DeepSeek、画像理解つき実験モデルを公開。エージェント性能はOpus 4.8並み

画像理解つきの実験モデルが登場

中国のAI企業DeepSeekが、視覚理解を加えた新モデル「DeepSeek-V4-Flash-Vision-Exp」を公開しました。
既存のテキストモデルV4-Flashに画像処理を追加した実験版で、テキストの推論や世界知識の性能は維持したまま、画像の説明、スクリーンショットからの文字抽出、図解の分析などができます。

対応形式はJPEG、PNG、GIF、WebPです。
拡張子やMIMEタイプではなく、実際のファイル内容から形式を判定する点も特徴です。

エージェント性能ではOpus 4.8に迫る

DeepSeekの社内ベンチマークでは、このビジョンモデルはエージェントタスクでOpenAIのOpus 4.8にほぼ並ぶスコアを記録しました。
同社は、視覚理解とツール操作を組み合わせたエージェント向けワークフローを想定しています。

モデルはOpenAIのChat Completions・Responses API、AnthropicのMessagesエンドポイントと互換性があります。
DeepSeek自身が開発するエージェントフレームワーク「Harness」のバージョン0.1.1も同時にリリースされ、新しいモデルを最初からサポートしています。

料金と画像の扱い

画像を送る方法は3つあります。
Base64で直接埋め込む方法、公開URLを指定する方法（上限32MiB）、そして新しく提供される無料のFiles APIを使う方法です。
Files APIは、アップロードしたファイルをIDで参照できるため、同じ画像を複数リクエストで使い回すときに便利です。
ファイルサイズの上限は64MiBです。

画像はアスペクト比に応じておよそ800×800ピクセルに自動で正規化され、1枚あたり最大384トークンで処理されます。
細かい視覚情報が不要な場合は、オプションのdetailフィールドで512×512ピクセルに縮小するとトークンを節約できます。
料金はV4-Flashと同じレートです。

1回のリクエストで送れる画像は最大600枚です。
画像の1辺の最大ピクセル数は8,192ですが、15枚以上を含むリクエストでは4,096に制限されます。
画像はユーザーメッセージ内でのみ利用できます。

実験モデルとしての位置づけ

V4-Flash-Vision-Expは名称にExp（実験版）とあるとおり、本番利用を前提としたモデルではありません。
それでも、エージェント向けの視覚理解モデルがこの価格帯で試せるのは、動画制作の自動化を検討している運営者にとってはチェックしておきたい材料です。

詳細はThe Decoderの元記事を参照してください。