DeepSeek发布多模态模型V4 Flash Vision Exp，部分视觉测试超越Opus 4.8

据SiliconANGLE报道，中国初创企业DeepSeek于8月21日发布了其V4系列大语言模型的新成员——V4 Flash Vision Exp，这是一个多模态模型，在部分视觉基准测试中超过了Anthropic的Opus 4.8。

上线初期，该模型仅在DeepSeek付费开发者平台提供。由于DeepSeek此前已开源包括V4 Flash在内的多款早期模型，公司未来可能发布免费版本。V4 Flash Vision Exp基于4月发布的V4 Flash模型构建。DeepSeek对比了两代模型在七项文本基准上的表现，除Cybergym（测试模型发现软件漏洞的能力）外，V4 Flash Vision Exp均优于前代。在图像分析方面，模型改进最为显著：在四项视觉测试中，两项得分提升超过10%。尤为突出的是，V4 Flash Vision Exp在ALE和ZeroBench两个视觉基准上击败了Anthropic的Opus 4.8。ALE包含超过1000项多步任务，要求模型与应用程序交互、编写代码并解析媒体文件；ZeroBench包含100项极具挑战性的图像分析任务。

关于模型架构，DeepSeek未公布细节，但其Hugging Face页面提供了基础模型V4 Flash的详细概览。V4 Flash是混合专家模型，总参数2840亿，由多个各含130亿参数的神经网络组成。用户输入提示时，模型仅激活最适宜生成答案的神经网络，相比激活全部网络可显著降低硬件需求。语言模型通过KV缓存存储回答提示所需的信息，V4 Flash采用HCA和CSA两种技术压缩KV缓存。据SiliconANGLE报道，这些技术可将处理100万token的算力需求降低73%。

DeepSeek使用32万亿token的数据训练V4 Flash，并采用Muon算法加速训练流程。Muon减少了校准模型隐藏层所需的时间，而隐藏层承担了回答提示时的大部分计算。4月，DeepSeek还发布了参数数量为V4 Flash五倍以上的V4 Pro。鉴于V4 Flash Vision Exp源自V4 Flash，未来V4 Pro也可能成为针对图像分析等任务优化的专用模型的基础。