深度求索は新しいマルチモーダル視覚理解モデル DeepSeek-V4-Flash-Vision-Exp を正式に DeepSeek API プラットフォームにリリースしました。このモデルは実験的な性質を持ち、テキスト理解、推論、エージェント能力を保持しつつ、視覚理解能力をさらに強化しています。ユーザーは API を通じて直接呼び出すことができます。この更新は、DeepSeek がマルチモーダル能力をエージェントのアプリケーションシーンにさらに適用し、PPT 作成、ウェブ開発、フロントエンドのクリエイティブなどのタスクに新しいモデル能力のサポートを提供することを意味します。
公式発表によると、DeepSeek-V4-Flash-Vision-Exp のコア特徴は、テキストとマルチモーダル能力の両方を兼ね備えていることです。エージェント、推論、世界知識などの純粋なテキストタスクにおいて、このモデルのパフォーマンスは DeepSeek-V4-Flash の正式版とほぼ同等であり、視覚能力を追加したことでテキスト処理能力が明らかに犠牲になっているわけではありません。一方、画像内容を理解する必要があるエージェントベンチマークにおいて、新モデルは DeepSeek-V4-Flash に比べて明らかな向上を実現しており、マルチモーダルエージェント能力は Opus-4.8 に近づいています。
DeepSeek-V4-Flash-Vision-Exp はマルチモーダル能力を向上させました
実際のアプリケーションにおいて、深度求索は複数の使用例を示しました。その一つのシナリオは、エージェントフレームワークを利用して商業カスタマイズされたチベット自動車旅行の PPT を作成することです。ユーザーは、ルート、旅行期間、ターゲット顧客、視覚スタイルを含む複雑な要求を直接提示でき、モデルはその後、マルチモーダル能力を組み合わせてコンテンツと視覚プレゼンテーションを完成させます。もう一つのケースは、DeepSeek Harness の公式ウェブサイトを二次創作し、黒と青の深海、ガラス UI、ASCII 原子ピクセルなどの視覚要素を通じて、複数回のインタラクションの後に未来的なスタイルの開発者ウェブサイトを生成することです。
さらに、このモデルは「3D 粘土小怪物がレトロダンスパーティーに参加する」というアイデアに基づいて、動的なフロントエンド Mini Demo を作成することにも使用できます。
これらのケースから見えるように、今回のアップグレードの重点は単にモデルに「画像を見る」能力を持たせることに限らず、視覚理解をエージェントのワークフローにさらに統合することを目指しています。テキスト、画像、ウェブページ、コードを同時に処理する必要があるタスクにおいて、モデルが視覚情報を理解すれば、コンテンツ生成、ページデザイン、インタラクティブ開発にさらに参加できるようになり、これまで主にテキストモデルに依存していた効果が限られた使用シーンをカバーすることができます。
開発者は DeepSeek API を柔軟に呼び出すことができます
API サービスにおいて、開発者は model=’deepseek-v4-flash-vision-exp’ を設定することでこの実験モデルを呼び出すことができます。画像は API サービス内でトークンに変換され、トークンに基づいて課金されます。単一の画像は最大で 384 トークンを占有し、全体の課金価格は DeepSeek-V4-Flash と同じです。インターフェースは現在、Chat Completions、Messages、Responses の三つの呼び出し形式をサポートし、テキストと画像の混合入力をサポートしています。
画像は Base64 インライン方式で送信することも、外部 URL または Files API を使用して呼び出すこともできるため、さまざまなエージェント開発フレームワークやアプリケーションシーンに適応できます。
同時に、深度求索は Files API の正式開放を発表しました。この API 自体は費用がかかりません。開発者は事前に画像をプラットフォームにアップロードし、その後 API リクエスト内で file_id を通じて対応するファイルを直接参照することができ、毎回のリクエストで同じ画像を再アップロードする必要がありません。同じ素材を繰り返し呼び出す必要があるエージェントアプリケーションにとって、この方法は重複した転送による帯域幅のコストを削減し、開発プロセスの簡素化にも役立ちます。