DeepSeek-V4-Flash-Vision-Exp công bố trọng số mở: Giá ngang với V4-Flash, giờ đây có thể tự lưu trữ.

DeepSeek-V4-Flash-Vision-Exp, mô hình đa phương thức thử nghiệm được ra mắt trên API của DeepSeek vào ngày 21 tháng 8, đã phát hành trọng số (weights) trên Hugging Face vào ngày 31 tháng 8 theo giấy phép MIT. Mười ngày sau khi API ra mắt, cùng một bộ não tính phí theo đúng mức token của DeepSeek-V4-Flash giờ có thể tải về đầy đủ — tệp mô hình, tokenizer, tài liệu tham chiếu mã hóa prompt, một đường dẫn suy luận PyTorch tối giản, và khả năng phục vụ vLLM ngay từ ngày đầu, điều mà dự án vLLM đã công bố cùng ngày. Điều đó khiến tác nhân có thị giác với ngữ cảnh 1M rẻ nhất cũng trở thành tác nhân rẻ nhất để tự lưu trữ (self-host), đồng nghĩa với việc bản triển khai tham chiếu không còn là cách duy nhất để chạy nó. Một nhận định mới đáng nêu ngay từ đầu: nhà phân tích Teortaxes, khi đọc bản phát hành trên X, cho biết việc mở trọng số mang lại sự tương đương về tính năng với các mô hình thị giác của Moonshot và GLM. Trọng số mở là sự thật đã được xác minh; còn sự tương đương đó là cách đọc từ bên thứ ba mà chưa ai tái lập được.

Những gì thực sự đã được phát hành

DeepSeek-V4-Flash-Vision-Exp là một mô hình đa phương thức thử nghiệm, được truy cập bằng ID mô hình deepseek-v4-flash-vision-exp. Về mặt kiến trúc, nó là một bộ mã hóa thị giác và bộ căn chỉnh trên nền tảng MoE V4-Flash — cùng một mô hình văn bản có khoảng 284 tỷ tham số, 13 tỷ tham số hoạt động, với các mô-đun thị giác được bổ sung. Nó nhận văn bản và hình ảnh đầu vào và tạo ra văn bản đầu ra, trên cửa sổ ngữ cảnh 1 triệu token với đầu ra tối đa 384K, ở cả chế độ tư duy và không tư duy. Nó hỗ trợ định dạng Chat Completions, Messages kiểu Anthropic và định dạng Responses, đây là bộ ba mà một khung tác nhân cần để kết nối nó mà không cần bộ điều hợp tùy chỉnh.

Đối với đầu vào hình ảnh, DeepSeek chấp nhận JPEG, PNG, GIF và WebP, được truyền theo ba cách: base64 nội tuyến, URL bên ngoài hoặc tệp được tải lên qua Files API. Chưa có đầu vào video hay âm thanh — "tầm nhìn" ở đây chỉ là ảnh tĩnh.

Vị thế tự nhận của DeepSeek trong ghi chú phát hành: khả năng thuần văn bản — tác nhân, suy luận, tri thức thế giới — ngang bằng với bản phát hành chính thức DeepSeek-V4-Flash, trong khi khả năng tác nhân đa phương thức có bước nhảy vọt lớn và tiến gần đến Opus-4.8. Đó là một tuyên bố của nhà cung cấp, chưa được tái lập, và đáng để đọc kỹ, vì chi tiết điểm chuẩn đằng sau nó thú vị hơn tiêu đề.

Những gì bản phát hành open-weights thực sự bao gồm

Bản phát hành hôm nay trả lời câu hỏi mà bài viết ra mắt còn để ngỏ. Kho lưu trữ Hugging Face — deepseek-ai/DeepSeek-V4-Flash-Vision-Exp — mang giấy phép MIT và cung cấp toàn bộ trọng số (khoảng 285 tỷ tham số — backbone MoE V4-Flash cùng vision encoder và aligner — khoảng 13 tỷ tham số kích hoạt cho mỗi token, được chia thành 48 shard), tokenizer, một triển khai tham chiếu mã hóa prompt kiểu OpenAI, và một đường dẫn suy luận PyTorch tối giản bao gồm vision encoder, aligner, DFlash attention, MoE, Hyper-Connections và bước truyền xuôi DSpark. DeepSeek vẫn gọi mã PyTorch là triển khai tham chiếu chứ không phải một engine phục vụ sản xuất — nhưng nó không còn phải là đường dẫn phục vụ nữa, vì vLLM đã công bố hỗ trợ ngay trong ngày ra mắt.

Tuyên bố của chính dự án vLLM là hiện tại nó phục vụ mô hình này. Điều đó có nghĩa gì trong thực tế, khi đối chiếu với kho lưu trữ vLLM và thẻ mô hình (model card), là một docker image cố định ở ngày ra mắt (day-0) (vllm/vllm-openai:deepseekv4-flash-vision) và một công thức chính thức gắn liền với một pull request thượng nguồn vẫn còn mở (#54566). Hỗ trợ thị giác không nằm trong wheel vLLM đã phát hành — wheel thông thường sẽ định tuyến checkpoint vào đường dẫn chỉ xử lý văn bản và gặp lỗi trên các tensor thị giác — vì vậy "day-0" ở đây có nghĩa là một image mà bạn tự cố định, chứ không phải là nâng cấp một bản cài đặt vLLM hiện có. Trên image đó, vLLM báo cáo đường dẫn thị giác hoạt động trên NVIDIA GB200 và đạt điểm OCRBench 835 (83,5%) trên cấu hình tham chiếu. Giới hạn thực tế đã chuyển từ "chờ bản phát hành ổn định" sang "tự tải xuống, phục vụ và tự đo lường."

Trên X, nhà phân tích Teortaxes đã đặt bản phát hành này trong bối cảnh cạnh tranh: các trọng số mở giờ đây mang lại cho DeepSeek một số tính năng tương đương với các mô hình thị giác từ Moonshot và GLM. Đó là nhận định từ bên thứ ba — không phải tuyên bố của DeepSeek và cũng không phải kết quả được đo lường — nhưng điều này có thể kiểm chứng theo cách mà trước bản phát hành này là không thể, vì chính bản phát hành trao cho bất kỳ ai các tệp để chạy so sánh.

Vì sao cú nhảy điểm chuẩn lớn hơn so với vẻ bề ngoài

Tất cả các số liệu sau đây là của riêng DeepSeek, được công bố trong ghi chú ra mắt, chưa được xác minh độc lập. Trên các điểm chuẩn tác tử có nhúng ảnh chụp màn hình và hình ảnh, phiên bản chỉ văn bản DeepSeek-V4-Flash không đọc chúng — nó chỉ đơn giản bỏ qua các phần đa phương thức của nhiệm vụ. DeepSeek-V4-Flash-Vision-Exp thực sự nhìn, đó là lý do tại sao mức chênh lệch lớn đến vậy:

• ApexBench Pass@1 — Vision-Exp 36.5 so với V4-Flash 26.2 (Opus-4.8 39.4)

• Agents' Last Exam — Vision-Exp 27.3 vs V4-Flash 25.2 (Opus-4.8 25.7)

Terminal-Bench 2.1 — Vision-Exp 83.9 so với V4-Flash 82.7 (Opus-4.8 85.0)

• NL2Repo — Vision-Exp 57.7 so với V4-Flash 54.2 (Opus-4.8 69.7)

• DeepSWE — Vision-Exp 59.3 so với V4-Flash 54.4 (Opus-4.8 58.0)

• Chartography — Vision-Exp 64.3 (phiên bản V4-Flash chỉ văn bản không thể thử được)

• ZeroBench Pass@5 — Vision-Exp 35.0 (V4-Flash bản chỉ văn bản không thể thử được)

Hai con số trong số đó đáng được nhìn lại. Trên Agents' Last Exam, Vision-Exp (27.3) nhỉnh hơn Opus-4.8 (25.7), và trên DeepSWE nó cũng vượt qua Opus-4.8 (59.3 so với 58.0). Đó chính là điều mà "gần bằng Opus-4.8" thực sự dựa vào — không phải một kết quả nổi bật duy nhất, mà là một nhóm các benchmark tác nhân, nơi việc nhìn thấy màn hình thu hẹp phần lớn khoảng cách với mô hình đa phương thức hàng đầu, trong khi có mức giá thấp hơn khoảng một bậc độ lớn.

Giá của một hình ảnh, chính xác đến từng số thập phân

Hình ảnh được token hóa để tính phí — tối đa 384 token mỗi hình ảnh — và sau đó được tính phí theo tỷ lệ trên mỗi token giống như DeepSeek-V4-Flash. Vì DeepSeek đã chuyển tất cả các mô hình của mình sang định giá cao điểm/ngoài giờ cao điểm vào ngày 16 tháng 8 năm 2026, các con số chính xác phụ thuộc vào thời điểm bạn gọi:

• Đầu vào, cache miss — $0,22 mỗi 1 triệu token ngoài giờ cao điểm, $0,44 giờ cao điểm

Đầu vào, trúng cache — 0,007 USD mỗi 1 triệu token ngoài giờ cao điểm, 0,014 USD giờ cao điểm

• Đầu ra — $0,66 mỗi 1M token ngoài giờ cao điểm, $1,32 giờ cao điểm

• Giờ cao điểm — 01:00–04:00 và 06:00–10:00 UTC (tất cả các giờ khác là giờ thấp điểm)

Thực hiện phép tính và chi phí của thị giác gần như biến mất. Một hình ảnh ở mức tối đa 384 token là khoảng 0.0085 cent ngoài giờ cao điểm và 0.017 cent vào giờ cao điểm, khi dùng làm đầu vào. Một agent đọc 50 ảnh chụp màn hình trong một lần chạy sẽ thêm khoảng nửa cent token đầu vào — trước cả khi mô hình viết token đầu ra đầu tiên. DeepSeek cũng giới hạn độ phân giải trước khi suy luận: mức chi tiết thấp sẽ thay đổi kích thước về 512×512, còn mức cao/nguyên bản thì chia tỷ lệ trước cho ảnh (ảnh nhỏ được phóng lên tối đa khoảng 384×384, ảnh lớn được thu nhỏ xuống khoảng 800×800), vì vậy ảnh gốc có độ phân giải cao không bao giờ được đưa vào mô hình với số pixel gốc của nó.

Các mức giá đó giờ chỉ là trần giá chứ không còn là lựa chọn duy nhất. Với trọng số được công khai, việc tự lưu trữ sẽ có chi phí bằng đúng chi phí GPU của bạn thay vì giá niêm yết theo token — đáng để tính toán nếu bạn đã vận hành phần cứng suy luận, không liên quan nếu bạn không có.

Dàn diễn viên phụ: một Files API miễn phí và Harness 0.1.1

Hai thành phần hạ tầng được phát hành cùng với buổi ra mắt API. Files API đang hoạt động và miễn phí: tải lên một hình ảnh một lần, tham chiếu nó bằng file_id, và tái sử dụng nó qua nhiều yêu cầu mà không cần gửi lại dữ liệu — điều này có ý nghĩa đối với một tác tử duyệt web giữ một trang trong ngữ cảnh qua nhiều lượt. Và DeepSeek Harness 0.1.1, phát hành cùng ngày, có hỗ trợ sẵn cho mô hình mới, do đó harness dùng để đánh giá và điều khiển các khối lượng công việc tác tử của DeepSeek có thể nhắm đến nó ngay lập tức. Với trọng số được cấp phép MIT, ngăn xếp mô hình và bộ công cụ giờ đây đã mở từ đầu đến cuối.

Lưu ý về sản xuất, nói một cách rõ ràng

Đây là một mô hình thử nghiệm. DeepSeek công khai dán nhãn nó như vậy, chưa công bố ngày GA, và khuyến nghị không nên chạy trực tiếp trong môi trường sản xuất; kế hoạch đã nêu là sẽ tiếp thu phản hồi và phát hành phiên bản ổn định sau này. Hệ quả thực tế là bộ não văn bản đã được kiểm chứng — nó thuộc cùng một họ trọng số cung cấp sức mạnh cho V4-Flash — nhưng đường dẫn thị giác lại là mã nguồn mới. Image day-0 của vLLM giúp mô hình có thể chạy được ngay hôm nay, nhưng image đó được công bố rõ ràng là bản tiền phát hành: phần triển khai thị giác nằm trong một pull request mở, chứ không phải bản phát hành ổn định, và phần cứng duy nhất có kết quả chạy thị giác được công bố cho đến nay là NVIDIA GB200. Vì vậy, làn sóng kiểm thử tải độc lập đầu tiên chỉ mới bắt đầu trong tuần này — nhưng nó bắt đầu với một serving engine thực thụ, chứ không chỉ là mã tham chiếu của DeepSeek.

Đó chính là tình huống mà một lớp định tuyến chứng tỏ được giá trị của mình. Trên OrcaRouter, cả deepseek/deepseek-v4-flash-vision-exp và deepseek/deepseek-v4-flash đều đang hoạt động phía sau một API duy nhất, với giá niêm yết của DeepSeek được chuyển thẳng, không cộng thêm phí. Bạn có thể hướng lưu lượng chứa hình ảnh tới mô hình thử nghiệm và, trong cùng một cấu hình, thiết lập cơ chế chuyển dự phòng (failover) tự động sang một mô hình dự phòng ngay khi mô hình chính gặp lỗi hoặc hết thời gian chờ — nhờ đó giảm thiểu rủi ro cho toàn bộ bài toán "mã mới". DSL định tuyến cũng cho phép bạn chỉ gửi những lệnh gọi thực sự chứa hình ảnh tới mô hình thị giác, đồng thời giữ lưu lượng thuần văn bản trên DeepSeek-V4-Flash, thu về những lợi ích benchmark ở nơi chúng tồn tại và không phải trả thêm chi phí nào ở nơi không có.

Giấy phép MIT cũng có nghĩa là đường dẫn tự lưu trữ (self-host) giờ đây tồn tại cho các nhóm muốn điều đó — bản phát hành bao gồm mã suy luận tham chiếu, và hình ảnh day-0 của vLLM bổ sung tùy chọn phục vụ cấp độ sản xuất, vì vậy bạn không bị khóa vào API. Đối với những ai không muốn vận hành một mô hình MoE khoảng 285 tỷ tham số chỉ để đánh giá một mô hình, API định tuyến là lối vào có ít rào cản hơn.

Xem gì tiếp theo

Các câu hỏi mở đã thu hẹp kể từ khi API ra mắt. Liệu DeepSeek-V4-Flash-Vision-Exp có đạt GA không, và mức giá có được giữ nguyên không? Liệu đầu vào video hoặc âm thanh có theo sau không — hiện tại mô hình chỉ xử lý ảnh tĩnh, điều này khiến các mô hình tiên phong đa phương thức lớn không có đối thủ trên phương tiện chuyển động? Khi nào đường dẫn thị giác của vLLM tiến từ hình ảnh day-0 được cố định lên bản phát hành ổn định, rồi mở rộng sang phần cứng ngoài GB200? Và liệu các đánh giá độc lập — lần chạy đầu tiên của bên thứ ba trên ApexBench hoặc Terminal-Bench, nay bất kỳ ai có GPU cũng có thể thực hiện — có tái tạo đúng các con số đã công bố không?

Một điều đã thay đổi kể từ khi bản ghi chú phát hành được công bố. Vào ngày 8 tháng 9, Teortaxes — nhà phân tích có khung so sánh tương đương xuất hiện ở trên — đã báo cáo từ việc kiểm tra thực tế rằng DeepSeek hiện dường như vận hành ít nhất hai mô hình V4-Flash-Vision hiện đại. Mô hình mà ông tiếp cận được qua thử nghiệm xám, trong thử nghiệm của ông, là mô hình mạnh hơn trong hai mô hình, và nó chạy với tốc độ tương tự như DeepSeek-V4-Flash-Vision-Exp, điều ông đọc là một nền tảng dùng chung; một bản dựng mới hơn thì nhanh hơn nhưng yếu hơn. Đây là một quan sát thử nghiệm xám của một nhà nghiên cứu đơn lẻ, không phải tuyên bố của DeepSeek và cũng không phải một benchmark độc lập. Nó xuất hiện đúng ngày DeepSeek mở bản beta API kéo dài hai ngày cho một “phiên bản trung gian” mà hãng mô tả là đa phương thức thuần gốc và nhanh hơn — mã mô hình deepseek-v4.1-flash-expires-on-0910 bắt đầu được phục vụ vào ngày 8 tháng 9 — vì vậy câu hỏi thực tế cho người mua là bản phát hành chính thức sẽ rơi vào đâu trên sự đánh đổi tốc độ và sức mạnh: liệu tầng nhanh hơn có giữ được hồ sơ benchmark agentic đã khiến bản phát hành open-weights trở nên hấp dẫn, hay đánh đổi nó để lấy thông lượng.

Câu hỏi về mức tương đương Moonshot/GLM là vấn đề đáng theo dõi tiếp theo. Cách diễn đạt của Teortaxes là phiên bản có thể kiểm chứng của tuyên bố "gần bằng Opus-4.8" mà nhà cung cấp đưa ra: với bộ trọng số được mở, bất kỳ ai giờ đây cũng có thể chạy đối chiếu trực tiếp giữa các mô hình thị giác của Moonshot và GLM trên benchmark của riêng họ. Cho đến khi có người thực hiện, đó vẫn chỉ là một tuyên bố. Điều không cần tái xác lập là dữ kiện định giá nằm bên dưới toàn bộ bản phát hành — thị giác với mức giá ngang text là con số thanh toán, không phải benchmark, và với bộ trọng số được mở, giờ đây nó đã có một lựa chọn miễn phí đi kèm.