中国のAI企業DeepSeekは2026年8月31日、画像を扱えるマルチモーダルモデル「DeepSeek-V4-Flash-Vision-Exp」のモデル重みを、MITライセンスでHugging Faceに公開しました。8月21日のAPI提供開始からわずか10日での重み公開です。総パラメータ305B・トークンあたりのアクティブは約13B、コンテキストウィンドウは約100万トークンで、テキスト性能は本体のV4-Flash相当を保ちつつ、画像を含むエージェントタスクを大きく伸ばしたとされています。前週のZhipu「GLM-5.3-Flash」(既報)に続き、中国勢が「高性能なマルチモーダルをMITで公開する」流れが加速しています。
モデルの中身
V4-Flash-Vision-Expは、既存のV4-Flash(284BのMoE構成)に視覚コンポーネントを載せた構成です。視覚エンコーダは32層・1,024次元で、画像1枚あたりのトークン予算は最大384に抑えられています。重みは量子化後付けではなくFP8形式でネイティブに配布されるのも実務上のポイントで、配布サイズと推論効率の両面で扱いやすくなっています。
名前の「Exp」は実験版(Experimental)の意味です。DeepSeek自身の評価もエージェント作業とグラフ・チャート読解に絞られており、写真の一般的な認識のような幅広い視覚ベンチマークを網羅した公開ではない点は押さえておく必要があります。
性能と価格
公表ベンチマークでは、コーディングエージェントのDeepSWE、Agents' Last Exam、ZeroBenchなどでフロンティア級の商用モデルに比肩する結果が示されています。一方で、長期の複雑な推論を要するタスク(NL2RepoやDSBench-Hard)では明確に劣るとされており、得意不得意がはっきりしたモデルです。
API価格は入力100万トークンあたり0.22ドル、出力0.66ドルと、マルチモーダル対応モデルとしては最安水準です。ローカル運用の場合、コミュニティの4bit量子化でも約155GBからで、複数GPUが前提になります。「安いAPIで試し、要件が固まったらローカルに移す」という二段構えが現実的です。
なぜこの公開が重要なのか
第一に、スクリーンショットや帳票、グラフを読んで操作するタイプのAIエージェントを、外部にデータを出さずに自社環境で動かす選択肢が一段と現実的になりました。この用途はこれまで商用APIにほぼ限られていた領域です。第二に、GLM-5.3-Flashに続くMITライセンスでの公開ラッシュは、オープンモデルの主導権が中国勢に移りつつあることを示しています。米国勢ではMetaのLlamaが独自ライセンス、OpenAI・Anthropicは重み非公開が基本のため、「制約の少ないライセンスで最先端に近いものを使いたい」需要の受け皿が中国発モデルに集中しつつあります。採用判断にライセンスだけでなく地政学的な考慮が入り込む状況は、良し悪しは別として実務の前提になってきました。
日本の読者にとって
帳票処理やグラフ読解を含む業務エージェントを検討しているチームには、検証候補として有力です。ローカル運用なら機密データを外部に送らずに済み、MITライセンスなので商用組み込みの制約もありません。一方、APIやDeepSeekの公式アプリ経由で使う場合はデータが中国のサービスに送られるため、GLM-5.3-Flashの際と同様、利用規約とデータ保存先の確認が先です。日本語と画像の組み合わせ(日本語の帳票やスライドの読解)の精度は公表情報からは分からないため、自社データでの評価が必須です。
次に何をすればいいか
まずはAPIで少額課金し、自社の実データ(帳票・スクリーンショット・グラフ)での読解精度をGPTやClaude、GLM-5.3-Flashと同条件で比較してみてください。ローカル運用を視野に入れる場合は、Hugging Faceのモデルカードで必要GPU構成を確認し、4bit量子化版から検証を始めるのが現実的です。
