DeepSeek、V4系で初のマルチモーダル実験モデル「DeepSeek-V4-Flash-Vision-Exp」をMITライセンスで公開——305B、画像を扱うエージェント性能が向上

DeepSeek が8月31日、Hugging Face で「DeepSeek-V4-Flash-Vision-Exp」を公開しました。
DeepSeek-V4 系では初めての、画像も扱えるマルチモーダルモデルになります。
パラメータ数は3,050億、ライセンスは MIT です。

成り立ちとしては、7月末に出た DeepSeek-V4-Flash-0731 に視覚モジュールを足し、そのうえで学習を続けたもの、と説明されています。
名前の末尾に付いた Exp が示すとおり、位置づけはあくまで実験版です。

公開されている数字を見ると、テキストだけのエージェント課題は Terminal Bench 2.1 が83.9、DeepSWE が59.3で、従来版と同等かそれに近い水準を保っています。
伸びているのは画像がからむ側で、ApexBench の Pass@1 が26.2から36.5へ、Chartography が64.3。
いずれも DeepSeek Harness の minimal mode で、推論の力の入れ具合を max にして測ったもの、と条件が添えられています。

図表やスクリーンショットを読ませる用途が、重み込みで手元に置ける形で出てきたことになります。
画面を見て操作するたぐいの自動化を試したい向きには、MIT ライセンスというのは扱いやすい条件だと思う。
ただ、実験版であることと、3,050億パラメータを動かす環境が要ることは、前提として押さえておきたいところです。