コスト効率の高い言語モデルで知られる中国のAIラボDeepSeekが、マルチモーダル画像認識機能を正式にリリースしました。この機能により、ユーザーは画像をアップロードし、AIによる説明、分析、視覚コンテンツに関する回答を得ることができます。これはDeepSeekの競争の激しいマルチモーダルAI分野への参入を意味し、OpenAIのGPT-4VやGoogleのGeminiに直接挑戦する形となります。開発者や技術系ファウンダーにとっては、DeepSeekの競争力のある価格設定の実績を考慮すると、アプリケーションに視覚言語機能を統合するためのもう一つの実行可能な選択肢が加わったことになります。このローンチは、DeepSeekがこれまでに強力なオープンウェイトモデルをリリースしていることから、オープンソースAIコミュニティにとって特に重要です。中国のテックプラットフォームでの初期ユーザーレポートによると、この機能は一般的な画像理解タスクを適切に処理できるものの、厳格なサードパーティベンチマークはまだ待たれます。この動きは、マルチモーダルAI競争が激化しており、中国のラボがテキストモデルを超えて積極的に拡大していることを示しています。
DeepSeekが画像認識機能を正式にリリースし、マルチモーダルAI分野に参入。OpenAIやGoogleのモデルに対抗し、開発者にコスト効率の良い選択肢を提供する可能性があります。