DeepSeekが視覚理解モデルを発表、大藍鯨（ダーランジン）などが遅ればせながらの目を得る

この記事を読むのに必要な時間は 24 分

前方の道は、もはや目を閉じたまま進むことを許してはくれない。

原文タイトル：《DeepSeekが視覚理解モデルを発表、大藍鯨が待望の目を手に入れる》
原文著者：動察Beating

2026年8月21日、DeepSeekは新しい視覚理解モデル「deepseek-v4-flash-vision-exp」を発表し、マルチモーダルAPIが正式に開放された。開発者は初めて、画像を直接DeepSeekの公式インターフェースに送り込むことができるようになった。

このモデルはV4 Flashの100万トークンのコンテキストと38.4万トークンの最大出力を維持し、JSON Output、Tool Calls、Responses APIをサポートし、Anthropic APIとも互換性がある。

価格も完全にV4 Flashを踏襲している。100万トークンあたりの入力料金は、キャッシュミス時、ピーク時は3元、オフピーク時は1.5元。キャッシュヒット時はそれぞれ0.1元と0.05元。出力はピーク時9元、オフピーク時4.5元。北京では毎日9時から12時、14時から18時がピークで、残りの17時間は半額となる。

画像も同様にトークンで決済される。モデルに入る前に、各画像はサイズに応じて自動的にスケーリングされ、約384×384ピクセル未満のものは拡大され、大きな画像は約800×800ピクセルの総ピクセル量に圧縮される。1枚の画像は最大384トークンを占める。2000×2000の画像と5000×5000の画像は、最終的にまったく同じトークン数になる可能性がある。

384トークンの上限に基づくと、1枚の画像のピーク時・キャッシュミス時の入力料金は約0.001152元。このような画像を1000枚処理しても、画像入力自体は約1.152元で、テキストとモデル出力は別途計算される。

同時にFiles APIもリリースされた。開発者は事前に画像をアップロードし、リクエストにfile_idを含めることができる。同じ画像は一度だけアップロードすればよく、その後は異なるリクエストで繰り返し参照できる。

このAPI自体は無料だ。単一ファイルの最大サイズは64 MiB、各ユーザーは最大25 GiB、10000ファイルまで保存できる。ファイルは1時間から30日後に期限切れに設定でき、有効期限を設定しなければ永久に保持される。現在、公式はファイル内容をダウンロードするインターフェースも提供していない。開発者はアップロード、クエリ、削除ができ、モデルは読み取りができる。これは通常のクラウドドライブというより、推論専用に準備された無料の画像倉庫のようなものだ。

しかし、不思議なのはDeepSeekが今日まで画像を見られなかったことではない。

二つのタイムライン

研究だけを見れば、DeepSeekのビジョンは遅くない。

製品とAPIだけを見れば、確かにかなり遅れている。

2024年3月11日、DeepSeek-VLがオープンソース化された。

1.3Bと7Bの2つのバージョンがあり、自然画像、ウェブページ、数式、チャート、ドキュメントを認識できる。10月にはJanusが登場し、画像理解と生成を同一の自己回帰フレームワークに統合した。11月13日にはJanusFlowが続いた。12月にはDeepSeek-VL2がリリースされ、混合エキスパートアーキテクチャに切り替え、総パラメータ数は3B、16B、27Bの3段階に分かれた。

2025年1月28日未明、大晦日にJanus-Proがオープンソース化された。公式リポジトリはUTCで1月27日と記録されている。

7Bバージョンは、テキストから画像を生成する指示追従評価であるGenEvalで0.80を獲得し、論文に記載されたDALL-E 3の0.67を上回った。オープンソースの重みを持ち、ローカルデプロイが可能で、公開デモもある。

DeepSeekはこれを自社のホスト型APIに接続しなかった。

その1週間前、R1がすでにDeepSeekをスポットライトの下に押し上げていた。JanusはGitHubとHugging Faceに残された。大多数の一般ユーザーにとって、それはすぐに視界から消えた。

2025年10月20日、DeepSeek-OCRがオープンソース化され、視覚トークンで長文ドキュメントを圧縮した。2026年1月27日、OCR 2がリリースされた。

DeepSeek-VLから数えると、2年間で少なくともDeepSeek-VL、Janus、JanusFlow、VL2、Janus-Pro、OCR、OCR 2の7つの公開記録を確認できる。

ビジョン研究は常に行われ、常に公開されてきた。

ただ、一般の開発者にはその入り口がずっとなかっただけだ。

一方、2024年3月までに、主要な競合他社の開発者インターフェースはすべて画像を受け取れるようになっていた。OpenAIは2023年11月にGPT-4 Turbo with Visionを開放し、画像を直接Chat Completions APIに入力できるようにした。1か月後、GoogleはGemini Pro Vision APIをリリース。2024年3月には、Claude 3全シリーズにビジョン機能が追加された。

2025年4月25日、李彦宏は百度Create大会で「DeepSeekも万能ではない」と述べた。その後挙げたいくつかの問題の中には、モダリティの単一性があった。

彼の判断は、マルチモーダルが基盤モデルの標準装備となり、テキストのみのモデルの市場はますます縮小するというものだった。

その頃、DeepSeekはすでに1年間ビジョン研究を行っていた。

早朝

2026年4月7日と8日、一部のユーザーがDeepSeekを開くと、インターフェースに突然3つのエントリーが追加された。

「クイック」「エキスパート」「ビジュアル」。

4月29日、DeepSeekのマルチモーダルチーム責任者である陳小康氏は、画像認識機能が一部ユーザー向けにグレイテストリリースを開始したことを確認した。その後、DeepSeekのシニアリサーチャーが「小さなクジラは今、見えるようになった」と記した。サウスチャイナ・モーニング・ポストはこの言葉をそのまま見出しに使った。

DeepSeekの目が初めて製品インターフェースから実際に現れた。

翌日、DeepSeekは『Thinking with Visual Primitives』をGitHubに公開した。数時間後、リポジトリと論文は再び削除された。5月1日までに、元のURLは404を返すようになった。DeepSeekは説明を行わず、オンラインには論文のミラーとメディアの転載だけが残った。

この論文は非常に具体的な問題を研究していた。

モデルが非常に混雑した画像を見たとき、自分が何を言っているかはしばしば分かっているが、自分が言っているのが具体的にどの人物、どの線なのかを明確に説明できない。チームは点座標と境界ボックスを推論プロセスに直接挿入し、モデルが位置を指し示しながら推論を続けられるようにした。

756×756の画像はまず視覚エンコーダーを通過し、2916個の画像パッチトークンになり、その後3×3の空間圧縮で324個のトークンに合成される。V4 Flashのスパースアテンションはキャッシュをさらに圧縮し、最終的に81個の視覚KVエントリだけが残る。

チームはまた、この手法のために4000万件以上のトレーニングサンプルを生成し、その中には迷路ナビゲーションとパス追跡のトレーニングに特化したデータも含まれていた。

この論文が多大な労力を費やして解決しようとしたのは、実は「どこを指すか」だった。

モデルはまず「見る」ことができ、次に自分がどこを見ているのかを把握できなければならない。そうして初めて、推論を続けることができる。

DeepSeekは今回、Vision ExpがこのVisual Primitives方式を完全に踏襲しているかどうかを明らかにしていない。さらに重要なのは、この研究が初めてDeepSeekの「視覚推論」に対する理解を外部にさらけ出したことだ。

6月18日、ウェブ版とアプリの画像認識モードが正式にリリースされた。翌日、あるメディアが梁文鋒の写真をアップロードしてテストしたところ、DeepSeekは彼を張一鳴と2回連続で誤認した。別の会話では、張一鳴を寒武紀（Cambricon）の創業者である陳天石と誤認した。

英語のスクリーンショットを読むこともでき、ウェブページをコードに変換することもできる。

しかし、顔認識の場面では、自分のボスさえも見分けられない。

8月19日、DeepSeek Harnessに日付が明確な技術説明が残された。公式アダプターは画像をimage_urlにシリアライズできるようになり、ドキュメントには、デフォルトのモデルディレクトリには当面deepseek-v4-flash-vision-expが表示されず、対応するAPIエンドポイントが利用可能になるまで待つ必要があると明記された。

8月20日には、開発者が実際にテストし、この未公開のモデル名に画像を送信すると400エラーが返るだけだと確認した。

8月21日、この制限は解除された。Harnessはdeepseek-v4-flash-vision-expをデフォルトのモデルディレクトリに追加し、対応するマージコミットには「publish the vision model」と直接記されていた。その後、DeepSeek公式APIドキュメントと公式WeChatアカウントが同時にVision Expのリリースを発表した。

二つの流れがようやく交差した。

Agent

今年5月の投資家向け説明会の録音文字起こしの中で、梁文鋒は自身が理解するAGIの道筋をいくつかの段階に整理していた：言語モデル、思考連鎖（Chain of Thought）、Agent、継続学習、自己反復、そして具現化知能（Embodied Intelligence）へ。

マルチモーダルは彼にとって、検索と同様にコンポーネントの位置づけだった。

動画生成について語った際、文字起こしには次のような一文があった：

商業的には、それは良いビジネスだ。しかし、それは知能とはあまり関係がない。

彼の判断では、動画生成や世界モデルは現段階では知能の上限との関連性がそれほど高くなく、当面はAIトレーニングと、その後の継続学習の方が重要だという。

マルチモーダルが異なる点は、それが「コンポーネント」の位置に置かれているものの、DeepSeekが明確に必ず実装すると明言したコンポーネントであることだ。梁文鋒氏は当時、V4および後続バージョンではネイティブマルチモーダルをサポートすると述べていた。

ビジョンはDeepSeekのロードマップの中で常に位置づけられてきたが、優先順位はそれほど高くなかった。

ロードマップが第3ステップのAgentに進むと、状況は少し変わってくる。

DeepSeekは今回のビジョンAPIが「Agentのためにリリースされた」と公言していない。しかし、梁文鋒氏のロードマップに対する判断と今日の発表を並べて見ると、この2つの線を完全に切り離して考えるのは難しくなっている。

Agentは画面を読み取り、チャートを見て、ツールが返すスクリーンショットを処理する必要がある。それは永遠に純粋なテキストの中だけで生きることはできない。2年間開発されてきたビジョン能力も、ついに論文やリポジトリ、テストページからAPIへと辿り着いた。

DeepSeekが今日Vision Expで示した3つの例も、いずれも従来の「画像を見て説明する」ものではない。1つはAgentが高級顧客向けにチベット自駕旅のPPTを作成するもの、もう1つはDeepSeek Harness公式サイトを再設計するもの、そしてもう1つはビジュアル要件に基づいて動的効果付きのフロントエンドデモを作成するものだ。

これらはすべて、モデルが長いフローのタスクの中で視覚情報を繰り返し処理することを必要とする。

APIの設計もこの方向に寄せられている。Responses APIもinput_imageを受け付け、ブラウザAgentはウェブページのスクリーンショットを取得した後、それを次の推論ラウンドに再投入できる。コードAgentはレンダリング結果を確認でき、チャート、スキャン文書、ソフトウェアインターフェースも直接コンテキストにできる。

Files APIは別の課題を解決する。同じ画像を毎回のリクエストで再アップロードする必要がない。ファイルは長期間そこに置いておくことができ、Agentはfile_idを繰り返し渡すだけでよい。単一リクエストには最大600枚の画像を入れることもできる。外部リンクやBase64を使用する場合、単一画像の上限は32 MiBで、Files APIを介して参照すると64 MiBまで拡張できる。

これはもはや、チャットボックスに「画像アップロード」ボタンを追加するようなものではない。

それはむしろ、Agentがビジョンを使用する際に必要なインフラを補完しているように見える。

DeepSeekが発表した4つのマルチモーダルAgent比較も、従来の意味での「画像を見て説明する」能力をほとんど試していない。

ApexBenchは、投資銀行、コンサルティング、法律などの長大なタスクに注目しています。Agents' Last Examは55の専門分野における実際の業務から作られています。ChartographyはKaplan-Meier曲線、ローソク足、等高線、サンキー図、ポートレート図を専門にテストします。ZeroBenchは100問の手作り難問で多段階の視覚推論を試します。

Vision ExpはClaude Opus 4.8に対して2勝2敗でした。

Agents' Last Examは27.3対25.7、ZeroBenchは35.0対34.0。ApexBenchは36.5対39.4、Chartographyは64.3対65.0。4つの項目すべてで差は3ポイントを超えませんでした。

さらに興味深いのは、視覚を追加しても、元のテキストエージェント能力が明らかに低下しなかったことです。

7月31日に発表されたテキスト専用のV4 Flashと項目ごとに比較すると、公式サイトが前後の成績を同時に示している5つのテキストエージェント評価はすべて上昇しています。

Terminal Bench 2.1は82.7から83.9へ、NL2Repoは54.2から57.7へ、DeepSWEは54.4から59.3へ、DSBench-Hardは59.6から63.6へ、AutomationBenchは25.1から25.7へ上昇しました。DeepSWEの59.3は、図中のOpus 4.8の58.0も上回っています。

ただし、この一連の数字はDeepSeek自身のテストによるものです。公式には、公開されているCode AgentテキストタスクにおけるDeepSeekシリーズモデルはDeepSeek Harnessのミニマルモードを使用し、推論レベルはmaxに設定されていると注記されています。これらは、Vision Expが自社のV4 Flashと比べてどう変化したかを観察するのに適しており、第三者による独立したランキングとして直接扱うべきではありません。

モデル名の後のexpもまだ外されていません。

DeepSeekはこれを明確に実験モデルとして位置づけており、バージョンは今後も変更される可能性があります。現在のAPIは画像理解のみに対応し、出力は依然としてテキストです。画像生成と動画は開放されておらず、Files APIもJPEG、PNG、GIF、WebPのみを受け付け、PDFは直接アップロードできません。

2024年、開発者がDeepSeekに画像を送ろうとしたとき、公式APIはまだ対応していなかった。

2026年8月21日、その画像はようやく届いた。

DeepSeekの目は確かに開くのが遅かった。

そして本当に目を開けたとき、前の道はもはや目を閉じたまま進むことを許してはくれなかった。