DeepSeek が DeepSeek-V4-Flash-Vision-Exp を公開 ── 多モーダルAgent能力でOpus-4.8に肉薄
ついにDeepSeek-V4ファミリーに「目」が加わりました。今回公開されたのは、テキストだけでなく画像も理解できる初の実験的マルチモーダルモデル「DeepSeek-V4-Flash-Vision-Exp」。テキスト性能を維持したまま、視覚エージェントのスコアを大幅に底上げしているのが最大のポイントです。
▸何が変わったのか
DeepSeek-V4-Flash-0731のアーキテクチャに視覚モジュールとアライナーを組み込み、継続学習によって視覚理解能力を付与しています。ベンチマーク「ApexBench」では36.5点を記録し、前バージョンの26.2点から10点以上の向上を実現。さらに「Agents’ Last Exam」でも27.3点と、Opus-4.8の25.7点を上回る結果が出ました。テキストエージェント能力（Terminal Bench 2.1: 83.9点等）は前バージョンと同等レベルを維持しており、マルチモーダル化による性能劣化はほぼ見られません。リポジトリには、OpenAI互換のプロンプトエンコーディングと、最小限のPyTorch推論実装が含まれています。
◈前モデル / 競合との比較
競合のOpus-4.8と比較すると、テキストエージェント能力ではTerminal Bench 2.1で83.9点対85.0点、NL2Repoで57.7点対69.7点と僅差または劣後。しかし、マルチモーダルエージェント能力ではApexBenchで36.5点対39.4点、Agents’ Last Examで27.3点対25.7点と逆転または同等以上の性能を示しています。特に視覚要素を無視していた前バージョン（0731）とは比較対象外なほど、マルチモーダル対応による実用性が向上しています。
◈技術背景と意義
従来のLLMはテキスト入力のみでしたが、このモデルは画像情報を内部的な表現に変換する「視覚エンコーダー」と「アライナー」を追加しました。これにより、チャートや図表などの視覚情報をそのままエージェントの判断材料に使えるようになります。DFlashアテンションやMoE（混合エキスパート）などのV4固有の技術を活かし、視覚処理においても高効率な推論を可能にしています。オープンソースとして推論コードも公開されているため、ローカル環境での動作確認やカスタマイズが容易な点が特徴です。
▸こんな人・用途に
・チャートやグラフからデータを抽出し、自動でレポート作成するエージェント構築
・スクリーンショットやUI画像を解析し、テスト自動化やバグ検知を行うツール開発
・視覚情報を伴う複雑なタスク（例: 図解付きドキュメントのQ&A）を処理するローカルLLM環境の構築
▸Hacker Newsの反応
「Flash版の視覚能力が実用レベルに達した」という話題に対し、期待と不安が混在する空気感。ベンチマークの向上に驚く声がある一方、解像度制限やテキスト能力への影響を懸念する冷静な指摘が目立つ。
「v4 Flash 0731は、視覚機能がないのに「見えている」と誤認して、テキストベースの画像解析ツールを勝手に発明しようとするバグがあるって噂。」
「800×800相当に縮小される仕様は便利だけど、OCRや細かい文字処理には物足りない。解像度制限が気になる。」
「Playwrightのスクショを正確に見せられないのはSonnetの唯一の弱点だったから、これは有望。トークン変換の仕組みも良い。」
「テキスト専用に比べてベンチマークが良く驚いた。視覚機能を追加すると、テキスト処理の性能が低下するはずなのに。」
「APIで利用可能に。視覚機能の追加に伴い、ベンチマーク結果も向上している。」
◆入手方法・リンク
Hugging Face上の「DeepSeek-V4-Flash-Vision-Exp」リポジトリからモデルウェイトと推論コードを取得できます。GitHubリンクは明示されていませんが、HFリポジトリ内のREADMEに従って環境構築を行う形になります。
SOURCE: DeepSeek (2026-08-31)
