DeepSeek-V4-Flash-Vision-Expは、DeepSeekがV4シリーズで初めて投入した実験的なマルチモーダルモデルです。V4-Flashのアーキテクチャをベースに視覚モジュールを加え、継続学習によって画像理解に対応しています。画像を生成するモデルではなく、テキストと画像を入力して内容を理解・推論するモデルです。2 6

APIでは2026年8月21日に、deepseek-v4-flash-vision-expというモデルIDで提供が始まりました。その10日後の8月31日、DeepSeekはHugging Face上でウェイトと推論関連リソースをMITライセンスで公開しました。3 6

何ができるモデルなのか

Vision-Expは、言語による推論と画像入力を組み合わせる用途を想定しています。主な例は次のとおりです。

• 画像の内容を説明する
• スクリーンショット内の文字を読み取り、意味を解釈する
• グラフや図表、視覚文書を分析する
• 画像を扱うマルチモーダルエージェントの処理を支援する

公開されているV4 APIのモデル一覧では、画像入力に対応するモデルとしてVision-Expのみが記載されています。DeepSeek-V4-FlashとDeepSeek-V4-Proは、同カタログ上ではテキスト専用です。1 2

つまり今回の発表は、単なるモデル更新にとどまりません。これまでテキスト、推論、エージェント処理を中心としていたV4系に視覚理解を加え、ホスティングされたAPIとダウンロード可能なモデル資源の両方を開発者に提供した点が大きな特徴です。3 6

Hugging Faceで公開されたもの

公開されたのはウェイトだけではありません。リポジトリには、モデルファイルに加えてTokenizer、プロンプトエンコーディングの参考資料、最小構成のPyTorch推論実装が含まれています。実装では、モデルの主要な構成要素として次の項目が扱われています。6

• ビジョンエンコーダーとアライナー
• DFlash Attention
• Mixture-of-Experts（MoE）ルーティング
• Hyper-Connections
• DSparkのフォワード処理

ウェイトと推論経路が一緒に公開されたことで、開発者は入力処理や推論の流れを確認しやすくなります。既存のモデルサービング基盤やエージェント環境に組み込む際にも、独自のオーケストレーションに全面的に依存せず、参照実装を起点に検証できます。6

ベンチマークで報告された性能

DeepSeekによると、Vision-ExpはテキストのみのエージェントタスクではDeepSeek-V4-Flash-0731とおおむね同等の性能を維持しながら、マルチモーダル・エージェントタスクでは大幅な改善を示したとされています。6

テキストエージェント関連の比較結果は次のとおりです。

• Terminal Bench 2.1：Vision-Exp 83.9、V4-Flash-0731 82.7
• NL2Repo：57.7対54.2
• DeepSWE：59.3対54.4 6

マルチモーダル・エージェント関連では、Vision-Expは以下のスコアを記録したと報告されています。

• ApexBench：36.5
• Agents’ Last Exam：27.3
• Chartography：64.3
• ZeroBench：35.0 6

DeepSeekは、これらの選定された評価における視覚エージェント性能がClaude Opus 4.8に近いと説明しています。比較表では、たとえばApexBenchが36.5対39.4、Chartographyが64.3対65.0でした。6

ただし、この数字は慎重に読む必要があります。DeepSeek自身の説明では、ApexBenchとAgents’ Last ExamでV4-Flashはマルチモーダル入力を無視していたため、両モデルをまったく同じ画像入力条件で比較した差とはいえません。また、これらはモデル開発元が報告した結果であり、本番環境での性能を第三者が保証するものでもありません。6

APIと自前運用、どちらを選ぶべきか

MITライセンスのウェイトと公開リポジトリにより、開発チームはAPIだけに頼らず、利用環境に合わせた運用を検討できます。利用可能なハードウェアやセキュリティ要件によっては、ローカル環境、プライベートクラウド、一般的なGPUサーバーでの推論を調査できます。3 6

モデルカードでは、Transformers、vLLM、SGLang、Dockerを使った導入方法や、派生量子化モデルへの道筋も示されています。すでに標準的なモデルサービング基盤やエージェントスタックを利用しているチームにとっては、導入時の作業を減らせる可能性があります。6

APIを利用する場合は、実験モデルのIDを指定します。

deepseek-v4-flash-vision-exp

APIはインフラの構築や保守を任せられる点がメリットです。一方、自前運用ではデータの扱い、カスタマイズ、実行環境をより細かく管理できます。どちらを選んでも、品質、メモリ使用量、応答速度、障害時の挙動を対象システムで確認する必要があります。

「Exp」が示すもの

モデル名の末尾にある「Exp」は、単なる製品名ではありません。DeepSeekはVision-Expを明確に実験モデルとして位置づけています。1 6

そのため、特定のベンチマークで別モデルに近いスコアを出したことを、幅広い用途での完全な同等性と解釈することはできません。細かい文字を含むスクリーンショット、難しいOCR、複雑な図表、視覚的な対象の位置づけ、長時間動作するエージェントなどで、安定した性能が得られるかは別途検証が必要です。画像形式などの細かな仕様も、実装前に最新のAPIおよびモデル文書で確認すべきでしょう。

導入を検討するチームは、少なくとも次の項目を自社データで試すのが安全です。

• 小さな文字や画質の低い画像を含むスクリーンショットの認識
• 図表からの数値抽出と推論
• 視覚的な対象の特定と、複数ステップのツール利用
• 画像が不鮮明・不完全な場合のエラー処理
• レイテンシー、メモリ消費量、サービングの安定性
• ベンチマークスコアではなく、業務タスク全体の成功率

このリリースの意味

今回のリリースは、マルチモーダル化、APIを先行させる提供形態、そして寛容なライセンスでのオープンウェイト公開という3つの動きを組み合わせています。開発者はまずAPIで試し、必要に応じてモデルや推論基盤を調査しながら自前環境へ移行できます。3 6

今後の評価を左右するのは、第三者による検証、実運用での信頼性、そしてこの実験的なアーキテクチャが安定した正式版マルチモーダルモデルへ発展するかどうかです。現時点では、DeepSeek-V4-Flash-Vision-Expは画像を扱うエージェントを研究・検証するための有力なオープンウェイトの試験基盤と見るのが適切です。あらゆる画像理解ワークフローが本番投入可能になったことを示すモデル、とまではいえません。

DeepSeek-V4-Flash-Vision-Expは、DeepSeekがV4シリーズで初めて投入した実験的なマルチモーダルモデルです。V4-Flashのアーキテクチャをベースに視覚モジュールを加え、継続学習によって画像理解に対応しています。画像を生成するモデルではなく、テキストと画像を入力して内容を理解・推論するモデルです。2 6

APIでは2026年8月21日に、deepseek-v4-flash-vision-expというモデルIDで提供が始まりました。その10日後の8月31日、DeepSeekはHugging Face上でウェイトと推論関連リソースをMITライセンスで公開しました。3 6

何ができるモデルなのか

Vision-Expは、言語による推論と画像入力を組み合わせる用途を想定しています。主な例は次のとおりです。

• 画像の内容を説明する
• スクリーンショット内の文字を読み取り、意味を解釈する
• グラフや図表、視覚文書を分析する
• 画像を扱うマルチモーダルエージェントの処理を支援する

公開されているV4 APIのモデル一覧では、画像入力に対応するモデルとしてVision-Expのみが記載されています。DeepSeek-V4-FlashとDeepSeek-V4-Proは、同カタログ上ではテキスト専用です。1 2

つまり今回の発表は、単なるモデル更新にとどまりません。これまでテキスト、推論、エージェント処理を中心としていたV4系に視覚理解を加え、ホスティングされたAPIとダウンロード可能なモデル資源の両方を開発者に提供した点が大きな特徴です。3 6

Hugging Faceで公開されたもの

公開されたのはウェイトだけではありません。リポジトリには、モデルファイルに加えてTokenizer、プロンプトエンコーディングの参考資料、最小構成のPyTorch推論実装が含まれています。実装では、モデルの主要な構成要素として次の項目が扱われています。6

• ビジョンエンコーダーとアライナー
• DFlash Attention
• Mixture-of-Experts（MoE）ルーティング
• Hyper-Connections
• DSparkのフォワード処理

ウェイトと推論経路が一緒に公開されたことで、開発者は入力処理や推論の流れを確認しやすくなります。既存のモデルサービング基盤やエージェント環境に組み込む際にも、独自のオーケストレーションに全面的に依存せず、参照実装を起点に検証できます。6

ベンチマークで報告された性能

DeepSeekによると、Vision-ExpはテキストのみのエージェントタスクではDeepSeek-V4-Flash-0731とおおむね同等の性能を維持しながら、マルチモーダル・エージェントタスクでは大幅な改善を示したとされています。6

テキストエージェント関連の比較結果は次のとおりです。

• Terminal Bench 2.1：Vision-Exp 83.9、V4-Flash-0731 82.7
• NL2Repo：57.7対54.2
• DeepSWE：59.3対54.4 6

マルチモーダル・エージェント関連では、Vision-Expは以下のスコアを記録したと報告されています。

• ApexBench：36.5
• Agents’ Last Exam：27.3
• Chartography：64.3
• ZeroBench：35.0 6

DeepSeekは、これらの選定された評価における視覚エージェント性能がClaude Opus 4.8に近いと説明しています。比較表では、たとえばApexBenchが36.5対39.4、Chartographyが64.3対65.0でした。6

ただし、この数字は慎重に読む必要があります。DeepSeek自身の説明では、ApexBenchとAgents’ Last ExamでV4-Flashはマルチモーダル入力を無視していたため、両モデルをまったく同じ画像入力条件で比較した差とはいえません。また、これらはモデル開発元が報告した結果であり、本番環境での性能を第三者が保証するものでもありません。6

APIと自前運用、どちらを選ぶべきか

MITライセンスのウェイトと公開リポジトリにより、開発チームはAPIだけに頼らず、利用環境に合わせた運用を検討できます。利用可能なハードウェアやセキュリティ要件によっては、ローカル環境、プライベートクラウド、一般的なGPUサーバーでの推論を調査できます。3 6

モデルカードでは、Transformers、vLLM、SGLang、Dockerを使った導入方法や、派生量子化モデルへの道筋も示されています。すでに標準的なモデルサービング基盤やエージェントスタックを利用しているチームにとっては、導入時の作業を減らせる可能性があります。6

APIを利用する場合は、実験モデルのIDを指定します。

deepseek-v4-flash-vision-exp

APIはインフラの構築や保守を任せられる点がメリットです。一方、自前運用ではデータの扱い、カスタマイズ、実行環境をより細かく管理できます。どちらを選んでも、品質、メモリ使用量、応答速度、障害時の挙動を対象システムで確認する必要があります。

「Exp」が示すもの

モデル名の末尾にある「Exp」は、単なる製品名ではありません。DeepSeekはVision-Expを明確に実験モデルとして位置づけています。1 6

そのため、特定のベンチマークで別モデルに近いスコアを出したことを、幅広い用途での完全な同等性と解釈することはできません。細かい文字を含むスクリーンショット、難しいOCR、複雑な図表、視覚的な対象の位置づけ、長時間動作するエージェントなどで、安定した性能が得られるかは別途検証が必要です。画像形式などの細かな仕様も、実装前に最新のAPIおよびモデル文書で確認すべきでしょう。

導入を検討するチームは、少なくとも次の項目を自社データで試すのが安全です。

• 小さな文字や画質の低い画像を含むスクリーンショットの認識
• 図表からの数値抽出と推論
• 視覚的な対象の特定と、複数ステップのツール利用
• 画像が不鮮明・不完全な場合のエラー処理
• レイテンシー、メモリ消費量、サービングの安定性
• ベンチマークスコアではなく、業務タスク全体の成功率

このリリースの意味

今回のリリースは、マルチモーダル化、APIを先行させる提供形態、そして寛容なライセンスでのオープンウェイト公開という3つの動きを組み合わせています。開発者はまずAPIで試し、必要に応じてモデルや推論基盤を調査しながら自前環境へ移行できます。3 6

今後の評価を左右するのは、第三者による検証、実運用での信頼性、そしてこの実験的なアーキテクチャが安定した正式版マルチモーダルモデルへ発展するかどうかです。現時点では、DeepSeek-V4-Flash-Vision-Expは画像を扱うエージェントを研究・検証するための有力なオープンウェイトの試験基盤と見るのが適切です。あらゆる画像理解ワークフローが本番投入可能になったことを示すモデル、とまではいえません。