DeepSeekは、実験的なマルチモーダルモデルである DeepSeek-V4-Flash-Vision-Exp を、そのAPI経由で提供開始しました。テキストと画像の両方を受け付け、スクリーンショット理解、チャート解析、OCRスタイルのタスク、その他の視覚的ワークフローをV4 Flashファミリーに持ち込みます。
ベンチマークの数字が特に注目を集めています。DeepSeekは、マルチモーダルエージェントの性能が現在Claude Opus 4.8にかなり近いと述べています。
しかし、開発者にとってより重要になる可能性があるのは、もう一つの発表内容です。単一の画像は最大384 input tokensまでで、課金もV4 Flashと同じトークン単価です。
スクリーンショット、インターフェース、ドキュメントページを繰り返し見返す必要があるAIエージェントなら、視覚的ワークフローをかなり低コストにできるかもしれません。
DeepSeek V4 Flash Vision Expとは？
新モデルはAPI経由で、次の名称で利用可能です。
deepseek-v4-flash-vision-exp
DeepSeekはこれを、標準のV4 Flashの置き換えではなく、実験的な視覚理解モデルだと説明しています。
主な変更はシンプルです。V4 Flashが、視覚情報を直接扱えるようになりました。
開発者は、Chat Completions、Messages、Responses APIを通じて、テキストと画像を混在させた入力を送れます。画像はBase64、外部URL、またはDeepSeekの新しいFiles API経由で渡せます。
これにより、例えば次のようなワークフローが可能になります。
-
スクリーンショットの解析
-
チャートや図表の理解
-
ドキュメント画像からの情報抽出
-
ユーザーインターフェースの確認
-
ビジュアル入力をエージェントツールと組み合わせる
-
コーディングエージェントが、自分で生成したインターフェースをレビューできるようにする
DeepSeekは、純テキストの能力は通常のV4 Flashとおおむね同水準を維持しつつ、視覚理解が必要なタスクでは性能が大幅に向上していると述べています。
DeepSeekはClaude Opus 4.8に近いと語る
今回の発表で最大級の主張の一つが、AnthropicのClaude Opus 4.8との比較です。
DeepSeekが公開したマルチモーダルエージェントの評価では、両モデルが一方的に勝ち続けるのではなく、勝ち負けが入れ替わります。
| Benchmark | DeepSeek V4 Flash Vision Exp | Claude Opus 4.8 |
|---|---|---|
| Agents' Last Exam | 27.3 | 25.7 |
| ZeroBench | 35.0 | 34.0 |
| ApexBench | 36.5 | 39.4 |
| Chartography | 64.3 | 65.0 |
Agents' Last ExamとZeroBenchではDeepSeekがリードし、一方でOpus 4.8はApexBenchとChartographyで優位です。
ただし、DeepSeekがあらゆる視覚タスクでClaudeに並んだことの証明として読むべきではありません。これは提供元が公開した評価であり、実運用におけるOCR、小さな文字の認識、視覚的な幻覚、UIナビゲーション、長時間のエージェントタスクについては、独立した検証が依然として必要です。
また重要なタイミングの詳細もあります。Opus 4.8は、もはやAnthropicの最新のOpusモデルではありません。 Anthropicは2026年7月24日にClaude Opus 5をリリースし、コーディングやエージェント的な作業におけるOpus 4.8からの改善として位置付けています。
つまり、新しいDeepSeekモデルは強力な直近のClaudeモデルと比較されているものの、Anthropicの最新世代とは比較されていないということです。
384トークンの画像上限が、より興味深いポイント
ベンチマークは見出しになりやすいです。画像トークンの設計は、実際のアプリケーションに与える影響が大きいかもしれません。
DeepSeekは推論の前に画像をトークンへ変換し、各画像は最大384トークンまでに制限されます。大きな画像は自動的にリサイズされるため、入力コストを予測可能に保てます。
それが重要なのは、視覚エージェントでは複数の画像が必要になることが多いからです。
例えばブラウザエージェントが、30種類の異なる画面にまたがってタスクを完了する場合。UIが変化するたびに、コーディングエージェントがスクリーンショットを繰り返し取得するかもしれません。ドキュメントのワークフローでは、何十ものスキャンページやチャートを処理することもあります。
こうした状況では、画像処理コストがすぐに積み上がってしまいます。
DeepSeekのアプローチは、トークン視点で見ると、繰り返しの視覚観察をかなり軽量にします。
トレードオフは解像度です。大きなスクリーンショットを限られた視覚トークン予算に圧縮すると、非常に小さい文字、密度の高いスプレッドシート、詳細な図表の情報が失われる可能性があります。低コストなビジョンが、自動的に完璧な高解像度ビジョンを意味するわけではありません。
そのため、開発者は本番投入前に、モデルを頼る前にこの点をテストすべき領域の一つです。
Gemini 3.7 Flashと比べるとどう？
Googleとの比較は、もう一つの分かりやすい軸です。
Gemini 3.7 Flashは8月13日に一般提供が開始され、現在Googleの最新のFlashモデルです。ネイティブにマルチモーダルで、テキスト、画像、動画、音声、PDFをサポートし、さらに関数呼び出し、コード実行、Search grounding、コンピュータ使用といった組み込み機能も備えています。
そのため、2つのFlashモデルは少し異なる提案になっています。
Gemini 3.7 Flashは、より広範なマルチモーダルとツールのエコシステムを提供します。
DeepSeek V4 Flash Vision Expは現在、エージェントのワークフローに対して安価な画像理解を持ち込むことに、より狭く焦点を当てているように見えます。
その結果、今回のDeepSeekのリリースは必ずしも「Geminiの機能を機能ごとに上回る」ことが目的とは限りません。魅力は、ビジョン、エージェントとしての能力、そして攻めた画像トークン効率の組み合わせにあります。
スクリーンショットや視覚観測を大量に処理する開発者にとって、その位置づけは興味深いものです。
新しいFiles APIも重要
DeepSeekは、ビジョンモデルと並行してFiles APIもリリースしました。
同じ画像を何度も送る代わりに、開発者は一度アップロードして、あとから file_id を使って参照できます。DeepSeekは、Files API自体は無料であり、同じ画像が複数のリクエストで再利用される際の帯域幅を削減するために設計されていると述べています。
小さなインフラ機能のように聞こえるかもしれませんが、エージェントのワークフローには理にかなっています。
エージェントは、より長いタスクを完了する間、同じスクリーンショットや図、参照元の画像に何度も戻る必要があるかもしれません。アップロードしたファイルを再利用すれば、そのワークフローがよりすっきりし、同じデータを繰り返し転送する手間も避けられます。
V4 Flash Vision Expが活きるのはどこ？
最も面白い用途は、「この画像には何が写っている？」と聞くことにとどまりません。
コーディングエージェントはウェブページを生成し、スクリーンショットを確認した上で、レイアウトの問題を修正できます。
ブラウザエージェントは、次に取るべきアクションを決める前にインターフェースを見られます。
ビジネスエージェントは、別のワークフローを起動する前に、ダッシュボードやチャートを読み取れます。
ドキュメントシステムは、テキスト抽出と、表・図表・スキャンページの視覚理解を組み合わせられます。
これは、AIモデル全体で起きているより大きな変化でもあります。画像を「見る」だけのモデルから、画像を「見て、考え、行動できる」エージェントへ。
DeepSeek V4 Flash Vision Expは、その流れに直結しています。
今すぐ使うべき？
実験なら、もちろん。
本番のワークロードでは、より多くのテストが必要です。
このモデルにはまだ**「Exp」**のラベルが付いており、DeepSeek自身も実験的だと説明しています。開発者は特に、小さな文字の認識、密度の高いインターフェース、視覚的な幻覚、自動リサイズ後の性能に注意を払うべきです。
より大きな問いは、「DeepSeekが世界一のビジョンモデルを作ったかどうか」ではありません。
V4 Flash Vision Expが、高ボリュームのマルチモーダルエージェントを現実的にするコストで、十分に良い視覚理解を提供できるかです。
もしそれができるなら、見出しをつかんだベンチマーク比較よりも、384トークンの画像上限のほうが重要になってくるかもしれません。
FAQ
DeepSeek V4 Flash Vision Expとは？
DeepSeek V4 Flash Vision Expは、DeepSeek API経由でテキストと画像の入力をサポートする、V4 Flashの実験的なマルチモーダル版です。
DeepSeek V4 Flashは画像をサポートしますか？
通常のV4 Flashは、テキスト中心のモデルのままです。視覚入力が必要な場合は deepseek-v4-flash-vision-exp を利用できます。
1枚の画像は何トークン使いますか？
DeepSeekは、画像が最大384 input tokensを消費し、大きな画像は処理の前に自動的にリサイズされると述べています。
DeepSeek V4 Flash Vision ExpはClaude Opus 4.8より優れていますか？
一概には言えません。DeepSeekが公開したマルチモーダルエージェントのベンチマークでは、V4 Flash Vision Expが勝つテストもあれば、Opus 4.8が勝つテストもあります。独立した実運用での比較はまだ必要です。
DeepSeek V4 Flash Vision ExpはGemini 3.7 Flashより優れていますか？
現時点では、やや異なる強みに焦点を当てています。Gemini 3.7 Flashは、より幅広いマルチモーダル入力と組み込みツールをサポートしている一方で、DeepSeekの新モデルは、低い画像トークン上限と、マルチモーダルエージェントのワークフローへの注力によって際立っています。