DeepSeek-V4-Flash-Vision-Exp

DeepSeekは2026年8月21日に、DeepSeek-V4-Flash-Vision-Expを公開しました。これはDeepSeek-V4-Flashに画像入力を加えた実験的なバージョンで、元のV4-Flashは総パラメータ数2840億、1トークンあたりの有効パラメータ数130億のスパースなMixture-of-Expertsモデルです。エージェントや推論のタスクではテキストのみのV4-Flashと同等で、そこに画像の理解が加わります。想定しているのは文書やグラフの読み取り、視覚的な質問応答、テキストと画像が混在するエージェントのワークフローです。画像はインラインのbase64データ、URL、DeepSeekのFiles API経由で渡せます。画像1枚あたり384トークンでトークン化するので、GPTやClaudeのモデルが通常1枚に使う量よりずっと少なくなります。

DeepSeek独自のマルチモーダルエージェントのベンチマークでは、視覚入力についての推論が必要なタスクで、V4-Flash-Vision-ExpがAnthropicのOpus-4.8との差の多くを縮めたと同社は報告しています。テキストのみのV4-Flashからは大きな伸びです。料金は入力が100万トークンあたり0.22ドル、出力が0.66ドルで、キャッシュされた入力には別に安い料金があります。実験版でない公開に向けて同社がフィードバックを集めている間は、DeepSeek APIでのみ使えます。