DeepSeek V4 Vision Exp：API・料金・実測

deepseek v4deepseek 公式deepseek マルチモーダルDeepSeek-V4-Flash-Vision-ExpDeepSeek API

DeepSeek-V4-Flash-Vision-Expビジョンモデルの公開とAPI情報

DeepSeek APIプラットフォームに、実験的なビジョン理解モデル DeepSeek-V4-Flash-Vision-Exp が追加されました。これはDeepSeek V4 Flashのテキスト、推論、Agent機能に画像入力を追加したもので、アプリケーションがスクリーンショット、チャート、ドキュメント、UI状態を直接読み取れるようになります。DeepSeekのマルチモーダルインターフェースを探していた開発者にとって、今回の更新のポイントは単に「画像をアップロードできる」ことではなく、ビジョン機能がOpenAI互換API、Responses API、Anthropic互換インターフェースに統合され、既存のワークフローに接続可能になった点です。

本記事は DeepSeek公式サイトの画像理解ドキュメント と 公式モデル価格ページ を基準とし、モデルの位置づけ、APIの使い方、価格、利用シーン、再現可能な効果テスト方法を整理しています。参考記事内のプロモーション、リダイレクト、関連性の低い内容は除外しています。公式が未公開のビジョンエンコーダー、学習データ、パラメータ規模については推測を行いません。

結論を先に述べます： システムで既に deepseek v4 を使用しており、スクリーンショット、一般的なドキュメント、チャートの低コストな読み取りが必要な場合、このモデルは小規模なトラフィックでの試用に値します。ただし、Exp（実験版）の表記があるため、細かい文字、正確な座標、高リスクな識別タスクについては、まず自社のデータセットで検証し、人間の再確認やバックアップモデルを確保してください。

DeepSeekを使い始める

DeepSeek-V4-Flash-Vision-Exp とは

deepseek-v4-flash-vision-exp は、DeepSeekがAPI向けに公開した実験的なビジョン理解モデルです。リクエストにはテキストと画像を同時に含めることができ、モデルはテキスト結果を返します。画像生成モデルではなく、主なタスクは「画像を理解し、その後の作業を完了すること」です。例えば、請求書のフィールド抽出、チャートのトレンド解説、Webスクリーンショットのチェック、UI状態に基づいたAgentフローの継続実行などが挙げられます。

項目公式情報
APIモデルIDdeepseek-v4-flash-vision-exp
入力 / 出力テキストと画像の入力、テキストの出力
コンテキスト長1M tokens
最大出力384K tokens
思考モード思考モードと非思考モードに対応。デフォルトで思考モードが有効
インターフェースChat Completions、Responses API、Anthropic互換 Messages
画像ソース公開URL、Base64 data URL、Files APIファイル
画像形式JPEG、PNG、GIF、WebP
並行制限アカウントごとに2,500
FIM補完非対応
公開状態実験モデル。本番環境での使用前にテストを推奨

純粋なテキスト機能はV4 Flashの路線を継承していますが、「テキスト機能が同等」「マルチモーダルAgentの性能が他のフラッグシップモデルに近接」といった結論は、主に公式の発表内容に基づいています。実際に本番環境で利用する前に、自社の業務における画像の種類、言語、解像度、エラーコストに基づいた独立した検証を行う必要があります。

APIの呼び出し方法

DeepSeekのBase URLは引き続き https://api.deepseek.com です。既存のOpenAI SDKプロジェクトでは、通常、API Key、Base URL、モデルIDの差し替えだけで済みます。画像はユーザーメッセージ内に配置する必要があります。system または assistant メッセージ内に画像を送信すると、リクエストは拒否されます。

方法1：公開画像URLの送信

画像が公開アクセス可能なCDNに配置されている場合、URL方式がリクエストボディの節約に最も適しています。以下のPythonサンプルでは、モデルがチャートを読み取り、3つの主要なトレンドを抽出します。

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DEEPSEEK_API_KEY"],
    base_url="https://api.deepseek.com",
)

response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[{
         "role": "user",
         "content": [
             {"type": "text", "text": "このチャートを読み取り、3つの主要なトレンドを列挙し、その根拠を説明してください。"},
             {
                 "type": "image_url",
                 "image_url": {
                     "url": "https://example.com/chart.png",
                     "detail": "original"
                 }
             }
         ]
     }],
)

print(response.choices[0].message.content)

公開URLの最大長は8,192文字、1画像あたりの最大サイズは32 MiB、ダウンロードは60秒以内に完了する必要があります。社内ネットワークの画像、一時認証が必要なアドレス、公開が困難なファイルは、Base64またはFiles APIの方が適しています。

方法2：Base64によるローカル画像の送信

一度きりの使用に留まる小さな画像は、data:image/png;base64,... にエンコードし、image_url.url に配置できます。これにより公開ホスティングは不要ですが、エンコード後のコンテンツは48 MiBのリクエストボディ上限にカウントされるため、大きな画像の連続送信には適していません。

方法3：Files APIの利用

同じ画像を複数回参照する場合、または1画像が32 MiBを超える場合は、まずFiles APIにアップロードし、コンテンツブロック内で file_id を渡す方法があります。Files APIの画像は最大64 MiBに対応し、重複アップロードの削減にもなります。3つの方法は画像がリクエストにどのように含まれるかを変えるだけで、モデル自体のビジョン機能は変わりません。

detail は low、high、original、auto のいずれかに設定できます。low はまず512×512に縮小するため、速度が速くコストが低く、粗い分類に適しています。high は現在 original と同等で、詳細を保持する必要があるドキュメント、スクリーンショット、チャートに使用します。本番環境では一律に最高詳細度に設定せず、タスクの粒度に応じて分流する方がコスト効率が良いです。

DeepSeekビジョンモデルのAPI価格

2026年8月22日時点のDeepSeek公式サイトの価格ページによると、Vision ExpはV4 Flashと同じテキストtoken単価を使用します。画像はまずサイズに応じて入力tokenに換算され、テキストと一緒に課金されます。1画像あたりの入力token上限は384です。公式ではピーク・オフピーク時間帯別の価格を採用しており、北京時間9:00–12:00、14:00–18:00がピーク、それ以外の時間帯がオフピークです。

課金項目（人民元 / 百万 tokens）オフピークピーク
入力：キャッシュヒット¥0.05¥0.10
入力：キャッシュミス¥1.50¥3.00
出力¥4.50¥9.00

簡単な見積もりとして、100枚の画像をすべて384 tokensとして計算しても、画像入力tokenは38,400個です。実際の請求にはプロンプト、コンテキスト、出力が加算されます。最終的な使用量はAPIが返す usage を基準とすべきです。価格は変更される可能性があるため、デプロイ前にDeepSeek公式サイトを再確認し、本記事の数値を調達予算に固定しないよう注意してください。

適した利用シーン

DeepSeekマルチモーダルモデルの画像理解とAgent利用シーン

1. Webページとアプリケーションのスクリーンショット分析

モデルはページ構造の要約、エラーメッセージの識別、ボタン状態のチェックが可能で、観察結果をAgentに渡し、次のステップを決定させることができます。自動化テスト、カスタマーサポートのトラブルシューティング、バックエンドの巡回点検に適しています。ピクセル単位のクリック座標を伴うタスクでは、スクリーンショットの縮小、ブラウザのビューポート、座標変換を統一する必要があり、自然言語の説明だけで直接クリックすることはできません。

2. ドキュメント、表、請求書の抽出

レイアウトが明確な契約書の表紙、請求書、配送伝票、業務用表については、モデルにJSONフィールドで出力させ、その後ルール検証に渡すことができます。重要な金額、身分証明書、医療情報、法的情報は必ず二次確認が必要です。ビジョンモデルの回答が流暢であっても、すべての文字が正確であることを意味しません。

3. チャートの解釈とデータサマリー

棒グラフ、折れ線グラフ、ダッシュボード、運用スクリーンショットは、トレンドの説明、異常点の発見、指標の集約に適しています。プロンプトでは「結論、図内の証拠、確認できない情報」を列挙するよう求め、画像から逸脱した補記を減らすことができます。正確な数値が必要な場合は、元データ表を優先的に渡し、画像は補助として使用してください。

4. マルチモーダルAgentと開発支援

Agentはターミナルのスクリーンショット、デザイン画、エラーダイアログ、テスト結果を読み取り、検索、コード、ブラウザツールを呼び出して処理を継続できます。「まずビジョンモデルで書き起こし、その後 deepseek v4 に推論を委ねる」という2段階のプロセスと比較して、直接テキストと画像を入力する方がシンプルで、コンテキストの保持も容易です。ただし、モデルはまだ実験版であるため、ツール呼び出しの前にパラメータ検証と高リスク操作の確認を追加する必要があります。

効果の実測：どのように測定すれば参考になるか

異なる記事のデモ画像、プロンプト、評価基準は統一されておらず、1枚の「良さそうに見える」サンプルでは業務効果を表せません。固定画像と固定プロンプトで再現可能なテストを行い、成功例だけでなく元の回答を記録することを推奨します。

テストタスク推奨入力合格基準誤りやすい点
OCR / フィールド抽出明瞭な請求書10枚 + 傾斜または低照度の請求書10枚フィールドの完全一致、欠落項目の出力小さな文字、反射光、類似数字
チャート理解凡例、単位、二軸を含むチャートトレンドの正確性、数値の図内特定二軸の混同、切断された座標軸
UIスクリーンショットデスクトップとモバイル各10枚コンポーネント、状態、エラーメッセージの完全な識別折りたたまれたコンテンツ、オーバーレイ、小さなアイコン
空間関係フォーム、フローチャート、簡単な地図上下左右と接続関係の正確性密集した接続線、ブロック間関係
マルチターンAgent同一タスクの連続5–10ステップのスクリーンショット状態の一貫性、完了済みアクションの重複なし古いスクリーンショットの干渉、エラーの蓄積

テスト時には、少なくとも low と original の2つの詳細度を比較してください。私たちの観察方法は、まずモデルに構造化抽出のみを行わせ、その後説明を要求することです。直接「分析して提案を」と指示すると、事実認識と推論が混在し、エラーの特定が困難になります。明瞭なスクリーンショット、一般的なチャート、レイアウトが単純なドキュメントについては、低コストな初期処理ノードとして適しています。しかし、密集した小さな文字、正確な座標、複雑なエンジニアリング図、法的責任を伴う識別タスクについては、一度の回答だけで本番環境に投入することはできません。

さらに4つのエンジニアリング指標に注意が必要です：最初のtoken遅延、完全なリクエスト時間、成功タスクあたりのコスト、リトライ率。単発のtoken価格が安価でも、頻繁なリトライや人手による再作業が必要であれば、総コストは依然として高くなる可能性があります。まず50–200件の実サンプルを抽出し、フィールドの正確率と失敗しきい値を設定してから、トラフィックの拡大を決定することを推奨します。

利用時の制限事項

  • Exp は実験版を示し、インターフェースの動作や効果は依然として変化し得るため、無条件に本番モデルの代替として使用すべきではありません。
  • 画像を受け付けるのはビジョンモデルのみです。画像を通常の deepseek-v4-flash に送信すると、画像非対応のエラーが返されます。
  • Chat Completionsでは、画像は user メッセージ内にのみ配置できます。元の入力とエラーコードを保持し、トラブルシューティングを容易にしてください。
  • 画像はtoken化と縮小を経ており、低価格が全ピクセルの保持を意味しません。密集したドキュメントは、まず切り出してブロック化し、ブロックごとに識別してください。
  • モデルの出力はプロンプトインジェクションから保護する必要があります。Webスクリーンショットやドキュメント内のテキストが悪意ある指示を含む可能性があり、外部操作を直接トリガーさせないよう注意してください。
  • 身分、財務、医療、セキュリティ、コンプライアンス判断に関わる場合は、ルール検証や人間の再確認を追加する必要があります。

通常のDeepSeek V4 Flashとの選択

要件推奨モデル
テキスト、コード、構造化データのみdeepseek-v4-flash
画像、スクリーンショット、スキャン、チャートの読み取りが必要deepseek-v4-flash-vision-exp
高リスクなビジョン判断Vision Expの試行 + 専用モデルまたは人間の再確認
同一の大きな画像の繰り返し読み取りVision Exp + Files API

タスクに信頼できるOCRや構造化データソースが既に存在する場合、結果をテキストに変換してからV4 Flashに渡す方が通常は安定しています。ビジョン情報が既存システムで抽出できない場合、またはAgentがUI状態を観察しなければならない場合のみ、Vision Expの価値がより明確になります。DeepSeek APIを初めて利用する読者は、まず当サイトの DeepSeek利用ガイド と DeepSeek公式サイトの入口説明 を確認し、タスクに応じてテキストモデルかビジョンモデルかを選択してください。

まとめ

DeepSeek-V4-Flash-Vision-Expにより、DeepSeekのマルチモーダル機能が開発者が直接呼び出せるAPIとして登場しました。主要なSDKとの互換性、URL、Base64、Files APIのサポート、画像token上限とV4 Flashの同価格により、スクリーンショット分析、ドキュメント抽出、チャート解釈、ビジョンAgentに低コストな新たな選択肢が提供されました。

現在の最も適切な位置づけは、「検証可能でロールバック可能なビジョンワークノード」であり、テスト不要の万能な画像認識ソリューションではありません。まず実サンプルで基準を設け、正確率、遅延、リトライ、総コストを確認し、徐々に利用範囲を拡大することで、単発のデモよりも信頼性の高い結論が得られます。