangangatwiran mga ahente mahabang konteksto lokal

Mag-browse ayon sa pamilya ng model