視覚モデル

DeepSeekはV4-Flash-Vision-Expの最初のエージェントのスコアを発表しました。4つのマルチモーダルエージェントの評価において、Opus 4.8と2勝2敗の成績を収めました：Agents' Last Exam 27.3対25.7、ZeroBench 35.0対34.0；ApexBench 36.5対39.4、Chartography 64.3対65.0。純テキスト版V4-Flash-0731と比較して、視覚版はApexBenchで26.2から36.5に、Agents' Last Examで25.2から27.3に上昇しました。公式に純テキスト版はマルチモーダルコンテンツを無視することが明記されているため、主に視覚入力後の能力を反映しています。視覚を加えた後もテキストエージェントの能力は明らかに低下せず、7つのテキスト評価のうち6つがV4-Flash-0731を上回っています。例えば、DeepSWEは54.4から59.3に上昇し（Opus 4.8の58.0を超え）、Toolathlonは75.9でほぼOpus 4.8の76.2に追いつきました。この結果はDeepSeekの公式自己テストからのものであり、第三者の独立したランキングではありません；公開されたCode AgentのテキストタスクはDeepSeek Harnessの極簡モードを使用し、推論レベルはmaxです。

DeepSeek は新しいビジュアルモデル deepseek-v4-flash-vision-exp を正式にリリースしました。公式 API ドキュメントでは、これを V4 Flash、V4 Pro と並列に掲載しており、開発者は DeepSeek API を通じて画像を直接送信できます。このモデルは 100 万 Token のコンテキストをサポートし、最大出力は 38.4 万 Token で、JSON Output、Tool Calls、Responses API、Anthropic API もサポートしています。価格は V4 Flash に直接合わせられています。キャッシュミス時の入力は、ピーク時に 3 元、アイドル時に 1.5 元で、キャッシュヒット時はそれぞれ 0.1 元と 0.05 元です。出力は、ピーク時に 9 元、アイドル時に 4.5 元です。V4 Pro と比較して、同じ価格帯で三分の一のコストです。画像は個別に料金が発生しません。DeepSeek は画像のサイズに基づいて画像を Token に換算し、テキスト Token と一緒に請求します。ピーク時は北京時間の 9:00--12:00、14:00--18:00 で、それ以外の時間は価格が半額になります。

XユーザーMaxForAIによると、DeepSeekの視覚モデルに関連する兆候が現れました。今日の午後3時、deepseek-v4-flash-vision-expという名前がDeepSeek Harnessの関連コードに登場し、Harnessの最新バージョンがネイティブ画像リクエストの適応を開始しました。しかし、モデルのエンドポイントが準備完了するまで、このモデルは正式なモデルディレクトリには追加されません。現時点では、DeepSeekはV4 Flashの視覚バージョンをテストしているようで、公開APIはまだ正式に開放されていません。すでにユーザーはこのモデルIDを使ってDeepSeek APIにリクエストを送信していますが、現在もエラーが返されており、公式ドキュメントにもこのモデルはまだ掲載されていません。クライアントとHarness側の適応パスはほぼ整っており、DeepSeek V4 Flashは近く視覚能力を持つことが期待されています。