中国のAIスタートアップDeepSeekは金曜日、エージェントベンチマークにおけるマルチモーダルエージェント性能がAnthropicのOpus-4.8に近づいたと同社が説明する、実験的なビジョンモデルをリリースした。

同社によると、モデル「DeepSeek-V4-Flash-Vision-Exp」は現在、DeepSeek API Platformを通じて利用できる発表。同モデルは、エージェント、推論、世界知識などのテキスト機能ではV4 Flashに匹敵し、画像入力が追加されているという。

同社は、新モデルがマルチモーダルエージェントベンチマークでV4 Flashから「大きく飛躍」し、性能がOpus-4.8に近づいたと説明した。DeepSeekは発表でベンチマークスコアを公表しなかった。

注目すべき点として、同モデルはテキストと併せて画像を分析でき、画像の説明、スクリーンショット内のテキストの読み取り、グラフの分析などに対応する。対応画像形式はJPEG、PNG、GIF、WebP。

DeepSeekによると、V4 Flash VisionはChat Completions、Messages、Responses APIに対応する。画像は、base64データ、外部URL、または新たに開始されたFiles APIを通じて受け付けられる。

画像は課金のためにトークン化され、V4 Flashの料金体系では1画像あたり最大384トークンを消費する。同モデルは1回のリクエストで最大600枚の画像を処理できる。個々の画像のサイズ上限は、base64または外部URL経由では最大32メガバイト、Files API経由で参照する場合は64メガバイトとなる。

Files APIを使うと、ユーザーは画像を一度アップロードし、リクエスト間でファイルIDを通じて参照できる。DeepSeekによると、このサービスは無料で利用でき、同じ画像を再利用する場合は帯域幅の削減にもつながる。

このリリースは、DeepSeekが約80億ドルを求める「第2回の資金調達ラウンド」を再開した時期に行われた。Bloombergは今月初め、Monolith Managementが参加に向けて協議中だと報じた。同社は企業価値として5000億元（743億ドル）近くを目指している。