記事一覧へ戻る

DeepSeek、V4シリーズ初の公式ビジョン実験モデルを公開

読了目安 3 分

概要

DeepSeekは、V4シリーズをテキスト推論やコード生成だけでなく、視覚を扱うAgent基盤へ広げようとしている。今回、APIプラットフォームで deepseek-v4-flash-vision-exp の提供を開始した。V4シリーズが公式APIで画像入力を明確に開放するのは初めてであり、開発者は画像をテキストと同じリクエストに含め、Agentや自動化、コーディングツールへ組み込めるようになる。

主なポイント

  • 公式の画像入力に対応:画像とテキストを組み合わせた入力を扱える。
  • 複数の画像送信方法を用意:base64のインライン入力、外部URL、Files APIに対応する。
  • 3種類のAPI形式を利用可能:Chat Completions、Messages、Responsesをサポートする。
  • 画像はトークンとして課金:1枚あたり最大384トークンで、料金はV4-Flashと同じ体系だ。
  • Agent関連の評価が多数改善:V4-Flash-0731と比べ、7項目中5項目が向上し、1項目は小幅に低下した。

評価結果を見る限り、Vision-Expは既存の言語モデルに視覚エンコーダーを単純に追加しただけではない可能性がある。Toolathlon-Verifiedは70.3から75.9へ、DeepSWEは54.4から59.3へ上昇した。これらはツール利用、実際のコードベースの修正、長時間にわたるタスク実行と関係する評価だ。そのため、外部環境の理解、タスク分解、ツール連携といったAgent能力にも調整が加えられたと考えられる。

ほかにも、Terminal Bench 2.1は82.7から83.9、NL2Repoは54.2から57.7、DSBench-Hardは59.6から63.6、AutomationBenchは25.1から25.7へ改善した。一方、Cybergymは76.7から75.3へ1.4ポイント低下しており、すべての課題で一方向に性能が伸びたわけではない。

意味と影響

開発者にとって最も大きい意味は、マルチモーダルAgentを構築する際の接続が簡単になることだ。画面キャプチャの分析、UI理解、文書確認、視覚を利用したプログラミングなどを、別の画像モデルと組み合わせず、同じAPIの枠組みで試せる。画像のトークン上限と料金体系が示されたことで、導入時のコストも見積もりやすくなった。

ただし、Opus 4.8との比較は慎重に読む必要がある。Vision-ExpはDeepSWEで59.3となり、Opus 4.8の58.0を上回った。Toolathlonでも75.9と、Opusとの差は0.3ポイントにとどまる。しかしNL2Repoでは12ポイント、DSBench-Hardでは8.1ポイント下回っている。現時点では、全般的な優位というより、主要モデルに近づき、一部のコードAgent課題で競争力を示したと見るのが妥当だろう。

名称に残る「Exp」も重要な注意点だ。複雑な画像への対応精度、サービスの安定性、実運用コストは、今後の検証が必要になる。それでも今回の公開は、DeepSeek V4がマルチモーダル能力を補い、視覚理解とAgent実行を同じ製品経路に載せたという点で意味がある。

InfoQ 中文

コメント

ログイン状態を確認中…

コメントを読み込み中…

関連記事

CCTest · Blog
WeMM-Video、音声と映像を統合するオープンなマルチモーダルモデル群
マルチモーダル
cctest.ai
マルチモーダル

WeMM-Video、音声と映像を統合するオープンなマルチモーダルモデル群

TencentのWeMM-Videoは、2Bから35B-A3Bまでの規模をそろえ、音声・動画・画像・テキストを統合して扱うモデル群です。論文は音声と映像を組み合わせた評価で高い性能を報告していますが、提供された概要には具体的なスコアがありません。

続きを読む
CCTest · Blog
Piccolo、マルチモーダル意思決定モデルと学習データを共進化
マルチモーダル
cctest.ai
マルチモーダル

Piccolo、マルチモーダル意思決定モデルと学習データを共進化

Piccoloは、モデルの分析、データ作成、実験を研究エージェントでつなぐ反復的な改善手法を採用する。報告された知見は、モデル規模だけでなく、データ選定やモデルと学習レシピの適合が重要であることを示唆している。

続きを読む