DeepSeek-V4-Flash-Vision-Exp リリースノート

DeepSeekは、DeepSeek APIを通じて利用可能な実験的なマルチモーダルモデル、DeepSeek-V4-Flash-Vision-Expをリリースしました。このモデルは、視覚的理解とテキストベースの推論およびツール使用を統合することを可能にし、マルチモーダルエージェントのパフォーマンスをOpus-4.8に迫るレベルまで大幅に向上させます。

マルチモーダルなパフォーマンスと機能

DeepSeek-V4-Flash-Vision-Expは、標準的なDeepSeek-V4-Flashモデルと同じテキスト機能（推論、世界知識、エージェント能力を含む）を維持しています。主な進歩はマルチモーダル機能にあり、マルチモーダルエージェントのベンチマークにおいてV4-Flashを大幅に上回るパフォーマンスの飛躍を示し、その性能をOpus-4.8に近づけています。

エージェントワークフローと視覚的理解

このモデルは、エージェントフレームワークとシームレスに動作するように設計されています。視覚的理解と多様なツールセットを組み合わせることで、DeepSeek-V4-Flash-Vision-Expは、タスクを実行するために視覚データを解釈する必要がある、より実用的で複雑なワークフローを可能にします。

API統合と実装

開発者は、識別子 model='deepseek-v4-flash-vision-exp' を使用してモデルにアクセスできます。即時の導入を容易にするため、モデルのリリースと同時に、すぐに利用可能なサポートを提供するDeepSeek Harness 0.1.1がリリースされました。

入力形式と課金

• 入力形式: モデルはテキストと画像の混合入力をサポートしています。画像は外部URL、base64エンコーディング、またはFiles APIを介して提供できます。
• 課金: 画像は課金目的のためにトークン化され、各画像は最大384トークンを消費します。これらのトークンの価格設定はV4-Flashの価格設定に準拠しています。
• サポートされているエンドポイント: モデルはChat Completions、Messages、およびResponsesをサポートしています。

Files APIの開始

モデルのリリースと並行して、DeepSeekは無料で利用可能なFiles APIをリリースしました。このAPIを使用すると、ユーザーは一度画像をアップロードして、その後のリクエストで file_id を介して参照することができます。このアーキテクチャは、リクエストの帯域幅を削減し、複数のAPI呼び出しにわたって同じ画像を再アップロードする必要性を排除します。