先ほど、DeepSeek V4初のマルチモーダルモデルであるDeepSeek-V4-Flash-Vision-ExpがHugging Faceで公開され、MIT Licenseでオープンソース化されました。
公開内容には、モデルファイル、Tokenizer、Prompt Encodingのリファレンス実装、最小構成のPyTorch推論実装が含まれており、ビジュアルエンコーダー、Aligner、DFlash Attention、MoE、Hyper-Connections、DSparkなどの主要モジュールをカバーしています。
IT之家の確認によると、DeepSeek-V4-Flash-Vision-ExpはDeepSeek V4シリーズで初めて画像入力をネイティブサポートするビジョンモデルです。公式には「Exp」実験版と明記されており、2026年8月21日にDeepSeek APIプラットフォームで公開されました。
このモデルはテキストに加えて画像を入力でき、画像の説明、スクリーンショット内の文字認識、グラフ分析などに対応します。対応する画像形式はJPEG、PNG、GIF、WebPです。
深度求索は、V4-Flash-Vision-ExpがさまざまなAgentフレームワークで優れたマルチモーダル適応能力を示し、多様なAgentツールを活用した実用的な作業シーンの開拓を効果的に支援できると説明しています。Agent、推論、世界知識などの純粋なテキストタスクではV4-Flash正式版と同等で、従来の強みを完全に維持しています。視覚理解が必要なAgentベンチマークではV4-Flashを大幅に上回り、マルチモーダルAgent能力はOpus-4.8に迫っています。