DeepSeek は Hugging Face に DeepSeek-V4-Flash-Vision-Exp をリリースしました。これは V4 ファミリーの初の実験的マルチモーダルモデルで、MIT License で公開されています。モデルパラメータ数は 305B で、V4-Flash-0731 のベースをもとに、既存の言語モデルに視覚エンコーダーと Aligner を追加し、継続的なトレーニングによって画像理解能力を獲得しています。

image.png

「画像を説明する」ことはせず、マルチモーダルエージェントに特化

従来のマルチモーダルモデルが主に視覚質問応答を目的としていたのとは異なり、DeepSeek はこの Vision バージョンに対して新たな分野を設定しました：公式ではマルチモーダルエージェントの能力を強調しており、エージェントがウェブスクリーンショットやソフトウェアインターフェース、チャートなどの視覚情報を直接読み取り、ツールの呼び出しによりタスクを実行できるようにしています。言い換えれば、この「目」は人間ではなくエージェントのために使われるのです。

今回のオープンソース内容は非常に充実しており、モデル重み、Tokenizer、Prompt Encoding の参考実装、および最小限の PyTorch 推論実装が含まれています。視覚エンコーダー、Aligner、DFlash Attention、MoE、Hyper-Connections など、主要なモジュールがカバーされています。コミュニティも迅速に対応しており、Hugging Face のページには、llama.cpp、LM Studio、Ollama など向けの量化バージョンが7つ登場しています。

タイムラインにも注目すべき詳細があります：8月21日にこのモデルはまず DeepSeek API に登場し、当時は重みが公開されず、API だけを利用可能でした。開発者はテキストと画像を同時に入力でき、画像はトークン単位で課金されました。10日後には重みが正式に公開され、ローカルでのデプロイと2次開発が可能になりました。このような「APIを先に販売してからオープンソースにする」スタイルは、DeepSeekがAPIサービスを主軸に据えていることを示しています。

image.png

性能は Claude Opus 4.8 に近づく、公式の表現は控えめ

スコアリングを見ると、視覚機能が追加された後でも純粋なテキストエージェントの能力はほぼ損なわれていません：Terminal Bench 2.1 は 82.7 から 83.9 に上昇し、DeepSWE は 54.4 から 59.3 に上昇し、Opus 4.8 の 58.0 を上回りました。マルチモーダルエージェントではさらに大きな向上が見られました：ApexBench Pass@1 は 36.5 となり、Agents' Last Exam は 27.3 で Opus 4.8 の 25.7 を上回り、ZeroBench Pass@5 は 35.0 で対手の 34.0 を上回りました。

ただし、DeepSeek は「全面的な優位性」を宣言していませんでした：NL2Repo プロジェクトでは得点が 57.7 で、Opus 4.8 の 69.7 と大きな差がありました。公式の表現も控えめで、「マルチモーダルエージェントの能力は Claude Opus 4.8 に近い」と述べています。最近のアップデートをまとめると、DeepSeek は一連の完全なエージェント技術スタックを構築しようとしていることがわかります。モデルは推論とツール呼び出しを担当し、Harness は継続的なタスクの実行を担当し、Vision はエージェントがコンピュータ内の視覚情報を直接読み取れるようにします。今回のオープンソースは、このパズルの重要な最終的なピースです。