中国AI企業DeepSeekは、画像入力に対応する実験的マルチモーダルモデル「DeepSeek-V4-Flash-Vision-Exp」をAPIで公開した。
テキスト性能を維持しつつ視覚理解を追加し、マルチモーダルエージェント性能ではOpus 4.8に迫る水準を示したとしている。
画像対応モデルをAPIで提供開始
2026年8月21日、DeepSeekは、DeepSeek-V4-Flashのエージェント能力や推論、世界知識を含むテキスト性能を維持しつつ、画像理解機能を追加した実験モデル「DeepSeek-V4-Flash-Vision-Exp」を発表し、APIで提供を開始した。
視覚情報と外部ツールを組み合わせ、複数のエージェントフレームワーク上で実用的なワークフローを構築できる。
同社によると、マルチモーダルエージェントのベンチマークでは従来のV4-Flashから性能が大幅に向上し、Opus 4.8に迫る結果を示した。
V4-Flashの正式版『V4-Flash-0731』自体も、Terminal Bench 2.1で82.7、Agents’ Last Examで25.2を記録するなど、複数のエージェント系評価で高い性能を示している。
V4-Flash-Vision-Expはこうしたエージェント能力や推論性能を引き継ぎながら画像理解を追加した。
同社によると、マルチモーダルエージェントのベンチマークでは従来のV4-Flashから性能が大幅に向上し、Opus 4.8に迫る結果を示した。
新モデルはChat Completions、Messages、Responsesに対応し、テキストと画像を同時に入力できる。
画像はbase64や外部URLに加え、Files API（※）経由でも指定可能だ。画像は課金用トークンへ変換され、1枚あたり最大384トークンとして扱われ、料金体系はV4-Flashと同一になる。
Files APIは無料で提供され、アップロード済み画像をfile_idで繰り返し参照できる。
あわせて新モデルを標準サポートする「DeepSeek Harness 0.1.1」も公開された。
※Files API：画像などのファイルを事前にサーバーへアップロードし、発行された識別子を使ってAPIから再利用する仕組み。同じ画像を毎回送信する必要がなく、通信量や処理負荷の削減につながる。
視覚を得たAIエージェントの用途拡大へ
画像対応によって、DeepSeekのエージェントはテキストだけでは完結しない業務へ適用しやすくなる。
画面や図表、画像資料などを認識しながらツールを操作できれば、情報分析から実作業までを一つのエージェントに任せる用途が広がる可能性がある。
特にFiles APIとの組み合わせは、同一資料を繰り返し分析する業務で有効だと言える。
ファイルを一度登録すれば再アップロードが不要となるため、継続的な画像解析やエージェント型アプリケーションを構築する際の通信負荷を抑えられる。
一方、現時点ではモデル名に「Exp」とある通り実験的な位置付けだ。
ベンチマークでOpus 4.8に迫る性能を示していても、実際の業務では画像の種類やツール構成によって精度が変わるため、用途ごとの検証が欠かせない。
それでも、既存のV4-Flashと同じ料金体系で画像理解を追加した点は導入面で大きい。
テキスト中心だったAIエージェントが視覚情報まで扱う流れが進めば、ブラウザ操作や資料分析など、より現実の業務に近い自動化を巡るモデル間競争がさらに激しくなると考えられる。
関連記事：
DeepSeek-V4-Flash正式版API公開 エージェント性能を大幅強化
Anthropicの新モデルClaude Opus 4.8をわかりやすく解説
MetaがMuse Spark 1.1を公開 AIエージェントの実務活用を後押し
