DeepSeek にマルチモーダルを補う：Qwen-3.7-Flash 識図スキーム

原文は X に公開、8.9 万ビュー、600+ いいね。

DeepSeek V4 Flash がマルチモーダル非対応だと、多くの人が文句を言っている。確かにそれは弱点だ——でも一つのモデルに固執する必要はない。

問題

V4 Flash はテキスト能力が全開なのに、画像を読むシーンになると全く使い物にならない：スクリーンショット、画像の表、UI デザイン稿、スキャン文書、全部処理できない。

マルチモーダルは「安さ」の代償だ。モデルが視覚エンコーディングをやるには、パラメータが膨れ上がり、コストが上がる。

解法：組み合わせて使う

現時点で最もコスパのいい識図モデルを一周リサーチした結果、結論は Qwen-3.7-Flash。

画像一枚の認識コストは、無視できるほど低い。これを視覚専用モデルにして、テキスト推論は V4 Flash のまま。両方のいいとこ取りだ。

どう組み合わせるか

一番シンプルな発想は「ルーティング」：入力に画像が入ってたら → 視覚モデルへ。純テキスト → V4 Flash へ。

// 擬似コード：必要に応じてルーティング
function route(input) {
  if (hasImage(input)) {
    return qwenVision(input)   // 識図 + 重要情報の抽出
  }
  return deepseekV4Flash(input) // テキスト推論
}

もっと上のレベルは、識図結果をそのまま V4 Flash に渡して推理を続けさせる：

1. Qwen-3.7-Flash で画像を認識し、構造化された説明を出力
2. その説明 + 元の質問を一緒に DeepSeek V4 Flash に渡す
3. V4 Flash が説明を元に深い推論、コード書き、要約をする

こうすれば画像も見られるし、V4 Flash の安さと速さも享受できる。

使えるシーン

• スクリーンショット質問：エラー画面やチャットのスクショを放り込む
• 表・書類画像の構造化データ化
• UI デザイン稿のコード化
• 請求書、契約書などのスキャン文書からの情報抽出
• Agent が画面を「見る」必要があるシーン

なぜ他のスキームじゃないのか

純粋なビジョン大モデル（GPT 系のマルチモーダルなど）は強いが、値段が高い。日常のバッチ処理には割に合わない。

Qwen-3.7-Flash が勝っているのはコスパ：認識の品質は十分、コストはほぼ無視できる、大量のバッチタスクでも痛くない。

まとめ

モデル組み合わせが当たり前。一つのモデルが全部やるなんて期待するな。

テキストの主役は V4 Flash（安い・速い・コンテキスト大）、視覚の脇役は Qwen-3.7-Flash（安い・十分使える）。この組み合わせが現時点で最コスパだ。足りないものを足すほうが、「万能だけど高い」モデルを待つよりずっと現実的。

関連記事：DeepSeek V4 Flash 正式版を徹底レビュー