DeepSeek V4-Flash-Vision-Exp开源：305B参数+MIT许可，中国AI开源运动正式进入多模态时代

2026年，中美AI竞争有一个越来越清晰的格局：美国的前沿模型能力领先，但中国的开源策略更激进。OpenAI Astra只对美国政府和受信任合作伙伴开放，Claude Fable 5.1虽然商业化但有数据保留要求——这些模型的控制权留在公司手中。

DeepSeek和Z.AI选择了另一条路：把大模型的权重免费开放给全世界。

2026年8月31日，DeepSeek在Hugging Face发布了V4-Flash-Vision-Exp的开源权重。这是V4家族推出以来第一个视觉模型，305B参数，稀疏MoE架构，MIT许可——全球开发者可以自行下载、微调、部署，不需要支付任何许可费。

从时间线来看，这个发布有一些特别的背景：一周前（8月25日），中国另一家AI实验室Z.AI发布了GLM-5.3-Flash，同样是MIT许可的开源多模态MoE模型，参数规模相近。这是全球历史上第一次，同一周内有两家中国AI实验室同时推出300B+参数量级的MIT许可多模态开源检查点。

这个细节值得关停下来想一想。

技术规格：V4-Flash-Vision-Exp的实际构成

了解这个模型到底在技术上做了什么，需要先理解V4家族的架构背景。

DeepSeek V4的文本骨干是一个284B参数的稀疏MoE Transformer：每次前向传递只激活约13B参数（6个路由专家+1个始终激活的共享专家，从256个路由专家中选择），43层，4096隐藏维度，1M Token上下文窗口。这个架构设计让V4在维持超大参数规模的同时，推理成本被压缩到远低于同等规模Dense模型的水平。

V4-Flash-Vision-Exp在这个文本骨干上增加了两个视觉模块：

一个32层的视觉编码器（1024维度，16个注意力头），按照ViT（Vision Transformer）方式把输入图像切成14×14像素的patch进行处理。

一个对齐层（aligner），把视觉编码器输出的特征映射到语言骨干的4096维隐空间，作为token序列与文本输入一起处理。

每张图片最多384个token预算——这个数字来自API计费规范（每张图最多收384个token的费用），也反映了视觉编码器的实际输出容量上限。这两个数字相同不是偶然，而是架构决策直接决定了定价策略。

视觉模块的加入让总参数量从~284B增加到~305B，就是这两个模块的参数贡献。

开源策略的时间差：DeepSeek在8月31日发布权重之前，已经有一个”API only”窗口期（约10天）——这与7月31日的V4-Flash-0731文本模型（同日发布权重）策略不同。这个变化暗示DeepSeek在视觉模型上比文本模型更谨慎，可能是因为多模态能力增加了安全审查的复杂度，也可能是在等待一个更有利的发布时机。

基准测试数据：需要独立验证的数字

DeepSeek报告V4-Flash-Vision-Exp在11项基准测试中赢了3项（对比Anthropic Opus-4.8），其余8项落后。

这个数字本身不重要——重要的是它来自哪里。

根据TechTimes的报道，截至报道发布时，DeepSeek发布的基准测试数据均来自DeepSeek自己的评测框架，没有独立的第三方实验室复现结果。Hugging Face的模型仓库中包含这些数据，但数据来源标注为DeepSeek内部。

这不是DeepSeek特有的问题——几乎所有模型发布时都有”自评分通胀”的倾向，因为你可以选择最有利于自己模型的基准测试版本、系统提示词和评测参数。但在这个案例里，独立验证的缺失值得在报道中明确标注。

8月31日至9月2日，Shanghai NYU RITS AI实验室（上海纽约大学）发布了一篇分析确认了384 token图像预算的技术细节，但这是对架构的技术核实，不是对性能基准的独立复现。

TechTimes的标题本身就是诚实的：“Benchmark Claims Need Independent Proof”（基准测试声明需要独立证明）——在报道这个发布时，这个保留立场是正确的。

以下是目前的状态：

  • 技术架构参数（参数量、层数、维度）：✅ Hugging Face仓库元数据可核实
  • API计费规范（384 token/图）：✅ 独立机构（NYU RITS）核实
  • 性能基准测试：⚠️ 仅DeepSeek自评，尚待独立复现

同一周，两家中国AI实验室：竞争格局在加速

一周前，Z.AI（智谱AI）发布了GLM-5.3-Flash。

GLM-5.3-Flash同样是开源、MIT许可、多模态、MoE架构，参数规模在相近量级。两款模型的同期发布不是偶然——这是中国AI实验室之间竞争压力的直接体现。

Z.AI在8月27日已经发布了Ox Alpha（一个能力基准超过DeepSeek V4 Pro的新旗舰模型），同时在8月25日发布了GLM-5.3-Flash的开源权重。DeepSeek选择在一周后跟进，发布V4视觉版的开源权重——这个时间间隔看起来很像”不能让对手占据开源多模态赛道太久”的竞争性跟进。

这种中国AI实验室之间的内部竞争，在2026年已经形成了清晰的模式：旗舰模型竞争（谁的能力更强）+ 开源生态竞争（谁的开源模型被更多开发者使用）。

开源生态的竞争逻辑不同于闭源能力竞争：开源模型一旦建立了开发者社区，就形成了一种不依赖API收入的影响力护城河——开发者的微调模型、应用生态、技术积累，会持续围绕开源基础模型积累，这个生态不会因为下一个闭源旗舰发布而立即消失。

DeepSeek V4的文本模型系列已经在全球开发者社区建立了相当的影响力，现在它需要把这种影响力延伸到多模态领域。V4-Flash-Vision-Exp的发布，不只是一个新模型，而是一个声称”我们的开源生态可以做多模态了”的宣言。

MIT许可的真正含义

“MIT许可”在AI开源领域的意义需要仔细说明，因为它被广泛误解。

MIT许可意味着：可以自由使用、复制、修改、分发、甚至商业使用，只需要保留版权声明。它不限制商业用途，也不要求开源衍生作品。

这与Meta的Llama许可（Llama Community License，有用户数量限制）、或Google的Gemma许可（同样有商业限制）不同。DeepSeek的MIT许可让V4-Flash-Vision-Exp成为目前真正意义上”无限制开源”的最大规模多模态模型之一。

对于全球开发者，这意味着：

可以自托管：不需要通过DeepSeek的API，可以完全在自己的基础设施上运行，数据不离开自己的控制范围。对于医疗、法律、金融等对数据主权敏感的行业，这是关键优势。

可以微调：可以用自己的数据对模型进行领域专项微调，而不是依赖提示词工程在通用模型上取得次优效果。

可以商用：可以基于这个模型构建商业产品，收费给客户，不需要向DeepSeek支付版税或许可费。

可以再分发：可以发布基于V4-Flash-Vision-Exp的衍生模型，甚至比DeepSeek原始权重更小、更快、更专门化的版本。

当然，305B参数的模型自托管需要相当的GPU算力——不是每个开发者或公司都能负担。但对于有算力的企业客户，MIT许可带来的灵活性是付费云API无法替代的。

与美国开源多模态模型的比较

在美国市场，同等规模的MIT许可开源多模态模型有限。主要对比：

Meta的Llama 3.3（最大版本约700B）有多模态能力但使用Llama Community License，商业限制更多；Google的Gemma系列参数量小得多，最大Gemma 2约27B；Mistral的大型多模态模型权重访问门槛较高。

DeepSeek V4-Flash-Vision-Exp的305B参数+MIT许可，在这个组合上目前没有直接的美国竞争对手。这是一个刻意选择的差异化定位——在能力上可能不是最顶尖，但在”开放性+规模”的组合上，填补了一个空缺。

这也是为什么部分AI安全研究人员对中国开源AI持保留态度：当一个能力足够强大的模型以MIT许可发布，并不存在控制其全球部署和使用的机制——它可以被任何人在任何地方用于任何目的（合法和非法）。这是开源精神的本质，也是关于是否应该开源前沿AI能力的永恒争论的具体案例。

全球多模态AI的新起点

如果把这次发布放在更大的背景下看，2026年8月末到9月初，有几件事同时发生：

DeepSeek V4-Flash-Vision-Exp（8月31日，305B, MIT）、Z.AI GLM-5.3-Flash（8月25日，相近规模，MIT）、Anthropic Claude Fable 5.1（9月1日，最新闭源旗舰）、以及OpenAI Astra（受限发布，能力最强但只对少数机构开放）——

这是多模态AI竞争的一个历史截面：中国开源、美国闭源的格局正在成为2026年全球AI格局的主旋律之一。

不是所有的”开源”都一样，不是所有的”闭源”都更强——但这种格局的存在，正在迫使全球开发者、企业客户、监管者重新思考：在多模态AI时代，”谁控制着模型权重”这个问题变得越来越政治性，而不只是技术性。

DeepSeek V4-Flash-Vision-Exp的发布，是这个更大故事里的一个数据点。重要的是它指向的方向，而不只是305B这个数字。

对开发者的实际含义

如果你是一个需要在自己的应用中集成视觉理解能力的开发者，这个发布的实际价值可以这样评估：

适合的场景：需要数据主权（数据不出自己的基础设施）、需要定制微调（在特定垂直领域的视觉任务上提升精度）、有足够GPU算力（至少需要几块A100/H100才能高效运行305B模型）、对MIT许可的法律灵活性有需求的商业场景。

不太适合的场景：个人开发者或小型团队（算力成本太高）、需要最高视觉理解能力的场景（基准测试数据尚待独立验证，闭源旗舰模型可能性能更好）、需要现成生产级支持的场景（开源意味着维护和调试由使用者承担）。

从实用角度，305B参数的全量推理在单节点上需要约8张80GB H100显卡（或更多），这对大多数中小开发者来说是不现实的。但量化版本（INT4/INT8）可以在更少的显卡上运行——DeepSeek的开源传统通常包括官方量化权重，或者社区会很快提供。

MoE架构的另一个优势是：尽管总参数305B，但每次前向传递只激活约13B参数，这意味着推理的实际计算量接近13B Dense模型，而不是305B。这让V4-Flash-Vision-Exp在同等GPU算力下，比305B的Dense模型快很多。

对于2026年想建立多模态AI产品的企业，V4-Flash-Vision-Exp代表了一个新的参照点：你可以免费拥有一个300B+规模的多模态基础模型，在自己的硬件上运行。这个选择的存在，会改变企业和云API供应商之间的谈判筹码。

参考资料

  1. TechTimes - “DeepSeek Open-Sources First V4 Vision Model: Benchmark Claims Need Independent Proof”（2026-09-01）: https://www.techtimes.com/articles/326132/20260901/deepseek-open-sources-first-v4-vision-model-benchmark-claims-need-independent-proof.htm

  2. Hugging Face DeepSeek-V4-Flash-Vision-Exp model repository: https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-Vision-Exp

  3. Shanghai NYU RITS AI analysis: https://rits.shanghai.nyu.edu/ai/deepseek-v4-flash-vision-exp-open-weights