DeepSeek、マルチモーダルモデルでAnthropicのOpus 4.8に並ぶ

何が起きたか

DeepSeekが4月にリリースしたV4 Flashアルゴリズムに基づくマルチモーダルモデル「V4 Flash Vision Exp」を公開した。新モデルはAnthropicの「Opus 4.8」を2つのビジュアルベンチマークで上回った。ALEはコード記述とメディア解釈が必要な1,000を超えるマルチステップタスクを含み、ZeroBenchはフロンティアLLMに設計された100の画像分析タスクを備えている。V4 Flash Vision Expは7つのテキストベースベンチマークのうち、ソフトウェア脆弱性検出を評価するCybergym以外すべてでV4 Flashを上回った。

なぜ重要か

マルチモーダルAIの競争構図を示すもので、エンタープライズはテキストと画像の両方を扱うモデルをますます必要としている。V4 Flash Vision Expが2つのビジュアルベンチマークで10%以上高いスコアを記録し、画像分析での強力なパフォーマンスは、確立された競合との差を埋めていることを示す。基盤となるV4 Flashは284 billionパラメータを持つ混合エキスパートアーキテクチャで、各プロンプトに最適なニューラルネットワークのみを活性化させ、モデル全体を活性化する場合と比べてハードウェア需要を削減する。日本の企業がテキストと画像両方を扱うAIモデルの導入を検討する際に、低いハードウェア需要で高い性能を実現するマルチモーダルの選択肢が広がる可能性がある。

注目点

V4 Flash Vision Expは現在DeepSeekの有料デベロッパープラットフォーム経由でのみ利用可能だが、過去のモデルをオープンソース化した慣例に沿って、後に無料版がリリースされる可能性がある。DeepSeekはV4 Flash Vision Expのアーキテクチャ詳細を公開していない。V4 Flashは32 trillion tokensのデータで学習され、1 million-tokenプロンプト処理に必要な計算力を73%削減する圧縮技術（HCAおよびCSA）を使用している。