DeepSeek revela novo modelo multimodal com capacidades de visão

Em 31 de agosto de 2026, a DeepSeek lançou seu primeiro modelo multimodal, DeepSeek-V4-Flash-Vision-Exp, no Hugging Face sob a Licença MIT. O modelo inclui arquivos, tokenizador, codificação de prompts e uma implementação mínima de inferência do PyTorch que cobre módulos essenciais como o codificador de visão, Aligner, DFlash Attention e MoE. DeepSeek-V4-Flash-Vision-Exp, marcado como uma versão experimental, foi lançado em 21 de agosto de 2026 e suporta a entrada de imagens, além de texto. Ele pode descrever imagens, reconhecer texto em capturas de tela e analisar gráficos em formatos JPEG, PNG, GIF e WebP. A DeepSeek afirma que o modelo apresenta bom desempenho em frameworks de agentes multimodais, correspondendo à versão formal V4-Flash em tarefas baseadas em texto e superando-a em benchmarks de compreensão visual, se aproximando das capacidades do Opus-4.8. A capacidade de visão do modelo permite que ele lide com tarefas que exigem análise de imagem, expandindo sua utilidade em várias aplicações. A DeepSeek enfatiza que o modelo mantém as vantagens da versão V4-Flash, ao mesmo tempo que melhora significativamente seu desempenho em tarefas visuais, tornando-o um forte concorrente no espaço da IA multimodal.