Rò rỉ trọng số mở DeepSeek V4 Vision: Vision-Exp chỉ dùng qua API, mô hình cuối cùng dự kiến sẽ mở

Hai câu được đăng trên X trong tuần này là điều hữu ích nhất mà bất kỳ ai đã nói cho đến nay về hướng đi của dòng mô hình thị giác V4 của DeepSeek. teortaxesTex, một nhà nghiên cứu theo dõi sát sao DeepSeek, đã viết: "Tôi đoán rằng đúng là họ sẽ không công khai trọng số của Vision-exp. Họ đã từng làm những điều như vậy ở thế hệ V2. Nhưng họ chắc chắn sẽ công khai trọng số của V4-Vision-Final." Không điều nào trong số đó được xác nhận — đó là một dự đoán có cơ sở, không phải một thông báo chính thức — nhưng nửa đầu đã khớp với những gì thực sự diễn ra. DeepSeek-V4-Flash-Vision-Exp, mô hình đầu tiên của gia đình V4 có khả năng nhận đầu vào hình ảnh trực tiếp, đã ra mắt trên API của chính DeepSeek vào ngày 21 tháng 8 năm 2026 dưới dạng bản phát hành chỉ dành cho API, không có trọng số để tải về. Nửa sau, nếu trở thành hiện thực, sẽ thay đổi những gì nhà phát triển thực sự có thể làm với dòng mô hình thị giác V4: tự lưu trữ, tinh chỉnh cục bộ, và một lựa chọn thực sự giữa việc tự chạy mô hình và gọi API.

Đây là một bài viết dạng "những gì chúng ta biết cho đến nay", và dòng ghi chú nguồn tin quan trọng hơn thường lệ. Tweet này là một nhận định từ người trong cuộc, không phải rò rỉ tài liệu, và nó cố ý chưa được xác minh. Điều đã được xác minh là trạng thái hiện tại của DeepSeek-V4-Flash-Vision-Exp — đã phát hành, đã định giá, đã benchmark, chỉ dùng qua API — còn điều chưa được xác minh là mọi thứ xoay quanh việc phát hành mô hình cuối cùng. Sự phân biệt này xuyên suốt mọi phần bên dưới.

Những gì vụ rò rỉ thực sự nói

Tín hiệu ngắn, nên đáng để phân tích chính xác. "Vision-exp" là DeepSeek-V4-Flash-Vision-Exp, mô hình thử nghiệm mà DeepSeek phát hành vào ngày 21 tháng 8. "V4-Vision-Final" là cách viết tắt của nhà nghiên cứu cho bản phát hành thị giác V4 chính thức mà DeepSeek đã hứa nhưng chưa đặt tên. Dự đoán có hai phần: DeepSeek sẽ giữ kín trọng số của mô hình thử nghiệm — một khuôn mẫu mà teortaxesTex cho rằng đã duy trì từ thế hệ V2 — và trọng số của mô hình cuối cùng sẽ được mở.

Tiền lệ thế hệ V2 mạnh nhất được ghi nhận là DeepSeek-VL2, dòng mô hình vision-language mã nguồn mở của DeepSeek ra mắt tháng 12/2024, được phát hành theo DeepSeek Model License cho phép với mã nguồn được cấp phép MIT. Đây chính xác là một nửa "mở bản cuối" của mô hình. Nửa "thử nghiệm vẫn đóng" là cách nhà nghiên cứu đọc hành vi của DeepSeek, và nó nhất quán với cách công ty đã xử lý các mô hình xem trước kể từ đó — điều khiến dự đoán về bản phát hành cuối cùng đáng được xem xét nghiêm túc thay vì bác bỏ.

Những gì được xác minh: bản phát hành Vision-Exp

Trang thông báo ở trên là toàn bộ hồ sơ chính thức: DeepSeek-V4-Flash-Vision-Exp đã hoạt động trên nền tảng API của DeepSeek kể từ ngày 21 tháng 8 năm 2026, mã model là deepseek-v4-flash-vision-exp, và không có bất kỳ thông tin nào về trọng số, kiến trúc hoặc giấy phép được công bố trên trang này. DeepSeek chưa từng nói hai chữ "mã nguồn mở" về model này. Trang này hoàn toàn chỉ là một thông báo API.

Những gì mô hình làm đã được kiểm chứng và hữu ích. Nó nhận văn bản cùng hình ảnh — JPEG, PNG, GIF hoặc WebP — qua base64 nội tuyến, một URL bên ngoài hoặc Files API mới của DeepSeek, vốn miễn phí và cho phép bạn tải lên một lần rồi tái sử dụng qua file_id. Nó trả về văn bản. Khả năng xử lý văn bản của nó tương đương với phiên bản chỉ-văn-bản DeepSeek-V4-Flash: cùng hành vi tác nhân, khả năng suy luận và kiến thức thế giới, trên ngữ cảnh 1M token với tối đa 384K token đầu ra. Hình ảnh được tính phí theo token, tối đa 384 token mỗi hình ảnh, với đúng giá niêm yết của V4-Flash. DeepSeek Harness 0.1.1 đã ra mắt cùng ngày với hỗ trợ tích hợp sẵn.

Các con số DeepSeek đã báo cáo

Trên các điểm chuẩn tác nhân đa phương thức, mức cải thiện so với mô hình chỉ văn bản là điểm nhấn chính. Theo số liệu của chính DeepSeek — do nhà cung cấp báo cáo, chưa được bất kỳ bên độc lập nào tái xác minh:

• ApexBench (Pass@1) — 36.5 cho Vision-Exp so với 26.2 cho DeepSeek-V4-Flash chỉ văn bản.

• Agents' Last Exam — 27.3 so với 25.2.

• Chartography — 64.3.

ZeroBench (Pass@5) — 35.0.

{{1}}Câu tóm tắt của DeepSeek là mô hình "đưa hiệu suất tác tử đa phương thức đến gần Opus-4.8" trong khi sánh ngang V4-Flash trên các chuẩn đánh giá thuần văn bản.{{/1}} {{2}}Đó là những con số do DeepSeek đưa ra, chưa được đánh giá độc lập, và "gần Claude Opus-4.8" là cách DeepSeek diễn giải chứ không phải một thứ hạng được đo lường.{{/2}}

Bảng điểm ở trên thể hiện tình hình tính đến ngày 22 tháng 8 năm 2026: mô hình thị giác V4 duy nhất được phát hành là phiên bản thử nghiệm, chỉ dùng qua API, và mọi thông tin về mô hình cuối cùng — trọng số, kích thước, ngày ra mắt — chỉ là kỳ vọng, không phải sự thật.

Tại sao câu hỏi về trọng số mở lại quan trọng

DeepSeek là một trong số ít phòng thí nghiệm tiên phong mà các mô hình sản xuất thường xuyên được phát hành dưới dạng mở, và chính lịch sử đó là lý do thực sự khiến việc rò rỉ trọng số trở thành tin tức. Phần nền chỉ văn bản DeepSeek-V4-Flash-0731 được cấp phép MIT — đó chính là lý do cộng đồng có thể xây dựng dựa trên nó. Nếu mô hình thị giác V4 cuối cùng đi theo dòng DeepSeek-VL2 và dòng văn bản, trọng số mở sẽ thay đổi những gì người đọc có thể làm: triển khai cục bộ trên phần cứng của riêng bạn, tinh chỉnh trên dữ liệu hình ảnh độc quyền, sử dụng trong môi trường tách biệt mạng và chi phí bằng không cho mỗi token trên GPU của riêng bạn.

Cũng có một lộ trình được báo cáo khớp với điều này. Truyền thông công nghệ Trung Quốc đưa tin vào tháng 5 năm 2026 rằng DeepSeek đã nói rằng trọng số thị giác mã nguồn mở V4 được lên kế hoạch cho quý 3 năm 2026. Đó là một cam kết được báo cáo, không phải ngày đã xác nhận — và bước chỉ có API vào ngày 21 tháng 8 phù hợp với "thử nghiệm trước, trọng số sau". Về cấp phép, truyền thông cộng đồng chỉ ra Apache-2.0 hoặc MIT, nhưng chưa có gì được xác nhận.

Câu trả lời tạm thời của cộng đồng

Vì các trọng số thị giác chính thức không được mở, cộng đồng đã tự xây dựng riêng. Có ba bản ghép chỉ-projector đáng chú ý dựa trên nền tảng văn bản DeepSeek-V4-Flash-0731 được cấp phép MIT, mỗi bản đều đóng băng mô hình văn bản và huấn luyện một bộ điều hợp thị giác nhỏ phía trước nó:

• FlyCockpit/DeepSeek-V4-Flash-0731-vision — một tháp thị giác DeepEncoderV2 cùng với bộ chiếu đã được huấn luyện, được phục vụ qua vLLM thông qua một plugin nhỏ; đã được thử nghiệm trên các cụm NVIDIA DGX Spark với tốc độ khoảng 50 token/giây.

• jarrelscy/deepseek-v4-flash-0731-vision — một tháp MoonViT đóng băng (ban đầu từ Kimi-K2.6) cộng với một bộ chiếu khoảng 40 triệu tham số được huấn luyện bằng GRPO, theo công thức "WebBrain patchmerger".

• webbrain-one/DeepSeek-V4-Flash-0731-Vision-NVFP4 — một checkpoint có độ chính xác hỗn hợp NVFP4 với PatchMerger nhận biết định tuyến và tích hợp SGLang tùy chỉnh.

Đây là những mô hình không chính thức, được ghép lại, và không phải là mô hình của DeepSeek. Chúng chứng minh rằng việc trao "đôi mắt" cho V4 Flash là khả thi, và chúng sẽ bị thay thế vào ngày các bộ trọng số vision chính thức được phát hành. Việc chúng tồn tại ngay từ đầu chính là tín hiệu rõ ràng nhất cho thấy cộng đồng khao khát những bộ trọng số đó đến mức nào.

V4-Vision-Final có thể trông như thế nào

Mọi thứ trong phần này chỉ là suy đoán, vì chưa có gì được công bố chính thức. Hình dạng khả dĩ nhất, dựa trên các mô thức của chính DeepSeek: một mô hình thị giác cuối cùng — có thể ở cả hai kích cỡ Flash và Pro — với trọng số mở. Về mặt kinh tế, việc triển khai cục bộ là khả thi ở kích cỡ Flash: DeepSeek-V4-Flash là mô hình hỗn hợp chuyên gia (mixture-of-experts) với 284B tham số, chỉ kích hoạt 13B cho mỗi token, có ngữ cảnh 1M token, và các báo cáo triển khai từ cộng đồng chỉ ra rằng có thể chạy bản lượng tử hóa trên hai card RTX 4090 hoặc một card RTX 5090. DeepSeek-V4-Pro được báo cáo có tổng cộng khoảng 1,6T tham số / 49B tham số kích hoạt — một yêu cầu lớn hơn, nhưng logic MoE tương tự vẫn được áp dụng. DeepSeek cũng đã nói rằng V4 được huấn luyện đa phương thức ngay từ đầu; Vision-Exp là bề mặt đầu tiên của khả năng đó, và mô hình cuối cùng có thể phơi bày nhiều hơn nữa.

Không điều nào trong số đó được xác nhận. Đó là hình dạng mà người đọc nên mong đợi, chứ không phải một lời hứa.

Cách chơi trò chờ đợi

Đây là điều đúng hôm nay, khác với những gì có thể đúng sau này. DeepSeek-V4-Flash-Vision-Exp hiện đang hoạt động và có thể định tuyến ngay bây giờ, với mức giá niêm yết của chính DeepSeek — 0.15 USD cho mỗi 1 triệu token đầu vào và 0.29 USD cho mỗi 1 triệu token đầu ra, cùng mức giá với phiên bản V4-Flash chỉ có văn bản, với hình ảnh được tính phí dưới dạng token cộng thêm. OrcaRouter định tuyến nó qua một khóa API duy nhất trên 200+ mô hình, chuyển tiếp mức giá niêm yết của nhà cung cấp với mức tăng 0%, và có thể tự động chuyển sang một mô hình đã được kiểm chứng. Đó là cách trung thực để thử một mô hình thử nghiệm: hướng một khối lượng công việc thử nghiệm vào Vision-Exp, giữ một phương án dự phòng đáng tin cậy trên cùng một điểm cuối, và để cơ chế chuyển đổi tự động thay thế bằng mô hình đáng tin cậy ngay khi mô hình thử nghiệm gặp trục trặc.

Trang mô hình phía trên là nơi DeepSeek-V4-Flash-Vision-Exp thực sự có thể gọi được ngay hôm nay — $0.15 cho đầu vào, $0.29 cho đầu ra, một khóa API, không cần hợp đồng thứ hai.

Khi mô hình có trọng số mở cuối cùng được phát hành, hai điều xảy ra đồng thời: {{1}}những người tự lưu trữ có thể chạy nó cục bộ, còn tuyến lưu trữ vẫn giữ nguyên khóa với cùng mức giá chuyển tiếp.{{/1}} {{2}}Bạn sẽ không phải lựa chọn tại thời điểm công bố — lớp định tuyến đảm bảo cả hai tùy chọn chỉ cách nhau một lệnh gọi.{{/2}} Để làm rõ ranh giới: {{3}}OrcaRouter định tuyến các API; chúng tôi không lưu trữ trọng số mô hình.{{/3}} Việc triển khai cục bộ mô hình thị giác V4 cuối cùng liên quan đến trọng số của DeepSeek, không phải về chúng tôi.

Xem gì tiếp theo

Bốn điều sẽ biến rò rỉ này thành một buổi ra mắt. Một cái tên chính thức và ngày phát hành cho mô hình thị giác V4 cuối cùng. Xác nhận giấy phép — cả MIT và Apache-2.0 đều có khả năng, và sự khác biệt có ý nghĩa đối với tác phẩm phái sinh. Một điểm chuẩn độc lập đầu tiên của mô hình cuối cùng, điều này sẽ thay thế nhận định "gần với Claude Opus-4.8" của DeepSeek bằng một con số do người khác xác minh. Và, theo quan điểm hoài nghi, liệu bản thân DeepSeek-V4-Flash-Vision-Exp có bao giờ được phát hành trọng số hay không — rò rỉ cho biết là không, và cách làm của DeepSeek ủng hộ cách hiểu đó.

Cho đến khi một trong những điều đó thành hiện thực, hãy coi rò rỉ này là một tín hiệu định hướng chứ không phải sự thật. Mô hình thị giác V4 thử nghiệm hiện có thật, hữu ích và chỉ dùng qua API. Mô hình cuối cùng với trọng số mở là một kỳ vọng có nguồn tin rõ ràng, chứ không phải sản phẩm được phát hành. Nếu người theo dõi trên X đúng, dòng mô hình thị giác V4 sẽ đi đến nơi mà các mô hình của DeepSeek thường đến — chạy trên phần cứng của bạn, với API được lưu trữ như một lựa chọn thay thế không cần vận hành.