DeepSeek新モデル、画像対応でOpus超え

DeepSeekは8月21日（日本時間）、画像を読み取れる新しいAIモデル「DeepSeek-V4-Flash-Vision-Exp」を、開発者向けの「DeepSeek APIプラットフォーム」で公開した。

DeepSeek-V4-Flash-Vision-Expは、文章と画像を混ぜて入力できる「マルチモーダル」モデルである（画像とテキストの両方を一度に理解できるという意味）。エージェントとしての判断力や推論、知識量といった文章面の能力は、既存の「DeepSeek V4 Flash」と同等に保たれている。注目すべきは画像を扱う課題での成績で、公式発表によると、マルチモーダルエージェントの評価4項目のうち2項目で、Anthropicの「Claude Opus 4.8」を上回った。画像を使った推論力を測る「ZeroBench」では35.0対34.0、エージェント向けの複合課題「Agents' Last Exam」では27.3対25.7という結果だった（DeepSeek APIのVisionガイド）。

料金面の設計もこの記事の要点である。画像は推論前に自動でリサイズされ、大きな画像でも800×800ドット相当まで縮小したうえで処理される。この結果、画像1枚が消費するトークン（AIが処理量を数える単位）は上限384に固定され、高解像度の画像を送っても入力料金は増えない。単価自体もテキストのみのDeepSeek V4 Flashと同額に据え置かれている。

この動きが仕事に持つ意味は、文字だけでなく画像を含む書類・ホワイトボード・スクリーンショットを、追加コストの不安なくAIに読ませられる選択肢が増えたことにある。会議の板書を撮影して要約させる、資料のスクリーンショットから数値を拾わせるといった作業は、これまで画像対応モデルの料金が読みにくく、テキスト中心の運用にとどめている現場も少なくなかった。料金が固定されているなら、その心理的なハードルは下がる。

ベンチマークでOpus 4.8を上回ったという見出しだけを受け取ると、「画像を扱う用途ならDeepSeekの新モデルに乗り換えれば十分」という判断に流れやすい。しかしこの受け止め方は正確ではない。上回ったのはマルチモーダルエージェント評価4項目のうち2項目にとどまり、セキュリティ関連のベンチマーク「Cybergym」はわずかに低下している。加えてDeepSeek自身が「実験的モデル」と位置づけており、重みを無償公開するかどうかも告知されていない。つまり現時点のこのモデルは、特定の画像読み取りタスクで強い候補ではあっても、全面的な代替として業務に組み込む段階にはない。

より実務的な論点は、画像対応の広がりが要約・資料処理系のAIツール選びに与える影響である。会議の録音を要約するAIボイスメモや議事録支援ツールは音声とテキストの処理を軸にしており、画像入力への対応はツールごとに差がある。メモリスも文字起こし・要約の対象は録音した音声であり、録音後にAIが処理する設計そのものは今回のニュースで変わらない。画像対応モデルの選定基準として料金の予測しやすさが重要になったことは、音声処理を主体とするツールを含めた業務AI全般の選び方にも参考になる観点だろう。

DeepSeek新モデル、画像対応でOpus超え

AIボイスメモを試してみませんか？