DeepSeek-V4-Flash-Vision-Exp 开源与 Harvey 选 Kimi K3：305B 多模态 + 法律 AI 范式翻转的同一天

一、同一天的两件事：开源视觉与法律 AI 换基座

我把这两件事放在一起，因为它们在 2026-09-01 同一天发生并互为镜像——一边是中国厂商把多模态大模型"以最宽松的协议开源给全世界"，另一边是美国头部垂直 AI 公司反过来选用中国开源模型作为底座。

事件 A：DeepSeek 在 Hugging Face 释出 V4-Flash-Vision-Exp。这是 V4 家族首款多模态模型，也是 DeepSeek 历史上第一次把"视觉能力"加到现有架构上。

事件 B：Harvey 发布 Tenet。这是这家估值 110 亿美元、OpenAI 与红杉和 a16z 共同投资的法律 AI 公司，在自家产品里彻底替换闭源基座后的第一个对外亮相——它选的是 Moonshot AI 的开源模型 Kimi K3（2.8T 总参 / 50B 激活）。

这两件事的共同信号不在 OpenAI/Anthropic 也不在 DeepSeek/Moonshot，而在全球 AI 价值链正在被重排。

二、DeepSeek V4-Flash-Vision-Exp：305B / 13B 激活 / 4.6%

2.1 关键参数与协议

社区反应极快——发布当天 Hugging Face 页面已经出现7 个量化变体，覆盖 llama.cpp、LM Studio、Ollama 等不同框架。

2.2 与 V4-Flash 的关系

V4-Flash-Vision-Exp 建立在 V4-Flash（DeepSeek 主力轻量模型）之上，"Exp"后缀明确标识为实验性。做法不是从零训练多模态模型，而是在原文本架构上增加视觉模块并继续训练：

1. 接入视觉编码器（图像 → token 序列）
2. 接入 Aligner（视觉 token 与文本 token 嵌入对齐）
3. 推理主干网络继续训练，让模型学会"看图"

这条路径的工程优势是：继承 V4-Flash 已有的全部文本推理与 Agent 能力，新增视觉而不破坏文本。

时间线（DeepSeek 官方）：

• 2026-08-21：模型在 DeepSeek API 文档上线，仅 API 可访问，图片按 token 计费
• 2026-09-01：模型权重正式开源，可下载自部署

这段"先上线 API、再开源权重"的发布节奏，是 DeepSeek 在 V4 系列产品上反复使用的商业模型：先让 API 调用验证产品需求，再用开源收割开发者生态。

2.3 跑分：多模态 Agent 接近 Opus 4.8

文本侧能力继承自 V4-Flash：

DeepSeek 没有声明"全面超越"，而是承认"多模态 Agent 能力接近 Claude Opus 4.8"。这一表述更可信也更工程。

2.4 这次"眼睛"不是给人看的，是给 Agent 用的

DeepSeek 官方强调了一个关键的设计取向——

“This ‘eye’ is not for human use but for the agent.”

区别于传统多模态模型聚焦"看图说话"，V4-Flash-Vision-Exp 主攻多模态 Agent 能力：

• 读取网页截图 → 决定下一步操作
• 查看软件界面 → 识别可点击区域
• 解析图表 → 输出数据 + 调用工具
• 制作 PPT → 先看到模板图再生成内容
• 读取并修改前端页面 → 截图反馈

这些任务的共同点不是"识别图中有什么"，而是"模型先理解视觉内容，再结合代码、推理、工具调用完成后续操作"。

2.5 4.6% 激活率意味着什么

V4-Flash-Vision-Exp 的激活率是 4.6%（284B 里每 token 激活 13B）。横向比较：

更低激活率 = 推理时算力需求更低 + 配合 mxFP4 4-bit 训练精度硬件成本双降。4.6% 让"消费级显卡跑或微调该模型"成为可能——但请注意这是消费级显卡跑推理，自训练或微调仍需数据中心级硬件。

2.6 与 DeepSeek 既有产品栈的关系

把最近几次 DeepSeek 发版放一起看，可以看到一条清晰的产品线收敛：

这套组合让 DeepSeek 从"模型公司"演化成"Agent 全栈供应商"。

三、Harvey 选 Kimi K3：法律 AI 的范式翻转

3.1 Harvey 是什么

Harvey 由 OpenAI 校友 Winston Weinberg 和 Gabriel Pereyra 创立，OpenAI / Sequoia / a16z 三家共同投资：

• 估值 110 亿美元
• 服务 1,300+ 家机构与 10 万律师
• 此前深度绑定 OpenAI、Anthropic API
• 客户包括 AmLaw 100 中的多数律所

3.2 Tenet 选 Kimi K3 作为基座

Harvey 在 2026-09-01 发布法律专用模型Tenet。它的训练方式不是"用法律材料做简单微调"，而是：

1. 构建约1,750 个法律任务环境（并购尽调、合同审查、诉讼分析等）
2. 每个任务由执业律师制定几十到几百条评分标准（事实识别 / 判断 / 法条引用 / 输出格式）
3. 模型在沙盒里自己查文件、起草意见
4. 裁判模型按律师标准逐条打分
5. 通过异步强化学习让模型学会"什么是好的法律工作"

训练硬件仅为约 150 张 NVIDIA B300 GPU，耗时 2 个月。

3.3 跑分：把 Fable 5 打了 1.7 倍

Tenet 比作为底座的 Kimi K3 还强——因为后训练针对法律任务做了优化。

3.4 为什么 Harvey 选 Kimi K3 而不是 OpenAI/Anthropic？

Harvey 公开的技术博客列了三层原因，核心逻辑沿着"成本 + 能力 + 自主权"三条线交织：

3.4.1 成本：法律任务的 token 消耗是普通聊天的几百倍

“The more complex the task, the longer the call chain; the more widespread agents become, the faster token consumption grows.”

法律场景动辄读取几十万字文档（并购尽调、合同审查、判例检索），多轮推理、工具调用。Harvey 客户的 Token 消耗规模超出普通聊天几十到几百倍。业务规模越大，向模型厂商支付的 API 费用越高——这直接把 35% 的毛利压成了成本中心。

3.4.2 能力：Kimi K3 在长链路任务上的边际优势

Artificial Analysis 在 Harvey LAB-AA 基准上跑 Kimi K3：

• Pass rate（产出物质量合格率）：94.6%，第一，超过 Claude Fable 5
• Full task pass rate（完整任务通过率）：26.7%，第一，几乎是第二名 Claude Fable 5 的 2 倍
• 在 Coding Agent Index：80 分，超过 Claude Fable 5

硅谷天使投资人 Jason Calacanis 公开说：“一些 Anthropic 与 OpenAI 的大客户在部署 Kimi 后把成本降低了 90%。”

3.4.3 自主权：数据合规与"模型主权"

“Tenet 的训练绝对没有用客户的任何数据，全是在自有环境里完成的。而且，保护数据并没有牺牲能力，Tenet 的表现反而比底座更强！”

法律行业充斥合同底稿、并购材料、诉讼策略、商业机密——这些如果传到闭源厂商服务器，哪怕对方保证安全，企业方也未必能承担监管压力。开源基座意味着 Harvey 可以把模型权重下载到自有服务器、本地化部署，所有推理与训练不出自己的域。

3.4.4 修改权：后训练的边际收益

闭源 API 只能改 prompt，开源权重能改网络结构、路由策略、推理路径、训练算法。Harvey 把"什么是好的法律工作"这个定义权掌握在自己手里，而不是被 OpenAI/Anthropic 的"安全策略对齐"流程绑死。

3.5 不只是 Harvey：Kimi 已经成为美国 AI 公司的"事实基座"

Semalt Iurii Iakovenko 在 2026-08-29 公开撰文指出 K3 在美国 AI 行业的事实地位：

6 个月内不同版本 Kimi 被海外公司依次选中。这一信号比任何单一发布都更有说服力——中国开源大模型已经成为美国 AI 应用层的"事实工业原料"。

3.6 这是否意味着"美国法律 AI 倒戈"？

是的——但要拆成两个层面理解：

1. 商业层面：Harvey 等公司选中国基座主要因为成本 + 能力——同样的输出 Chinese base 便宜 5 倍、长链任务能力持平甚至略强。
2. 战略层面：把核心业务押在"可能下场做同类产品的竞争对手"接口上，存在限流、涨价、合规三重隐患。Harvey 现在能下牌桌，是有得选。

但也必须看到反向风险：

• Kimi K3 用的是"自定义许可证"——商业用途需要月活合规、训练数据合规、特定监管下需重新谈判。Hy4 preview 的 Apache 2.0 则明确无任何限制，Harvey 在技术博客中没有讨论这一点。
• 美国监管层面（如对中国大模型的限制）的不确定性，长期可能逼迫企业双基座备份——所以 OpenRouter 这种"中立调度层"反而是受益者。

四、合起来看：开源中文基座 + 海外垂直后训练的范式

把 DeepSeek-V4-Flash-Vision-Exp 开源 + Harvey 选 Kimi K3 这两件事拼起来，可以看到 2026 年 Q3 的一条清晰趋势：

全球 AI 价值链正在被重排为"中国厂商负责通用基座、海外厂商负责垂直应用"的分工格局。

这条分工让**基座 + 垂直后训练"两层叠加"**产生复利效应：

1. Harvey 的 1750 个法律任务环境 + 异步强化学习流程让 Kimi K3 在法律领域超出原始能力
2. DeepSeek-V4-Flash-Vision-Exp 的开源让全球开发者能基于它训练自己的多模态垂直模型
3. Hugging Face / ModelScope 等中立平台让"全球分发"无需经过任何中国厂商许可——绕过了"中国大模型出海"的地缘政治压力

这与 Anthropic Fable 5.1 的EFS 数据主权方案形成有趣的对照——Anthropic 想让企业"用闭源最强模型 + 数据留在自己的云里"，Harvey 的选择是"用开源基座 + 数据留在自己的云里 + 模型也留在自己的云里"。两条路都是为了解决数据主权，但实施路径截然相反。

五、对开发者和创业者的实操建议

5.1 我在做法律 / 金融 / 医疗 / 政务等垂直 AI

认真评估 Kimi K3 + 自己的行业后训练这条路。Tenet 的 1750 任务环境模板 + 异步强化学习流程，是一份可复制的"垂直 AI 创业剧本"：

□ 选型：开源 MoE 基座（Kimi K3、Hy4 preview、DeepSeek V4）跑一遍你的行业基准 □ 任务环境建设：10³-10⁴ 个真实业务场景，让领域专家（律师、医生、分析师）制定评分标准 □ 后训练基础设施：≥100 张 B300，2 个月完成 RLHF / 异步 RL □ 部署：自有数据中心 / 私有云，权重完全自控 □ 商业模式：从"按 Token 计费"转为"按结果计费"或"按席位订阅"

5.2 我在做多模态 Agent / 工具调用 Agent

立刻试 DeepSeek-V4-Flash-Vision-Exp。本地部署门槛低（4.6% 激活率）、MIT 协议商用零成本、自带视觉编码器与 Aligner 实现。

注意几个落地关键点：

• V4-Flash-Vision 已经有 7 个社区量化版本，但对视觉模块的支持各有差异，建议先在原始 BF16 上跑一遍再决定量化
• MoE 路由 + 视觉模块的混合训练范式，对显存峰值和带宽都比纯文本模型更敏感
• 该模型的官方部署文档尚未完整发布，建议跟 DeepSeek-V4-Flash-Vision-Exp Hugging Face 保持同步

5.3 我在做国产开源大模型选型

5.4 我在做模型评测

注意几点关键变化：

• Anthropic、OpenAI 不再是唯一基准。Harvey LAB、APEX Agents 等垂直基准正成为新的真实战场
• 开源模型不再是"未达 GPT 级别"的代名词。Kimi K3 在 Harvey LAB-AA 第一就足以说明
• MIT 协议的分发效应。DeepSeek V4-Flash-Vision 在 Hugging Face 上线 24 小时内出现 7 个社区量化版——这在过去是不可想象的

六、今日其他相关资讯

• Claude Fable 5.1 发布（同日 9/1）——详见本专栏第一篇
• 腾讯混元 Hy4 preview 轻量版（同日 9/1）——详见本专栏第二篇
• OpenRouter 月处理 200 万亿 Token，800 万开发者——Stripe 100 亿美元洽购交易持续发酵，本专栏第三篇之外单独跟进
• 韩国 AI for All 全民免费 AI 计划——9 月 1 日详情见 9 月 1 日日报
• 中国 AI 标识办法 9 月 1 日正式施行——生成式 AI 内容必须打标识

常见问题（FAQ）

Q1：DeepSeek V4-Flash-Vision-Exp 真的 MIT 协议？商用零成本？
A：是。MIT 是最宽松的标准开源协议之一，分发、修改、商用均无需授权，唯一义务是在软件中保留版权声明。DeepSeek 自 V3 系列起在新模型上持续采用 MIT 协议。

Q2：V4-Flash-Vision 4.6% 激活率能跑在消费级显卡上吗？
A：能跑推理，不能跑训练。305B 总参意味着全部权重必须常驻——单张 4090 仍然跑不动全模型，需要 CPU offload 或量化。社区已有 7 个量化版本，建议根据你的硬件预算选 INT4 或更激进的量化。

Q3：Harvey 为什么不直接调 GPT-5.6 Sol 或 Claude Fable 5 的 API？
A：（1）成本：法律任务 token 消耗规模巨大，按 API 计费会快速吞掉毛利；（2）能力：在 Legal Agent Bench 这种长链任务基准上，Kimi K3 跑赢 GPT-5.6 Sol；（3）数据主权：合同底稿、并购材料不希望传出私有环境；（4）控制权：闭源 API 不能改网络结构、训练自己定义的"什么是好的法律工作"。

Q4：Harvey Tenet 的训练是"用客户的法律材料做微调"吗？
A：不是。Harvey 在公开技术博客里明确说明 Tenet 的训练使用了约 1,750 个完全自建的法律任务环境，没有使用任何客户数据。这一点对法律 AI 这种对数据隐私极度敏感的领域尤其重要。

Q5：Kimi K3 是开源的吗？许可证是什么？
A：Moonshot 在 2026-07 月份开放了 Kimi K3 的权重，但使用的是"自定义许可证"，而不是 MIT 或 Apache 2.0。自定义许可证对月活用户（MAU）和训练数据有具体合规条款——商用前应仔细阅读。这一点在对比 Hy4 preview 的 Apache 2.0 时尤其重要。

Q6：美国监管会限制美国 AI 公司使用中国基座吗？
A：截至 2026-09-01 暂无明确禁令，但一直是市场关注点。Harvey 的应对方式是"双基座备份 + 数据主权方案"。长期看，OpenRouter 这种中立调度层可能受益——它可以让 Harvey 同时挂载 Kimi、Llama、Anthropic、OpenAI 等多家基座。

Q7：DeepSeek V4-Flash-Vision 的"眼睛不是给人看的"具体怎么理解？
A：意思是模型不是为了"看图说话"而生，而是为了"看图后调用工具"。比如看到网页截图后，告诉 Agent “这里有个按钮可以点击”；看到软件界面后，识别可交互区域；看到图表后，把数据提取出来再调用工具做后续处理。

参考资料

1. IT 之家 / 新浪科技《DeepSeek V4 多模态模型正式开源：305B 参数、MIT 协议、零成本商用为何冲击多模态 Agent 格局？》，发布时间：2026-09-01。
2. 观察者网《DeepSeek-V4 首款多模态模型权重开放，"睁眼"后追上 Opus-4.8》，发布时间：2026-09-01。
3. DeepSeek-V4-Flash-Vision-Exp Hugging Face 模型卡，发布时间：2026-09-01。
4. AIBase《DeepSeek’s First Open-Source Multimodal Model Has Arrived: These Eyes Are Not for Humans to View》，发布时间：2026-09-01。
5. Race to AGI《DeepSeek V4 Flash Vision releases 305B open-weight model》，发布时间：2026-09-01。
6. 21 世纪经济报道《全球垂直 AI 开始拥抱中国开源大模型》，发布时间：2026-09-02。
7. AsiaICT《OpenAI’s ‘Prodigal Son’ Makes a Move: Why Did Harvey, Valued at 11 Billion, Switch to Kimi?》，发布时间：2026-08-30。
8. Semalt《US Legal AI Relies on Chinese Kimi Models》，发布时间：2026-08-29。
9. 网易《嫌 110 亿太少？OpenAI"亲儿子"反水了！》，发布时间：2026-09-01。
10. AINewsCycle《Moonshot AI’s Kimi K3 Debuts, Challenging US Frontier Models in Open-Weight Space》，发布时间：2026-08-23。