DeepSeek、画像対応の実験的モデルを公開

中国のAI企業DeepSeekは、テキストと画像の両方を扱える実験的なマルチモーダルモデル「V4-Flash-Vision-Exp」を公開した。これは同社が既に提供しているテキスト特化モデル「V4-Flash」に画像理解の機能を追加したもので、現時点では実験段階（Experimental）という位置づけになっている。

マルチモーダルとは、テキストだけでなく画像や映像なども一緒に処理できる能力を指す。これまでのAIモデルの多くはテキストのやり取りに特化していたが、近年は「画像を見せてその内容を説明してもらう」「図を読み解いて回答する」といった使い方への需要が高まっており、主要な開発各社がマルチモーダル対応を競っている。V4-Flash-Vision-Expはそうした流れに沿ったDeepSeekの新たな一手と位置づけられる。

DeepSeekが自社のエージェントベンチマーク（AIが自律的にタスクをこなす能力を測る評価基準）でテストしたところ、V4-Flash-Vision-ExpはAnthropicが提供するモデル「Claude Opus 4.8」に近い性能を示し、一部の項目ではそれを上回る結果を出したという。ただし、この評価はあくまでDeepSeek自身が実施したものであり、第三者による独立した検証ではない点には留意が必要だ。

なぜこれが注目に値するかといえば、DeepSeekはこれまでも比較的少ないコストで高い性能を実現するモデルを次々と発表し、AI業界に強いインパクトを与えてきた経緯があるからだ。今回の新モデルも、Anthropicの上位モデルに匹敵するという評価結果を持つマルチモーダル機能を、実験段階ながらも公開したことで、改めてその開発ペースの速さを示している。

一方で、「実験的（Experimental）」という名称が示すとおり、このモデルはまだ正式リリースではなく、実用環境での安定性や幅広いタスクへの対応力については今後の検証が必要だ。エージェント向けのベンチマーク結果が優れていても、それが実際のユーザー利用においてどの程度再現されるかは別問題であり、今後の第三者評価や実際の利用報告が判断の材料になってくる。

AIの活用場面はすでにテキスト生成にとどまらず、書類の読み取りや画像解析、複数のツールを組み合わせた自律的な作業支援など、より複雑な使い方へと広がっている。DeepSeekが画像対応モデルを実験的にせよ公開したことは、こうした多様なニーズに応える競争が、中国のAI企業をも含めてグローバルに広がっていることを示す動きとして見ることができる。今後、正式版への移行や独立したベンチマーク評価の結果が、このモデルの実力を測る重要な指標になるだろう。