ニュース
DeepSeekはV4-Flash-Vision-Expをオープンソース化し、V4シリーズに初めてマルチモーダル機能を追加した。
DeepSeekは、Hugging Face上で動作するV4-Flash-Vision-Expモデルの重みと推論コードを公開しました。これは、視覚理解とテキストエージェントの両方のタスクに対応するように設計されたV4ファミリー初の実験的なマルチモーダルモデルです。
DeepSeekは、Hugging Face上で動作するDeepSeek-V4-Flash-Vision-Expモデルの重み、トークナイザー、および最小化された推論実装を公開しました。公式の説明では、これはV4ファミリー初の実験的なマルチモーダルモデルとされており、V4-Flashアーキテクチャにビジョンモジュールを追加し、視覚理解能力を獲得するためのトレーニングを継続するとされている。
モデルカードには、新しいモデルはDeepSeek-V4-Flash-0731と比較してマルチモーダルエージェント機能を大幅に向上させつつ、プレーンテキストエージェントと同等のパフォーマンスを維持していると記載されています。MITライセンスで提供されるこのリポジトリには、ビジュアルエンコーダー、アライナー、DFlashアテンション、MoE、ハイパーコネクション、およびDSparkフォワードパスのリファレンス実装が含まれています。