DeepSeekは金曜日、実験的なビジョンモデルを公開した。中国のAIスタートアップである同社によると、このモデルはマルチモーダルエージェント性能をエージェントベンチマークでAnthropicのOpus-4.8に近づけるものだという。

同社によると、このモデル「DeepSeek-V4-Flash-Vision-Exp」は現在、DeepSeek API Platformを通じて利用可能だと発表した。さらに同社は、画像入力を追加しつつ、エージェント、推論、世界知識を含むテキスト能力ではV4 Flashと同等だと付け加えた。

同社によると、新モデルはマルチモーダルエージェントのベンチマークでV4 Flashから「大幅な飛躍」を遂げ、性能をOpus-4.8に近づけた。DeepSeekは発表でベンチマークスコアを示さなかった。

注目すべき点として、このモデルは画像をテキストとあわせて解析でき、写真の説明、スクリーンショット内の文字の読み取り、チャートの分析などに対応する。JPEG、PNG、GIF、WebP画像をサポートする。

DeepSeekによると、V4 Flash VisionはChat Completions、Messages、Responses APIをサポートする。画像はbase64データ、外部URL、または新たに提供を開始したFiles API経由で受け付けることができる。

画像は課金のためにトークン化され、各画像はV4 Flashの価格設定で最大384トークンを消費する。このモデルは1回のリクエストで最大600枚の画像を処理でき、個々の画像サイズはbase64または外部URL経由で最大32メガバイト、Files API経由で参照する場合は64メガバイトまで対応する。

Files APIにより、ユーザーは画像を1度アップロードし、リクエストをまたいでファイルIDで参照できる。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際の帯域幅削減にもつながる。

今回のリリースは、DeepSeekが2回目の資金調達ラウンドを再開したなかで行われた。Bloombergは今月初め、同社がMonolith Managementの参加協議とともに80億ドル近い調達を目指していると報じた。同社は5,000億元（743億ドル）の評価額を求めている。