Ling-3.0-flash-VL 対 DeepSeek V4 Flash Vision Exp：オープンビジョンへの2つの賭け

Ling-3.0-flash-VLとDeepSeek V4 Flash Vision Expは、この重量級クラスにおいて、チームが今日現実的にダウンロードして運用できる2つのオープンウェイト視覚モデルであり、視覚が何のためにあるのかについて意見を異にする人々によって作られた。Ant GroupのinclusionAIラボによるLing-3.0-flash-VLは、124Bのパラメータのうち約5.5Bをトークンごとに活性化し、視覚をフィードバックループの内側で適用されるものとして扱う——生成し、レンダリングし、見て、修正する——しかも可能な限り低い推論コストで。DeepSeek初のマルチモーダルモデルであるDeepSeek V4 Flash Vision Expは、1Mトークンのコンテキストウィンドウと最大384Kトークンの出力を組み合わせ、視覚を、エージェントが長い作業を終える途上で読み取るもう一つの入力として扱う。一方は、考えるのにどれだけコストがかからないかを基準に最適化されている。もう一方は、考えながらどれだけ多くを保持できるかを基準に最適化されている。

選択を左右すべきなのは、ベンチマークの差分ではなく、その違いである。この2つのモデルには、比較の基準となる共通の評価プロトコルがなく、そもそも独立したスコアがあるのは片方だけだ。以下では、この対決の正直な構図を示す。アーキテクチャ上の賭け、実際に異なる仕様、ベンチマークの状況（なぜ乏しいのかも含めて）、それぞれのコスト、そしてどの用途でどちらが勝つのか——さらに、2つのうちどちらが当社のカタログに載っているかをはっきり述べる部分も。

正確に述べられた2つの賭け

Ling側の話は、主要なコストレバーとしての活性化スパース性への賭けだ。Ling-3.0-flash-VL は総パラメータ124Bのスパースな mixture-of-experts であり——モデルカードには約124.8Bと表示され、SGLang cookbook は5.1Bがアクティブだと説明しているが、カードではおよそ5.5Bとされている——42層のハイブリッドトランクを動かし、Kimi Delta Attention とゲート付き MLA ブロックを5:1の比率で交互に配置している。任意解像度のビジョンエンコーダと2層のMLPプロジェクタがそのトランクに供給し、VideoRoPE が空間的・時間的位置を扱うことで、動画フレームが整合の取れた順序で収まる。アーキテクチャ上の帰結は、トークンあたりの実行コストが高密度124Bのほんの一部で済むモデルであり、まさにそれが、知能対アクティブパラメータのフロンティアにこれが現れる理由のすべてだ。

DeepSeek側は、コンテキストとエージェントの耐久性への賭けだ。DeepSeek V4 Flash Vision Expは、DeepSeek-V4-Flashのテキストアーキテクチャを採用し、視覚エンコーダーとアライナーを追加して、そのまま学習を続ける。ある情報源はその結果を約305Bパラメータとしているが、DeepSeekは詳細を確認していない。1,048,576トークンのコンテキストウィンドウと最大384,000トークンの出力を備え、JSON出力、ツール呼び出し、Responses API、Anthropic API、会話プレフィックスの継続をサポートする。そしてDeepSeekは、これが視覚的質問応答モデルではないと明言している。これはエージェントのための知覚だ。Webスクリーンショット、ソフトウェアインターフェース、チャートを読み取り、そこからツール呼び出しへと続く。画像はトークンに変換されてそのまま課金され、1画像あたり最大384トークンに制限される。

その2つの段落をまとめて読むと、決定の形が見えてくる。あなたのワークロードが「これを見て、何かを決めて、行動し、また見る」というものなら、Ling のアクティブパラメータ数がそのループを手頃なものにしている要因であり、そのビジョンフィードバック設計はまさにそこを狙ったものだ。もしあなたのワークロードが「図表の入った400ページの文書を読んで、そのまま進み続ける」というものなら、Deep​Seek のコンテキストウィンドウがその機能であり、Ling 側にはそれに対抗できるものは何もない。

ベンチマーク比較が見た目より薄い理由

これはほとんどの比較が飛ばしてしまうセクションであり、それを飛ばせば意味のない数値の表が出来上がるだけです。ここからが、エビデンスの実際の状況です。

Ling-3.0-flash-VL についての独立した測定値は1件のみです：Artificial Analysis Intelligence Index v4.3 で 25、同サイズクラスの64件中2位、クラス中央値は8です。ベンダーの仕様表は別途、Intelligence Index プロトコル v4.1.1 で42と主張していますが、これは廃止された尺度であり比較できません — この42は未再現の値として扱ってください。

DeepSeek V4 Flash Vision Exp にはArtificial Analysis のページがまったく存在しない。それについて公表されているあらゆる数値は DeepSeek 自身のもので、リリース発表に由来しており、そのうちいくつかは固定プロトコルではなく Opus-4.8 に対する相対値であることが明示されている。これは数値に対する批判ではない。それらの数値で何ができるかについての記述である。独立にスコア付けされたモデルとベンダーのみがスコア付けしたモデルを同じ列に並べて勝者を宣言することはできないし、そうしているページは結果を捏造している。

正当なのは、各モデルを、そのモデル自身が報告した記録と、その出所情報を添えて比較することだ：

• Ling-3.0-flash-VL、独立系 — Intelligence Index v4.3で25、クラス64中2位、クラス中央値8、Artificial Analysis調べbr /> • Ling-3.0-flash-VL、ベンダー — 廃止されたv4.1.1プロトコルで42、またImage-to-WebDev Arenaでは「linthium」としてGPT-5.4の1,440に対し1,441。いずれもベンダー報告であり、アリーナの差はEloの誤差範囲内br /> • DeepSeek V4 Flash Vision Exp、ベンダー — Terminal Bench 2.1 83.9、DeepSWE 59.3（Opus-4.8は58.0）、Agents' Last Exam 27.3（Opus-4.8は25.7）、Toolathlon-Verified 75.9、Cybergym 75.3、Chartography 64.3、NL2Repo 57.7、DSBench-Hard 63.6、ZeroBench Pass@5 35.0、ApexBench Pass@1 36.5、AutomationBench 25.7br /> • DeepSeek V4 Flash Vision Exp、独立系 — 公開なし

Deep​Seekのリストが主に何で構成されているかに注目してほしい。エージェント型およびソフトウェアエンジニアリングの評価が中心で、ビジョン評価ではない。Deep​Seek自身の説明では、純粋なテキストタスクにおいてこのビジョンモデルは公式のDeepSeek-V4-Flashと同等で性能劣化はなく、向上が見られるのはマルチモーダルエージェントのベンチマークだという。そこではDeep​Seekは、結果をOpus-4.8を上回るものではなく近づいているものと説明し、構造化データサイエンスとコードのタスクであるNL2RepoとDSBench-Hardで約10ポイントの差を認めている。これは異例なほど慎重な一連の主張であり、このモデルが新たな上限としてではなく、既存のエージェントスタックに対する知覚のアップグレードとして売り込まれていることを示している。

実際に異なる仕様

2つの仕様書は大部分で一致している。どちらもMITの下でのオープンウェイトであり、どちらもテキストと画像を入力として受け取りテキストを返し、どちらも量子化ビルド付きのBF16重みを提供し、どちらもサービングレシピが公開されており、どちらも何らかの形で動画を扱う。相違点は4か所に集中している。

• パラメータ — Ling-3.0-flash-VL は合計 124B で、トークンあたり約 5.5B がアクティブ。DeepSeek V4 Flash Vision Exp は約 305B と報告されているが、アクティブパラメータの数値は公開されていないbr /> • コンテキストウィンドウ — Ling-3.0-flash-VL は Artificial Analysis の計測で 262K トークン、一方モデルカードには 256K と記載されている。DeepSeek V4 Flash Vision Exp はネイティブで 1,048,576 トークンbr /> • 最大出力 — Ling-3.0-flash-VL はずっと短く、数万トークン規模。DeepSeek V4 Flash Vision Exp は 384,000 に達するbr /> • 画像の扱い — Ling-3.0-flash-VL は 1 リクエストあたり最大 40 枚の画像を、各最大 16,384 × 784 ピクセルで受け付け、base64 のみ。DeepSeek V4 Flash Vision Exp は base64、外部 URL、または Files API 参照を受け付け、画像あたりのコストを 384 トークンに上限設定br /> • アクティブパラメータ — Ling-3.0-flash-VL はトークンあたり約 5.5B をアクティブ化。DeepSeek V4 Flash Vision Exp はアクティブパラメータの数値を公開していない

画像処理の行こそ、過小評価されがちな項目だ。画像1枚あたり384トークンという厳しい上限は、高密度のグラフや全ページのスクリーンショットを、サムネイルとほぼ同じ予算まで圧縮することを意味する——安価で、しかも細かい読解タスクでは問題になる形で情報が失われる。Lingのやり方は逆を行く。画像1枚あたりのピクセル予算は非常に大きく、転送はbase64のみ、そのためリクエストのペイロードはずっと重くなる。どちらが優れているかは、あなたの画像が、正確に読む必要のある文書の写真なのか、おおよそ理解すればよいUIスクリーンショットなのか、それだけにかかっている。

2番目に過小評価されている行は最大出力です。Ling-3.0-flash-VL の数万トークンの上限は、記述してから修正するループには十分で、大きな成果物を出力したいものにとっては制約になります — 長い生成ファイル、文書全体の書き換え、数千行にわたる差分など。DeepSeek の 384K 出力は、その想定ワークロードが大きなツール呼び出し結果または生成成果物で終わるからこそ、まさに存在します。パイプラインがモデルに長いものを返してほしいと期待しているなら、そのたった1行が、どのベンチマークよりも先に勝敗を決めます。

価格、そして無料と価格未設定の違い

DeepSeek V4 Flash Vision Exp は、当社のカタログに実際の数値を掲載しています：入力100万トークンあたり0.24ドル、出力100万トークンあたり0.73ドル、コンテキストウィンドウは1,048,576トークン、最大出力は384,000トークンで、deepseek/deepseek-v4-flash-vision-expとして利用できます。これは公開された料金で、テキスト版V4-Flashと同じ方法で課金され、画像は1枚あたり最大384トークンに変換されます。スプレッドシートに入れられる料金です。

Ling-3.0-flash-VLには料金がありません。Artificial Analysisのページでは、次のように示しています：100万入力トークンあたり$0.00、100万出力トークンあたり$0.00これは、同業他社の中央値$0.14と$0.40と対比したものです — しかし、それはAntのLing Studioで実施中の無料トライアルを反映したものであり、実際の料金ではありません。Antのマルチモーダル文書は、このビジョンモデルのトークン単位の価格を公表していないため、このゼロを照合する対象がありません。テキスト専用の兄弟モデルLing-3.0-flashは、100万入力トークンあたり約$0.075、100万出力トークンあたり$0.22で掲載されており、Antのドメイン特化型Lingリリースは無料APIとして開始されました。これは、最終的に同様の形になることを示唆しています — しかし、示唆は価格ではありません。

これらを正直に並べると、コスト比較はこうだ。一方のモデルには料金レートがあり、他方にはプロモーション期間ともっともらしい推測がある。Ling-3.0-flash-VL が DeepSeek V4 Flash Vision Exp より安いと主張する人は、無料トライアルと定価を比べている。擁護できる主張は、Ling-3.0-flash-VL は価格が設定されればトークンあたりでかなり安くなる可能性が高い、というものだ。なぜなら5.5Bのアクティブパラメータは、どのような料金改定でも消せない構造的優位だからである——ただし、Ling-3.0-flash-VL の冗長さがその一部を食いつぶすという但し書き付きで。Artificial Analysis は、それが Intelligence Index で160Mの出力トークンを消費し、中央値84Mに対して64中8位で、「very verbose」とラベル付けされていると記録している。支払うのは出力されるトークンごとなので、同じ答えに到達するのにおよそ2倍多く喋るモデルは、スパース活性化が勝ち取った分の一部を返上することになる。

どちらが、何のために？

正直な決定木は、他の何よりもまずコンテキストと出力長で分岐する。なぜなら、そこが二つのモデルが互いの代替とならない次元だからだ。

選ぶDeepSeek V4 Flash Vision Exp仕事が長く、最終的に成果物を生み出す場合——図表を含む数百ページに及ぶ文書、最初から最後まで読み通すコードベース、大きな結果を出力する必要があるエージェントループ、base64 ではなく URL や Files API 参照で画像を渡したいワークロード、Responses API、プレフィックス継続、または予算を立てる基準にできる公開されているトークンあたりの料金が必要なパイプライン——です。また、2つの中で、テキストタスクについて自社のテキストモデルとの同等性をベンダーが主張しているのはこれだけであり、1つのモデルでスタック内の2つを置き換える場合には重要です。

選びましょうLing-3.0-flash-VLを、呼び出し1回あたりのコストが最大の制約で、ループが短い場合に: GUI自動化、繰り返しのスクリーンショット検査、レンダリングと修正のサイクルを回すフロントエンド生成、画像ごとに高い解像度が必要で出力が小さくても許容できる医療・金融文書の抜き取り確認など。アクティブパラメータ数5.5Bという点がこれを選ぶ理由であり、MITライセンスがセルフホストしても安全である理由であり、ビジョン・フィードバック・ループの設計はまさに「観察→行動→検証→修正」というパターンを狙ったものです。ただし、価格が未定で無料の入り口があり、その先がどうなるかについて何の約束もないモデルを選んでいるという点は認識しておいてください。

そして、もしあなたが実際に必要としているのが、どちらの極端にも走らない、画像をきちんと読み取れる単一のモデル——5.5Bのスパース化トリックも、100万トークンのウィンドウもないもの——なのであれば、これらのどちらも興味深い答えにはならず、ごく普通の中価格帯のビジョンモデルのほうが、どちらの専門特化モデルよりも安く、より役に立つでしょう。

それらを実行すること、そして正直なところ、私たちがどこに当てはまるか

DeepSeek V4 Flash Vision Expが当社のカタログに追加されました.OrcaRouterのOpenAI互換エンドポイントを通じて、モデル文字列deepseek/deepseek-v4-flash-vision-expを指定して呼び出せます。他のすべてに使っているのと同じキーで、公表されている$0.24/$0.73の料金のまま、上乗せは一切ありません——プロバイダーの定価がそのまま適用されるので、DeepSeekが料金を引き下げれば、次回の契約更新時ではなくその日のうちにあなたにも届きます。初めてビジョンモデルを本番経路に組み込むのであれば、ルーティング層上では2つのうちこちらのほうが安全な出発点です。プロバイダーエラーが起きたとき、応答が始まる前に別のルートへ再試行するフォールバックチェーンを構成できるからです。最初の本番ビジョン呼び出しで、単一プロバイダー障害について思い知らされる羽目になりたい人などいません。

Ling-3.0-flash-VL は当社のカタログにはありません。そして、そうでないかのように示唆するつもりもありません。これは Ant 自身のプラットフォームを通じて利用できます。同プラットフォームは OpenAI 互換エンドポイントと Anthropic 互換エンドポイントを公開しており、Ling Studio での無料トライアルアクセスや、Hugging Face 上のオープンウェイトを通じても利用できます。後者は、公開されている SGLang レシピまたは Ant 自身の vLLM フォークを使って自分でサービングできます。その道に投資する前に確認すべきことが 1 つあります。Ant の API 例では識別子 Ling-3.0-flash-VL-rc1はリリース候補を示すマーカーであり、提供されるチェックポイントがオープンウェイトと一致するかどうかは公にまだ確定していません。ホスト型 API に対してベンチマークを行い、その数値がセルフホストの BF16 デプロイにも当てはまると期待しているなら、まずその前提を検証してください。

精査に耐える要約はこうだ。これらは一つの問いに対する競合する答えではない。DeepSeek V4 Flash Vision Exp は、公開価格と、エージェント型評価に依拠したベンダー報告のベンチマークシートを備えた、エージェント向けの長コンテキスト知覚レイヤーである。Ling-3.0-flash-VL は、低コストで提供できるビジョンモデルであり、1つの本物の独立スコア、価格未設定の無料枠、短い修正ループを狙った設計を備えている。ワークロードの形をモデルの形に合わせよ。そして、両者のうち片方だけがボード上に独立スコアを持っているという事実は、もう片方のマーケティングをどれだけ重視すべきかを判断する材料にすべきである。

同じキーでカタログの残りの部分にもアクセスでき、モデルカタログ全体を閲覧して1つのOpenAI互換エンドポイントの背後にほかに何があるかを確認できます。