نسخه Exp از DeepSeek V4 Flash Vision می‌آید
دیپ‌سیک یک نسخه‌ی آزمایشی از خانواده V4 منتشر کرده که به مدل متنی Flash ماژول‌های بینایی اضافه می‌کند. این تغییر کوچک در معماری، سوالی بزرگ‌تر جلو می‌گذارد: وقتی یک مدل ایجنتی که برای کار با ترمینال و ابزار طراحی شده، حالا تصویر هم می‌بیند، چه چیزی واقعاً عوض می‌شود؟
دیپ‌سیک یک نسخه‌ی آزمایشی از خانواده V4 منتشر کرده که به مدل متنی Flash ماژول‌های بینایی اضافه می‌کند. این تغییر کوچک در معماری، سوالی بزرگ‌تر جلو می‌گذارد: وقتی یک مدل ایجنتی که برای کار با ترمینال و ابزار طراحی شده، حالا تصویر هم می‌بیند، چه چیزی واقعاً عوض می‌شود؟
یک مدل متنی که یاد گرفته ببیند
DeepSeek-V4-Flash-Vision-Exp روی همان اسکلت DeepSeek-V4-Flash ساخته شده، اما با ماژول‌های بینایی که به آن اضافه شده‌اند. طبق مستندات دیپ‌سیک، مدل تحت یک دور آموزش ادامه‌دار قرار گرفته تا درک تصویری را یاد بگیرد. نکته‌ی مهم این‌جاست که این افزودن، بار مدل قبلی را روی زمین نگذاشته: طبق گزارش سازنده، عملکرد مدل روی وظایف ایجنتی صرفاً متنی نسبت به نسخه‌ی DeepSeek-V4-Flash-0731 قابل مقایسه باقی مانده، و در عوض قابلیت‌های ایجنتی چندوجهی نسبت به همان نسخه بهبود یافته است. این یعنی هدف پروژه افزودن یک قابلیت جدید بوده، نه بازطراحی از صفر.
اعدادی که از بنچمارک‌های ایجنتی بیرون آمده‌اند
دیپ‌سیک نتایج مدل را روی مجموعه‌ای از بنچمارک‌های مرتبط با کار ایجنتی و کدنویسی منتشر کرده است. برای نمونه، مدل روی Terminal Bench 2.1 عدد 83.9 گرفته، روی NL2Repo 57.7، روی Cybergym 75.3، و روی DeepSWE 59.3. در ادامه، روی Toolathlon-Verified نمره 75.9، روی DSBench-Hard 63.6، و روی AutomationBench نسخه Public عدد 25.7 ثبت شده است. در بنچمارک‌های دیگر مثل ApexBench با معیار Pass@1 عدد 36.5، روی Agents' Last Exam عدد 27.3، روی Chartography عدد 64.3، و روی ZeroBench با معیار Pass@5 عدد 35.0 گزارش شده. این پراکندگی زیاد بین بنچمارک‌های مختلف نشان می‌دهد که مدل در انواع گوناگونی از آزمون‌ها سنجیده شده، اما خودِ اعداد به‌تنهایی نمی‌گویند مدل در کدام دسته از کاربردهای واقعی قوی‌تر یا ضعیف‌تر عمل می‌کند؛ برای این قضاوت باید به جزئیات پیاده‌سازی و نحوه‌ی استقرار مدل نگاه کرد.
چیزی که در مخزن واقعاً هست
مخزن هاگینگ‌فیس این مدل، به‌جای این‌که فقط وزن یک مدل بزرگ باشد، مجموعه‌ای از ابزارهای کمکی هم دارد: یک توکنایزر، یک مرجع برای انکود کردن پرامپت، و یک پیاده‌سازی حداقلی استنتاج در PyTorch. این پیاده‌سازی مرجع، بخش‌های vision encoder و aligner را پوشش می‌دهد، و همچنین مسیر forward مربوط به DFlash attention، MoE، Hyper-Connections و DSpark را در بر می‌گیرد. برای انکود کردن پرامپت هم دو روش پیش‌بینی شده: بلوک‌های محتوای JSON به سبک OpenAI، و یک نوتیشن متنی فشرده برای تصویر. طبق مستندات، نمونه‌های JSON و TXT هر دو به پرامپت‌ها و شناسه‌های توکن یکسان تبدیل می‌شوند، یعنی انتخاب فرمت صرفاً یک تفاوت نحوی است، نه تفاوت در نتیجه‌ی نهایی.
مسیر استقرار و آن‌چه هنوز روشن نیست
برای کسانی که بخواهند این مدل را با vLLM یا SGLang اجرا کنند، دیپ‌سیک چند پارامتر مشخص داده است: در vLLM اندازه‌ی tensor parallel برابر ۴، نوع داده‌ی KV-cache برابر fp8، و اندازه‌ی بلوک ۲۵۶. در SGLang هم tensor parallel برابر ۴، کسر حافظه‌ی استاتیک ۰.۸۵، و پورت پیش‌فرض ۳۰۰۰۰ تعیین شده. کل مخزن با لایسنس MIT منتشر شده، که یعنی محدودیت قانونی چندانی برای استفاده یا تغییر آن وجود ندارد. با این حال، آن‌چه در مستندات نیامده هم قابل توجه است: نه پیش‌نیاز سخت‌افزاری دقیق مشخص شده، نه دستور راه‌اندازی گام‌به‌گام، و نه شرایط دقیقی که تحت آن این بنچمارک‌ها اجرا شده‌اند. به همین دلیل، پیش از هر تصمیم‌گیری حساس یا استفاده در جایی که خطای مدل هزینه‌ی واقعی دارد، منطقی است نتایج را با آزمون مستقل و نظارت انسانی بررسی کرد، نه فقط بر اساس اعداد منتشرشده.
مشخصات
- خانواده مدل: DeepSeek-V4
- معماری: DeepSeek-V4-Flash با ماژول‌های بینایی
- فریمورک استنتاج: PyTorch
- لایسنس: MIT License
- vLLM tensor parallel size: 4
- vLLM KV-cache dtype: fp8
- vLLM block size: 256
- SGLang tensor parallel size: 4
- SGLang static memory fraction: 0.85
- SGLang port: 30000
منابع
- DeepSeek-V4-Flash-Vision-Exp — Hugging Face