DeepSeek 發布多模態 V4 Flash Vision，視覺基準勝 Anthropic Opus 4.8

DeepSeek 本週推出 V4 Flash Vision Exp，這是其旗艦 V4 系列的多模態新成員，能同時處理文字與圖像輸入。目前僅開放付費開發者平台存取，免費版尚未確定，但考量到 DeepSeek 過去開源多款模型的慣例，後續開放的可能性不低。

這款模型的底層是今年四月發布的 V4 Flash——一個擁有 2,840 億參數的混合專家（Mixture of Experts）架構，實際運作時只啟動最適合當前任務的子網路（每個子網路約 130 億參數），大幅降低推論所需的算力。V4 Flash 還採用 HCA 與 CSA 兩種 KV cache 壓縮技術，據 DeepSeek 數據，處理百萬 token 長文時可減少 73% 的運算開銷。訓練方面，V4 Flash 使用了 32 兆 token 的訓練資料，並以 Muon 演算法加速隱藏層的校準效率。

在視覺能力上，V4 Flash Vision Exp 與 Anthropic Opus 4.8 的比較是這次發布最值得注意的數字。DeepSeek 選了兩個基準：ALE 含有逾千道多步驟任務，要求模型與應用程式互動、寫程式並解讀媒體檔；ZeroBench 則是 100 道專為頂尖模型設計的高難度圖像題。V4 Flash Vision Exp 在這兩項上均勝過 Opus 4.8。在圖像分析的四項基準測試中，有兩項得分高出超過 10%。文字任務方面則在七項測試中贏得六項，唯一落後的是 Cybergym，也就是偵測軟體漏洞的資安基準。

真正值得敲黑板的地方在這裡：DeepSeek 沒有公開 V4 Flash Vision Exp 的架構細節，卻已在部分視覺基準上壓過定價遠高於自身的 Anthropic 旗艦模型。Opus 4.8 的 API 定價屬於業界高端區間，而 DeepSeek 憑藉 MoE 稀疏啟動與 KV cache 壓縮兩項技術組合，把推論成本壓到極低。這不是第一次，但這次加了視覺能力之後，「以低價換高分」的策略延伸到了多模態賽道。對那些在評估企業 AI 應用是否要換底層模型的採購方來說，視覺能力的成本差距才是真正的決策變數——Opus 4.8 擅長的資安漏洞偵測是少數 DeepSeek 仍落後的場景，但多數圖像分析、文件理解的工作負載已不必為此付出數倍溢價。

V4 Flash 還有一個平行版本 V4 Pro，參數量超過 V4 Flash 五倍以上。既然 Flash 走上了多模態特化路線，Pro 版跟進推出視覺變體的可能性很高，屆時比較基準的對象也可能從 Opus 4.8 直接上移到更頂端的對手。DeepSeek 正在用一條清晰的產品樹邏輯擴張：先確立基礎模型，再分支出任務特化版本。下一個問題是，當這條路走到 V4 Pro Vision，競爭格局又會怎麼移動。