DeepSeekは、同社のV4シリーズとして初めて画像の入力に対応した「DeepSeek-V4-Flash-Vision-Exp」を公開しました。

このモデルはパラメーター数3050億のマルチモーダルモデルです。DeepSeek-V4-Flashのアーキテクチャをベースに画像処理モジュールを組み込み、事後学習によって画像認識能力を追加しています。

画像認識タスクを含むテストにおいて、同モデルはClaude Opus 4.8と同等のスコアを記録しました。テキスト処理性能についても、DeepSeek-V4-Flash-0731と同等以上の性能を維持しています。

DeepSeek-V4-Flash-Vision-Expは、MIT LicenseのもとでHugging FaceおよびModelScopeからダウンロード可能です。

また、API経由での利用も可能です。サポートされている画像形式はJPEG、PNG、GIF、WebPの4種類です。

入力画像の最大解像度は長辺8192ピクセルですが、15枚以上の画像を入力する場合は長辺4096ピクセルまでに制限されます。大きな画像はアスペクト比を保ったまま800×800ピクセル相当にリサイズされるため、画像1枚あたりのトークン数は最大384トークン程度となります。

出典: DeepSeekが画像認識に対応した「DeepSeek-V4-Flash-Vision-Exp」をオープンモデルとして公開、画像認識を含むタスクでClaude Opus 4.8と同等の性能（GIGAZINE、2026-09-02）