DeepSeek, V4 시리즈 첫 공식 비전 실험 모델 공개

들어가며

DeepSeek가 V4 시리즈를 텍스트 추론과 코드 생성 중심의 모델에서 시각 정보를 다루는 에이전트 플랫폼으로 확장하고 있다. 회사는 API 플랫폼에 deepseek-v4-flash-vision-exp를 공개하고 이미지 이해 기능을 제공하기 시작했다. V4 시리즈가 공식 API를 통해 시각 입력을 명확히 지원하는 것은 이번이 처음이다. 개발자는 이제 텍스트와 이미지를 하나의 요청에 넣어 에이전트, 자동화 워크플로, 코딩 도구에 활용할 수 있다.

핵심 내용

• 공식 이미지 입력 지원: 이미지와 텍스트를 결합한 요청을 처리한다.
• 다양한 이미지 전달 방식: 인라인 base64, 외부 URL, Files API를 사용할 수 있다.
• 세 가지 API 형식 지원: Chat Completions, Messages, Responses를 모두 지원한다.
• 이미지 토큰 과금: 이미지 한 장은 최대 384토큰으로 계산되며 V4-Flash와 같은 가격 체계를 적용한다.
• 에이전트 평가 다수 개선: V4-Flash-0731 대비 7개 평가 중 5개가 상승했고 1개는 소폭 하락했다.

평가 결과는 Vision-Exp가 기존 언어 모델에 시각 인코더만 덧붙인 모델은 아닐 수 있음을 보여준다. Toolathlon-Verified 점수는 70.3에서 75.9로, DeepSWE는 54.4에서 59.3으로 올랐다. 두 평가는 도구 호출, 실제 코드베이스 수정, 장시간 작업 실행과 밀접하게 관련된다. 따라서 외부 환경을 파악하고, 작업을 분해하며, 도구를 연속적으로 사용하는 에이전트 능력에도 함께 조정이 이뤄졌을 가능성이 있다.

다른 결과도 대체로 개선됐다. Terminal Bench 2.1은 82.7에서 83.9, NL2Repo는 54.2에서 57.7, DSBench-Hard는 59.6에서 63.6, AutomationBench는 25.1에서 25.7로 상승했다. 반면 Cybergym은 76.7에서 75.3으로 1.4포인트 하락했다. 새 모델이 모든 작업에서 일관되게 더 나아졌다고 보기는 어렵다는 뜻이다.

의미와 영향

개발자 입장에서 가장 직접적인 변화는 멀티모달 에이전트의 도입 과정이 단순해진다는 점이다. 화면 캡처 분석, 사용자 인터페이스 이해, 문서 검토, 시각 기반 코딩 보조 같은 작업을 별도의 비전 모델과 복잡하게 연결하지 않고 동일한 API 체계에서 시험할 수 있다. 이미지의 토큰 상한과 가격 기준도 초기 비용을 계산하는 데 도움이 된다.

다만 Opus 4.8과의 비교는 신중해야 한다. Vision-Exp는 DeepSWE에서 59.3점을 기록해 Opus 4.8의 58.0점을 앞섰고, Toolathlon에서도 75.9점으로 0.3점 차이에 그쳤다. 그러나 NL2Repo에서는 12점, DSBench-Hard에서는 8.1점 낮았다. 현재로서는 전반적인 우위보다는 선도 모델에 근접했으며 일부 코딩 에이전트 과제에서 경쟁력을 보였다고 해석하는 편이 정확하다.

모델명에 붙은 ‘Exp’도 주의해야 할 부분이다. 복잡한 이미지에 대한 이해 정확도, API 서비스 안정성, 실제 운영 비용은 추가 검증이 필요하다. 그럼에도 이번 출시는 DeepSeek V4가 멀티모달 기능을 보강하고 시각 이해와 에이전트 실행을 하나의 제품 경로에 결합했다는 점에서 의미가 있다.

InfoQ 中文