話題
2026年8月21日
DeepSeekが視覚対応モデル公開、解像度800×800の制約にHNで賛否
「話題」の記事
DeepSeekが新しい実験モデル「v4-flash-vision-exp」を公開し、ついに画像入力に対応した。Hacker Newsでは、これまでのテキスト専用モデルが自分に視覚があると勘違いして的外れな処理をしていたという体験談のほか、画像を800×800ピクセル相当に縮小する仕様ではOCRやフロントエンド開発の検証用途には物足りないという指摘が相次いだ。
DeepSeekの新しい実験的モデル「v4-flash-vision-exp」に関するドキュメント
出典: api-docs.deepseek.com / 元記事はこちら
3
海外の名無しさん
2026-08-21 11:06
「大きい画像はアスペクト比を保ったまま縮小され、リサイズ後の総ピクセル数はだいたい800×800相当になる」とあるけど、OCRとかいろんな用途にはもう少し解像度が要る。A4用紙まるごと突っ込むケースとか。
4
海外の名無しさん
2026-08-21 11:00
DeepSeek v4 Flash 0731は自分に視覚があると思い込んで、実は見えないと気づくとテキストベースの画像解析ツールをでっち上げる、という話をよく聞く。だとしたら今回のアップデートはありがたい。実際自分も0731に「スクリーンショットは見るな」と指示しないと、画像を読もうとしてセッションが壊れてた。
15
海外の名無しさん
2026-08-21 11:45
>>4 うちでも3つの別プロジェクトで、ピクセルを解析して視覚を再現しようとしてた。
5
海外の名無しさん
2026-08-21 12:06
これでベンチマークが少し上がったらしい: リンク参照
6
海外の名無しさん
2026-08-21 11:31
おめでとう!DeepSeekについに目がついた。暗黒時代もこれで終わりだ。
16
海外の名無しさん
2026-08-21 12:59
>>6 むしろこれから始まるのかもね。どの人生観を信じるか次第だけど。
8
海外の名無しさん
2026-08-21 12:23
みんなこういうモデルの視覚機能を何に使ってる?監視用途はまあ分かるとして、もっと「まともな」使い道ってある?
17
海外の名無しさん
2026-08-21 12:25
>>8 HNで一番よく聞くのはフロントエンド開発全般。次に多いのが紙の書類のOCR。
18
海外の名無しさん
2026-08-21 12:37
>>8 うちのプロダクトは雇用主と労働者を会話型エージェントでつなぐもの。ユーザーは画像でのやり取りが大好きで、履歴書、書類、現場の写真とか。履歴書やオファーを写真で送る形式もかなり人気。普段使いのDeepseek Flashはその写真が見えないから、画像モデルを別に使ってエージェントに文脈を理解させてる。
19
海外の名無しさん
2026-08-21 12:40
>>8 エージェント型のグラフィックデザインツールを作ってるので、モデルが自分の作業結果を確認するのに視覚がかなり役立つ。テキストオンリー版と比べてもう改善を感じてる。
10
海外の名無しさん
2026-08-21 11:23
興味深い。DeepSeekの創業者は、マルチモーダルには注力しないと明言して、テキストオンリーだけでAGIに到達できると考えていたんじゃなかったっけ?
21
海外の名無しさん
2026-08-21 11:48
>>10 それを言ってたのはDarioで、しかも画像生成についての話だったと思う。
11
海外の名無しさん
2026-08-21 11:29
800×800は64万ピクセル、0.64メガピクセル。1995年のSuper VGA(約0.79メガピクセル)より低い。それなりの用途には使えるけど、分水嶺になるのはその3倍くらい、1080p相当だと思う。それなら小さい文字や細かいディテール以外はほぼ何でもいける。
22
海外の名無しさん
2026-08-21 11:32
>>11 でもツールを使えるモデルなら、クロップやズームのツールを使って自分が見えていると思ったものを検証するはずでは。
23
海外の名無しさん
2026-08-21 11:47
>>11 自分は普段小さいスクリーンショットをLLMに渡してるから、この用途なら問題なさそう。画面全体を渡すと多くのLLMが混乱するみたいだし。
12
海外の名無しさん
2026-08-21 11:17
これオープンウェイトで出る?
24
海外の名無しさん
2026-08-21 12:22
>>12 たぶん彼らの「Thinking with Visual Primitives」論文がベースになってて、その論文ではウェイトを公開すると書かれてたはず
25
海外の名無しさん
2026-08-21 11:57
>>12 出ると思う。オープンにするのはDeepSeekの一貫した伝統だから
26
海外の名無しさん
2026-08-21 11:41
>>12 自分もそこ知りたい。もし出ないとしたら、自前でホストしてるdeepseek flashに視覚機能を後付けする良い方法を知ってる人いる?
13
海外の名無しさん
2026-08-21 11:11
>>2 うわ、800×800だと使えない用途が結構出てくるな
27
海外の名無しさん
2026-08-21 11:33
>>13 それでも案外大丈夫かも。最近のvLLM勢は、細部が見えないと判断すると、システムにあるImageMagickやPILなんかを勝手に使って部分画像を切り出し「ズームイン」する。
29
海外の名無しさん
2026-08-21 11:40
>>13 実験版だからという可能性もある。正式版でもっと大きい入力を許すようになっても驚かないし、いずれ出るpro版でそうなるかもしれない。
30
海外の名無しさん
2026-08-21 11:18
>>13 「flash」の速さを取るか細部を取るか。どっちか一つ。
14
海外の名無しさん
2026-08-21 11:12
>>3 分割して食わせればいいのでは?
31
海外の名無しさん
2026-08-21 11:17
>>14 それはそれで難しくて、どこで分割するか判断するのは?
38
海外の名無しさん
2026-08-21 12:23
>>31 少なくともいくつかの言語では、テキストは行(と段落)ごとに分かれて書かれていることが多いし。
39
海外の名無しさん
2026-08-21 11:47
>>31 分割自体をモデルにやらせればいい。その判断をするだけなら800×800pxの画像で十分足りるはず。
32
海外の名無しさん
2026-08-21 12:32
>>17 フロントエンド開発?ちょっとピンとこない。作業中のウェブページをモデルに解析させてるってこと?それともテスト用?
42
海外の名無しさん
2026-08-21 12:56
>>32 開発ループを完結させるため。視覚がないと、モデルは自分が作ったものが見た目通りに表示されてるか確認できず、推測するしかない。
43
海外の名無しさん
2026-08-21 12:38
>>32 もちろんQA用。エージェントにCDP経由で本番プロダクトへのアクセスを与えて、スクリーンショットを撮らせて結果を確認させる。FigmaにCDPで読み書きアクセスさせるやり方もあって、そこでも視覚モデルはかなり役立つ。
44
海外の名無しさん
2026-08-21 12:44
>>32 OMPで視覚モデルを使う定番の流れは、フロントエンドのコードを書いて、サーバーを立ち上げて、ヘッドレスブラウザでスクリーンショットを撮って確認し反復すること。これがすごくうまくいく。でもDeepSeek V4 Flashを使ってると、代わりに毎回「ページを読み込んで自分で確認してください」と言われる。
33
海外の名無しさん
2026-08-21 12:35
>>17 でもOCRにはもっと向いたモデルがあって、自分はmlx-community/PaddleOCR-VL-8bitを使ってる
45
海外の名無しさん
2026-08-21 12:55
>>33 時には元の「誤字」をそのまま残したいこともあれば、逆に「直して」ほしいこともある。OCR専用モデルはだいたいどちらか一方しかできなくて、VLMの場合は「直す」方に寄りがち。マルチモーダルLLMなら指示するだけでいい(ただしちゃんと従うかはモデルごとに評価が必要だけど)。
34
海外の名無しさん
2026-08-21 11:51
>>26 普通はこんな感じで視覚モデルをMCPサーバーとして追加すればいい: リンク参照
36
海外の名無しさん
2026-08-21 11:32
>>30 Geminiの「flash」モデルにはメディア解像度のオプションがあって、スクリーンショット用の高解像度オプションもある。
47
海外の名無しさん
2026-08-21 12:53
>>36 値段はどのくらい?
40
海外の名無しさん
2026-08-21 11:43
>>31 分割する時に少し重ねればいいのでは?
41
海外の名無しさん
2026-08-21 11:40
>>31 その部分は小さくて安いモデルにやらせればいいんじゃない?
46
海外の名無しさん
2026-08-21 12:40
>>35 それだと文脈を失わない?特に0とO、1とI、1とl、Iとlみたいに見分けにくい文字の組み合わせがあるフォントだと。
48
海外の名無しさん
2026-08-21 12:57
>>46 そこはグリッドクロップで対応するはず。その段階でディテールは保持されて、そのあと低解像度の全体画像を参照しながら論理的に再結合される。ただ最低でもトークン消費は2倍になる。
この話題の背景と論点
DeepSeekはこれまでテキスト専用モデルを中心に据え、創業者がマルチモーダル軽視を公言していたとの記憶がスレで語られたが、これはAnthropicのDario Amodeiの発言との混同という訂正が入っている。今回の視覚対応は「Thinking with Visual Primitives」論文を土台にした実験版(exp)とみられ、画像は800×800px(約64万画素、1995年のSVGA以下)に縮小される仕様。この解像度で十分かは意見が割れ、OCRやフロントエンド検証には不足との指摘がある一方、スクリーンショット中心の用途なら問題ないという声もあった。
押さえておきたいのは、これが正式版ではなく実験段階の位置づけであり、正式版やpro版で解像度が引き上げられる可能性がある点だ。またグリッドクロップやズームで細部を補う手法はVLM運用で既に定着済みだが、その分トークン消費は最低でも倍増する。オープンウェイト公開の有無も、論文の記述からの推測にとどまり未確定のままである。
※本記事は5ch(Hacker News)スレッド「DeepSeek-v4-flash-vision-exp 」より抜粋・要約して構成しています。
続けて読む（話題）
この記事のリアクション
😆 おもしろい 0 😮 びっくり 0 😢 かなしい 0 👍 わかる 0 😠 ひどい 0
まだコメントはありません。