格安モデルに「目」がついた — DeepSeek V4-Flashが画像を読み始め、値段は据え置き

DeepSeekのやり方は、いつも少し節約家だ。派手にパラメータを積み増すのではなく、同じ器のまま中身を入れ替えて性能を伸ばしてくる。今回もその路線を踏襲しつつ、これまでのFlashにはなかった機能を一つ足してきた。画像を読む力である。

2026年8月21日、DeepSeekはマルチモーダル対応の実験版モデル「DeepSeek-V4-Flash-Vision-Exp」をAPIで公開した。model='deepseek-v4-flash-vision-exp' を指定するだけで、テキストに加えて画像を投げられるようになる。ベースは既存のV4-Flash。つまり格安モデルのまま、そこに視覚がついた形だ。

何が足されたのか

一番の変化は、当然ながら画像入力への対応だ。JPEG・PNG・GIF・WebPをサポートし、Base64・公開URL・Files APIの3経路から渡せる。画像は最大384トークンとして扱われ、課金はテキストの入力レートと同じ。つまり画像を読ませても、既存の格安な価格体系の枠内で収まる。

土台のアーキテクチャはV4-Flashを引き継いでいる。13Bアクティブ／284B総パラメータのスパースMoE。テキスト側の性能——エージェント、推論、世界知識——はベースモデルと同等を維持したまま、視覚だけを上乗せしたという触れ込みだ。

ここが地味に効いてくる。マルチモーダルモデルを名乗る製品の多くは、画像対応と引き換えにテキストの推論力がわずかに落ちることがある。DeepSeekは「テキストは据え置き、視覚は追加」と言い切っている。実験版（Exp）という位置づけなので鵜呑みにはできないが、方向性としては素直に嬉しい。

ベンチマークの立ち位置

DeepSeekの説明によれば、マルチモーダルなエージェント系ベンチマークで、V4-Flash-Vision-ExpはベースのV4-Flashから大きく前進したという。しかも、その到達点はOpus-4.8に迫る水準だとされている。

正直に言えば、この手の「フラッグシップに迫る」という自社アピールは各社が判で押したように口にする。だから話半分に構える必要はある。それでも、13Bアクティブの格安MoEが最上位クラスのマルチモーダル性能に肉薄しているなら、コスト対効果の観点では無視できない。実験版が取れて正式版になったとき、ここがどこまで維持されるかが本当の勝負どころになる。

この「目」で何ができるか

想定用途としてDeepSeekが挙げているのは、ドキュメント・図表の理解、画像に対する質問応答、そしてテキストと画像が入り混じるマルチモーダルなエージェントワークフローだ。

これを一歩進めて考えると、面白い使い方が見えてくる。

たとえば、請求書やスクリーンショットをそのまま読ませて構造化データに落とす作業。これまでOCRツールを噛ませてからLLMに渡す二段構えが定番だったが、視覚付きの格安モデル1つで完結できるなら、パイプラインは一気に単純になる。処理コストが安いことは、こういう「大量に回す前処理」でこそ効く。

もう一つは、画面を見て操作するタイプのエージェントだ。テキスト側のエージェント性能を維持したまま画像を読めるということは、UIのスクリーンショットを判断材料にしながらタスクを進める用途に向く。「安いから大量のステップを踏ませても財布が痛まない」というのは、試行錯誤の多いエージェント運用では地味に大きな武器になる。もっとも、実験版の安定性がどこまであるかは未知数なので、本番投入は正式版を待つのが無難だろう。

気になる点

Exp（実験版）という但し書きは重い。APIの挙動やレスポンスの安定性が予告なく変わる可能性があるし、384トークンという画像の扱いは、細かい文字がびっしり詰まった資料では情報が削れる懸念もある。高解像度の図面や小さな注釈まで正確に読ませたい用途では、実機で精度を確かめてからにしたい。

それでも、DeepSeekが得意とする「同じ価格のまま機能を積む」という戦い方を、今度は視覚という新しい軸でやってきたのは筋が良い。マルチモーダル対応を高級モデルの特権にしない——この方向性が定着すれば、画像を読むAIのコスト感覚は確実に一段下がる。

料金・パラメータ・対応形式の最終的な仕様はDeepSeek API公式ドキュメントで確認できる。実験版ゆえ、採用前に一次情報を当たっておくことを勧める。