DeepSeek 于 2026 年 8 月 31 日在 Hugging Face 正式开源了 V4 家族首款多模态模型 DeepSeek-V4-Flash-Vision-Exp，采用 MIT 许可协议，普通开发者完全具备本地部署的条件与可能。
一、开源即部署：模型开放程度极高
完整开源：本次开源不仅公开模型权重，还一并放出 Tokenizer、Prompt Encoding 参考实现及最小化 PyTorch 推理代码，覆盖视觉编码器、Aligner、DFlash Attention、MoE、Hyper-Connections 与 DSpark 等核心模块，开发者拿到手即可自行部署与二次开发。
宽松许可：采用 MIT License，允许商用、本地部署与自由修改，几乎没有授权壁垒，中小团队和个人开发者均可无负担使用。
实验版本定位：官方明确标注为 “Exp” 实验版本，属 V4 家族第一款实验性多模态模型，开发者可在真实业务场景中充分实测验证。
二、部署门槛：硬件要求与量化方案
参数规模：模型总参数约 305B，但采用 MoE 架构，每个 Token 仅激活 13B 参数，这大幅降低了推理时的显存占用与计算开销。
显存需求：完整精度部署仍需要较高显存，但开源社区已出现多种量化版本与 LoRA 微调方案，配合 FP8 等混合精度技术，消费级显卡本地运行已具备可行性，当前 SGLang 等推理框架已跟进支持。
部署适配：SGLang 正在开发配套支持方案，DGX Spark 定制版本也已提上日程，硬件适配生态正快速完善，开发者无需等待官方 SDK 即可完成本地部署。
三、部署价值：视觉 Agent 与文本能力兼得
多模态能力跃升：模型在多模态 Agent 基准测试中表现突出，ApexBench 得分 36.5，ZeroBench 得分 35.0，多模态 Agent 能力已接近或反超 Opus-4.8。
文本能力不缩水：加入视觉模块后，纯文本任务性能与 V4-Flash 正式版持平，Terminal Bench 达 83.9，DeepSWE 达 59.3，原有推理、代码与 Agent 能力完整保留。
落地场景广阔：开发者可基于本地部署构建电商商品图识别、教育拍题讲解、医疗影像辅助、截图 UI 还原等应用，彻底摆脱多模态 API 的按次计费成本压力。