DeepSeek presenta un nuevo modelo multimodal con capacidades de visión

El 31 de agosto de 2026, DeepSeek lanzó su primer modelo multimodal, DeepSeek-V4-Flash-Vision-Exp, en Hugging Face bajo la licencia MIT. El modelo incluye archivos, tokenizador, codificación de indicaciones y una implementación mínima de inferencia de PyTorch que cubre módulos centrales como el codificador de visión, Aligner, DFlash Attention y MoE. DeepSeek-V4-Flash-Vision-Exp, marcado como una versión experimental, se lanzó el 21 de agosto de 2026 y admite la entrada de imágenes además de texto. Puede describir imágenes, reconocer texto en capturas de pantalla y analizar gráficos en formatos JPEG, PNG, GIF y WebP. DeepSeek afirma que el modelo funciona bien en los marcos de agentes multimodales, igualando la versión formal V4-Flash en tareas basadas en texto y superándola en las pruebas de comprensión visual, acercándose a las capacidades de Opus-4.8. Las capacidades de visión del modelo le permiten realizar tareas que requieren el análisis de imágenes, ampliando su utilidad en diversas aplicaciones. DeepSeek enfatiza que el modelo conserva las fortalezas de la versión V4-Flash, al tiempo que mejora significativamente su rendimiento en tareas visuales, lo que lo convierte en un fuerte competidor en el espacio de la IA multimodal.