DeepSeek V4-Flash-Vision-Expが画像入力に対応、1Mコンテキストながら依然としてAPI実験版

DeepSeekは8月21日、公式APIで`deepseek-v4-flash-vision-exp`の提供を開始し、従来はテキスト処理とコーディングエージェント作業を重視していたV4-Flashシリーズに画像入力機能を追加した。モデルはJPEG、PNG、GIF、WebPに対応する。開発者は画像をBase64で埋め込むか、公開URLを指定するか、Files APIへ事前にアップロードしたうえで、Chat Completions、Messages、Responsesのいずれかのインターフェースから送信できる。出力は引き続きテキストのみとなる。

仕様ページには、100万tokenのコンテキストと最大38万4,000 tokenの出力が記載されている。画像は最初にリサイズされ、ビジュアルtokenへ変換される。画像1枚あたりの上限は約384 token。低解像度モードは、大まかな認識だけを必要とするエージェントに適している。画像を含められるのはユーザーメッセージのみで、既存アプリケーションが添付ファイルをsystemまたはassistant roleに設定すると、リクエストエラーが直接返される。こうした制約から、「OpenAI形式との互換性」は、既存のあらゆるクライアントでそのまま利用できることを意味しない。モデルカタログとprovider adapterでも、入力モダリティを`text, image`として明示する必要がある。

DeepSeekの自己申告によるスコアは、Terminal-Bench 2.1が83.9、NL2Repoが57.7、DeepSWEが59.3で、テキストのみの能力はV4-Flashと同等だとしている。テストではDeepSeek Harnessのminimal mode、最高の推論強度、指定されたサンプリング設定が使用されている。このため、スコアにはモデルだけでなくエージェントのスキャフォールディングも反映されており、モデル単体の能力を示すものとは直接みなせない。また、複数のベンチマークは、それ自体が純粋なビジョンテストではない。

エンジニアリング上の魅力は、OCRや別のVLMを追加で統合することなく、同じエージェントでターミナルのスクリーンショット、グラフ、文書ページを処理できる点にある。ただし、モデル名には現在も`-exp`という接尾辞が付き、提供形態もAPIに限られる。DeepSeekはモデルウェイト、ビジョンエンコーダー、プロジェクション層、学習レシピ、画像tokenのレイアウトを公開していない。導入チームは、実際の文書を使って小さな文字、高密度な表、複数画像の順序認識の精度を事前に測定し、テキストモデルへのフォールバックルーティングを維持するとともに、公式の自己申告スコアを本番環境での安定性を保証するものとして扱うべきではない。