Opus 4.8匹敵、DeepSeek V4 Flashの画像対応AIモデル公開

DeepSeek-V4-Flash-Vision-Expのベンチマーク比較。画像課題の2項目でClaude Opus 4.8を上回った

　DeepSeekのAIモデルが、ついに画像を扱えるようになった。DeepSeekは8月21日(日本時間)、画像を読めるマルチモーダルモデル「DeepSeek-V4-Flash-Vision-Exp」をDeepSeek APIプラットフォームで公開した。料金は既存のDeepSeek V4 Flashと同額に設定され、画像1枚あたりの課金は384トークンが上限となる。ただし、実験的モデルという位置づけで、重みを無償公開するかどうかは現時点で告知がない。

　DeepSeek-V4-Flash-Vision-Expは、テキストと画像を混ぜて入力できるマルチモーダルのAIモデル。エージェント、推論、世界知識といったテキスト面の能力は、DeepSeek V4 Flashと同等だ。コンテキスト長が100万トークン、最大出力が38万4,000トークンという点も変わらない。ただし、セキュリティのベンチマーク「Cybergym」だけは、76.7から75.3へわずかに下がった。

　目を引くのは、画像を扱うエージェントとしての好成績だ。DeepSeek-V4-Flash-Vision-Expは、マルチモーダルエージェントの評価4項目のうち2項目で、Anthropicの「Claude Opus 4.8」を上回った。エージェント向けの「Agents' Last Exam」は27.3対25.7、画像の読み取りを問う「ZeroBench」(Pass@5)は35.0対34.0だ。

　画質を上げても、支払い料金は増えないようになっている。DeepSeekは推論の前にすべての画像を自動でリサイズし、大きい画像は縦横比を保ったまま800×800ドット相当の画素数まで縮小する。この結果、画像1枚が消費するトークンの上限は384となる。どれだけ高解像度の画像を送っても、1枚あたりの入力料金がそれ以上増えることはないというわけだ。

　単価もDeepSeek V4 Flashと同じだ。トークンはAIが入出力を数える単位で、100万入力トークンあたり0.22ドル(約35円、1ドル=約159円換算)、100万出力トークンあたり0.66ドル(約105円)となる。いずれも空いている時間帯の料金で、混雑する時間帯は倍額になる。

　画像の渡し方は3通りある。ローカルの画像をBase64に変換して直接埋め込む方法、公開URLを渡してモデル側にダウンロードさせる方法、同日提供が始まった「Files API」に事前アップロードする方法だ。Files APIは無料で、一度アップロードした画像をfile_idで何度でも参照できるうえ、1ファイル64MBまで保存できる。1リクエストあたりの画像は最大600枚だ。

　なお、DeepSeek V4 Flashの正式版は7月31日に、MITライセンスのもとHugging Faceで無償公開された。今回のDeepSeek-V4-Flash-Vision-Expの重みを公開するかどうかは、現時点で明らかになっていない。