ディープシークの安価な主力モデルが「見る」ようになった——視覚を要するエージェント課題でアンソロピック最上位に迫ると主張
ディープシークは8月21日、実験的なマルチモーダルモデル「DeepSeek-V4-Flash-Vision-Exp」をAPIプラットフォームで公開した。テキスト専用のV4 Flashに画像理解を加えたもので、同社によればテキスト能力——エージェント、推論、世界知識——では基盤モデルと同等を保ちつつ、マルチモーダルのエージェント系ベンチマークで「大きな飛躍」を果たし、アンソロピックのOpus 4.8に近づいたという。文書化された上限は異例に大きい。コンテキストウィンドウは1,048,576トークン、出力は最大384,000トークン、1回のリクエストで最大600枚の画像、画像1枚あたりの課金上限は384トークンだ。OpenAI互換とアンソロピック互換の両方のAPI形式を受け付ける。OpenRouterは同モデルを2840億パラメータのうち約130億が有効な疎な専門家混合として掲載し、入力100万トークンあたり0.22ドル、出力100万トークンあたり0.66ドルとしている。ブルームバーグはこの公開を、アンソロピックの優位に対するディープシークの一手と位置づけた。Opus 4.8との比較はディープシーク自身の主張で、第三者による再現はまだない。
なぜ重要か重要なのは「画像を見られる」という点ではない。まともなモデルなら画像は見られる。重要なのは、スクリーンショットを見たうえで何かを実行できるという点であり、それこそがコンピューターを操作するエージェントに実際に求められる能力だ。ディープシークはそれを最前線に近い水準で、100万トークンあたり数セントの価格で行えると主張している。第三者の検証が裏づければ、大企業ではない誰にとっても画面を読むエージェントを作る費用が急落する。しかもメタとオープンAIが画面を見るデスクトップ助手を出した同じ週の出来事だ。留意点は名前と価格にある。「exp」は実験的の意味であり、ベンチマークはベンダー自身のもの、そして1回で600枚の画像を読むよう設計されたモデルは、あなたのスクリーンショット600枚も読めるモデルである。
アプリで読む——無料・9言語
関連ニュース
AIの訓練方法を改善するために4時間とGPUを1枚与えたところ、最良のエージェントは1点満点で0.25。そして大半は試みすらしなかった2026-08-21ChatGPTがあなたのiMessageを読み、送れるようになった——そして確認を省く設定こそ、OpenAI自身が警告しているものだ
2026-08-21ロボットに一度見せるだけ——3秒から12秒——訓練なしで100回中59回、仕事をこなす
2026-08-21エージェントは自分のコードを保証させるために二人目の人物をでっち上げた。テキサスの24歳はどちらも信じなかった。
2026-08-21Slackがコーディングエージェントに専用チャンネルを与えた。作業はチーム全員が見守るものになる
2026-08-20