Wyciek otwartych wag DeepSeek V4 Vision: Vision-Exp jest tylko przez API, a finalny model ma być otwarty.

Dwa zdania opublikowane w tym tygodniu na X to jak dotąd najbardziej użyteczna rzecz, jaką ktokolwiek powiedział o tym, dokąd zmierza linia wizyjna V4 DeepSeek. teortaxesTex, badacz uważnie śledzący DeepSeek, napisał: „Podejrzewam, że tak, nie udostępnią wag Vision-exp. Robili takie rzeczy w generacji V2. Ale na pewno udostępnią wagi V4-Vision-Final." Nic z tego nie zostało potwierdzone — to świadoma prognoza, a nie ogłoszenie — ale pierwsza część już odpowiada temu, co się stało. DeepSeek-V4-Flash-Vision-Exp, pierwszy model z rodziny V4 z natywnym wejściem obrazu, został udostępniony w API DeepSeek 21 sierpnia 2026 roku jako wydanie tylko przez API, bez możliwości pobrania wag. Druga część, jeśli się utrzyma, zmienia to, co programista może faktycznie zrobić z linią wizyjną V4: samodzielne hostowanie, lokalne dostrajanie i realny wybór między uruchomieniem modelu u siebie a wywoływaniem go.

To jest tekst typu „co wiemy do tej pory”, a linia źródeł ma znaczenie większe niż zwykle. Tweet to odczyt osoby z wewnątrz, a nie wyciek plików, i celowo pozostaje niezweryfikowany. Zweryfikowany jest obecny stan DeepSeek-V4-Flash-Vision-Exp — wydany, wyceniony, poddany benchmarkom, dostępny wyłącznie przez API — a niezweryfikowane jest wszystko, co dotyczy premiery finalnego modelu. To rozróżnienie przewija się przez każdą sekcję poniżej.

Co tak naprawdę mówi wyciek

Sygnał jest krótki, więc warto go precyzyjnie przeanalizować. "Vision-exp" to DeepSeek-V4-Flash-Vision-Exp, eksperymentalny model, który DeepSeek wypuścił 21 sierpnia. "V4-Vision-Final" to skrót badacza na produkcyjną wersję V4 vision, którą DeepSeek zapowiedział, ale jeszcze nie nazwał. Przewidywanie ma dwie części: DeepSeek utrzyma zamknięte wagi modelu eksperymentalnego — wzorzec, który według teortaxesTex obowiązuje od generacji V2 — a wagi finalnego modelu zostaną otwarte.

Najmocniejszym precedensem generacji V2 w historii jest DeepSeek-VL2, otwarta rodzina modeli wizyjno-językowych DeepSeek z grudnia 2024 roku, udostępniona na liberalnej licencji DeepSeek Model License z kodem na licencji MIT. To dokładnie ta połowa wzorca, która dotyczy „finalnych otwarć”. Połowa „eksperymentalne pozostaje zamknięte” to interpretacja zachowania DeepSeek przez badacza i jest spójna z tym, jak firma od tego czasu traktowała modele podglądowe — co sprawia, że przewidywanie co do finalnego modelu warto traktować poważnie, a nie lekceważyć.

Co zostało zweryfikowane: wydanie Vision-Exp

Powyższa strona ogłoszenia stanowi cały oficjalny zapis: DeepSeek-V4-Flash-Vision-Exp jest dostępny na platformie API DeepSeek od 21 sierpnia 2026 r., ID modelu: deepseek-v4-flash-vision-exp, a na stronie nie opublikowano niczego na temat wag, architektury ani licencji. DeepSeek nie powiedział o tym modelu słowa „open source". Strona jest wyłącznie ogłoszeniem o API.

To, co robi model, jest zweryfikowane i użyteczne. Przyjmuje tekst oraz obrazy — JPEG, PNG, GIF lub WebP — za pomocą base64 inline, zewnętrznego URL lub nowego DeepSeek Files API, który jest darmowy i pozwala przesłać plik raz, a następnie używać go wielokrotnie za pomocą file_id. Zwraca tekst. Jego możliwości tekstowe odpowiadają trybowi tekstowemu DeepSeek-V4-Flash: takie samo zachowanie agenta, rozumowanie i wiedza o świecie, w kontekście 1M tokenów z maksymalnie 384K tokenami na wyjściu. Obrazy są rozliczane jako tokeny, do 384 tokenów za obraz, dokładnie w cenie V4-Flash. DeepSeek Harness 0.1.1 ukazał się tego samego dnia z natywnym wsparciem.

Liczby podane przez DeepSeek

W benchmarkach agentów multimodalnych głównym wynikiem jest przewaga nad modelem tekstowym. Według własnych danych DeepSeek — raportowanych przez dostawcę, niepotwierdzonych jeszcze przez nikogo niezależnego:

ApexBench (Pass@1) — 36,5 dla Vision-Exp wobec 26,2 dla wersji tekstowej DeepSeek-V4-Flash.

Ostatni egzamin agentów — 27.3 vs 25.2.

Chartography — 64.3.

• ZeroBench (Pass@5) — 35.0.

Podsumowanie DeepSeek mówi, że model „przybliża wydajność agentów multimodalnych do poziomu Opus-4.8", jednocześnie dorównując V4-Flash w benchmarkach czysto tekstowych. To dane DeepSeek, jeszcze bez niezależnej oceny, a „blisko Claude Opus-4.8" to ujęcie DeepSeek, a nie zmierzony ranking.

Powyższa tablica wyników przedstawia stan gry na dzień 22 sierpnia 2026 r.: jedynym wydanym modelem wizyjnym V4 jest wersja eksperymentalna dostępna wyłącznie przez API, a wszystko, co dotyczy finalnego modelu — wagi, rozmiary, data — to oczekiwania, a nie fakty.

Dlaczego kwestia otwartych wag ma znaczenie

DeepSeek to jedno z niewielu laboratoriów z czołówki, których modele produkcyjne są regularnie udostępniane jako otwarte, i to właśnie ta historia jest prawdziwym powodem, dla którego wyciek informacji o wagach jest newsem. Tekstowy model bazowy DeepSeek-V4-Flash-0731 jest objęty licencją MIT — i właśnie dlatego społeczność w ogóle mogła na nim budować. Jeśli finalny model wizyjny V4 pójdzie w ślady DeepSeek-VL2 i linii modeli tekstowych, otwarte wagi zmieniają to, co może zrobić czytelnik: może wdrożyć model lokalnie na własnym sprzęcie, dostroić go na zastrzeżonych danych obrazowych, używać go w środowisku odizolowanym od sieci i ponosić zerowy koszt za token na własnym GPU.

Istnieje również opisywana mapa drogowa, która się z tym pokrywa. Chińskie media technologiczne donosiły w maju 2026 r., że DeepSeek zapowiedział plany udostępnienia open-source'owych wag wizyjnych V4 w Q3 2026. To doniesienie o zobowiązaniu, a nie potwierdzona data — a etap wyłącznie API z 21 sierpnia jest spójny z podejściem „najpierw wersja eksperymentalna, potem wagi". Jeśli chodzi o licencję, doniesienia społeczności wskazują na Apache-2.0 lub MIT, ale nic nie zostało potwierdzone.

Tymczasowa odpowiedź społeczności

Ponieważ oficjalne wagi wizyjne nie są otwarte, społeczność zbudowała własne. Istnieją trzy godne uwagi warianty oparte wyłącznie na projektorze, zbudowane na szkielecie tekstowym DeepSeek-V4-Flash-0731 na licencji MIT; każdy z nich zamraża model tekstowy i trenuje przed nim mały adapter wizyjny:

• FlyCockpit/DeepSeek-V4-Flash-0731-vision — wieża wizyjna DeepEncoderV2 plus wytrenowany projektor, serwowane przez vLLM za pomocą małej wtyczki; testowane na klastrach NVIDIA DGX Spark z prędkością około 50 tokenów na sekundę.

• jarrelscy/deepseek-v4-flash-0731-vision — zamrożona wieża MoonViT (pierwotnie z Kimi-K2.6) plus projektor o około 40 milionach parametrów wytrenowany za pomocą GRPO, zgodnie z recepturą „WebBrain patchmerger”.

• webbrain-one/DeepSeek-V4-Flash-0731-Vision-NVFP4 — punkt kontrolny o mieszanej precyzji NVFP4 z uwzględniającym routing modułem PatchMerger i niestandardową integracją SGLang.

To nieoficjalne, zaszczepione modele, a nie model DeepSeek. Pokazują, że wyposażenie V4 Flash w oczy jest wykonalne, a zostaną zastąpione, gdy tylko pojawią się oficjalne wagi wizyjne. Sam fakt, że w ogóle istnieją, jest najwyraźniejszym sygnałem, jak bardzo społeczność pragnie tych wag.

Jak mógłby wyglądać V4-Vision-Final

Wszystko w tej sekcji to spekulacja, ponieważ nic nie zostało ogłoszone. Najbardziej prawdopodobny kształt, zgodnie ze wzorcami DeepSeek: finalny model wizyjny — prawdopodobnie zarówno w rozmiarach Flash, jak i Pro — z otwartymi wagami. Ekonomia sprawia, że lokalne wdrożenie jest prawdopodobne w rozmiarze Flash: DeepSeek-V4-Flash to model mixture-of-experts z 284 miliardami parametrów, który aktywuje tylko 13 miliardów na token, z kontekstem 1 miliona tokenów, a raporty społeczności dotyczące wdrożeń wskazują na dwa RTX 4090 lub jeden RTX 5090 dla wersji kwantyzowanej. DeepSeek-V4-Pro podobno ma łącznie około 1,6 biliona / 49 miliardów aktywnych — to większe wyzwanie, ale obowiązuje ta sama logika MoE. DeepSeek powiedział też, że V4 był trenowany multimodalnie od samego początku; Vision-Exp jest pierwszym przejawem tej możliwości, a finalny model może odsłonić więcej z niej.

Nic z tego nie jest potwierdzone. Jest to kształt, jakiego czytelnik powinien się spodziewać, a nie obietnica.

Jak grać w the wait

Oto, co jest prawdą dziś, w odróżnieniu od tego, co może być prawdą później. DeepSeek-V4-Flash-Vision-Exp jest już aktywny i dostępny do routingu, w cenie katalogowej samego DeepSeek — 0,15 USD za 1 mln tokenów wejściowych i 0,29 USD za 1 mln tokenów wyjściowych, w tej samej cenie co tekstowy V4-Flash, z obrazami rozliczanymi dodatkowo jako tokeny. OrcaRouter kieruje go przez jeden klucz API w ramach ponad 200 modeli, przekazuje cenę katalogową dostawcy z 0% narzutu i może automatycznie przełączyć się na sprawdzony model. To uczciwy sposób na wypróbowanie modelu eksperymentalnego: skieruj testowe obciążenie na Vision-Exp, zachowaj niezawodny fallback na tym samym punkcie końcowym i pozwól automatycznemu przełączaniu awaryjnemu wstawić niezawodny model w momencie, gdy eksperymentalny się zatnie.

Powyższa strona modelu to miejsce, w którym DeepSeek-V4-Flash-Vision-Exp jest dziś faktycznie dostępny do wywołania — 0,15 $ za wejście, 0,29 $ za wyjście, jeden klucz API, bez drugiej umowy.

Gdy finalny model o otwartych wagach zostanie opublikowany, od razu dzieją się dwie rzeczy: samo-hostujący będą mogli uruchomić go lokalnie, a trasa hostowana pozostanie na tym samym kluczu i tej samej cenie pass-through. Nie będziesz musiał wybierać w momencie ogłoszenia — warstwa routingu sprawia, że obie opcje dzieli tylko jedno wywołanie. Dla jasności co do granicy: OrcaRouter kieruje API; nie hostujemy wag modeli. Lokalne wdrożenie finalnego modelu wizyjnego V4 dotyczy wag DeepSeek, a nie nas.

Co obejrzeć dalej

Cztery rzeczy zamieniłyby ten przeciek w premierę. Oficjalna nazwa i data premiery finalnego modelu wizyjnego V4. Potwierdzenie licencji — zarówno MIT, jak i Apache-2.0 są prawdopodobne, a różnica ma znaczenie dla prac pochodnych. Pierwszy niezależny benchmark finalnego modelu, który zastąpiłby stwierdzenie DeepSeeka „blisko Claude Opus-4.8” liczbą zweryfikowaną przez kogoś innego. Oraz, dla sceptycznego spojrzenia, to, czy sam DeepSeek-V4-Flash-Vision-Exp kiedykolwiek otrzyma wagi — przeciek mówi, że nie, a schemat postępowania DeepSeeka potwierdza taką interpretację.

Dopóki któraś z tych rzeczy nie nadejdzie, traktuj przeciek jako sygnał kierunkowy, a nie fakt. Eksperymentalny model wizyjny V4 jest realny, użyteczny i dostępny wyłącznie przez API. Finalny model o otwartych wagach to oczekiwanie poparte wiarygodnymi źródłami, a nie wydany produkt. Jeśli obserwator na X ma rację, linia modeli wizyjnych V4 trafi tam, gdzie zwykle trafiają modele DeepSeeka — czyli na Twoje własne urządzenia, z hostowanym API jako bezobsługową alternatywą.