DeepSeek V4 Flash Vision Exp：API料金と画像入力の制限

DeepSeek V4 Flash Vision Expの対応画像、API形式、トークン料金、OCRでの活用方法を解説。導入前に確認したい制限と注意点もまとめました。

最終更新日: 2026年8月27日

Yix Team

DeepSeek V4 Flash Vision Exp：API料金と画像入力の制限

DeepSeek V4 Flash Vision Exp は、テキストと一緒に画像を読み取ることができる DeepSeek の最初の V4 Flash エンドポイントです。これは実験的な視覚言語モデルであり、画像生成器ではありません。スクリーンショット、グラフ、文書、または写真を送信すると、テキスト応答を受け取ります。

DeepSeekは2026年8月21日にこのモデルを公開しました。ヘッドラインの数値は、高速モデルとしては異常に寛大です。100万トークンのコンテキストウィンドウ、最大 384K の出力トークン、ツール呼び出し、JSON 出力、および OpenAI と Anthropic 互換 API の両方のサポートです。ただし、より重要な詳細は、画像のサイズ変更、カウント、提供の方法に隠されています。

このガイドでは、API が実際に何を受け入れるか、それにかかるコスト、および小規模な実際のテストが他のベンチマークテーブルより価値がある場合について説明します。

DeepSeek V4 Flash Vision Exp の機能

モデルIDはdeepseek-v4-flash-vision-expです。 DeepSeek のリリース発表によると、テキストと画像の混合入力を受け入れ、テキストを返します。典型的な仕事には次のようなものがあります。

スクリーンショットからラベル、テーブル、インターフェイスのテキストを読み取る。
チャートや図を説明する。
いくつかの製品画像を比較する。
ツールを呼び出す前に視覚的なエラー状態を検査します。
ドキュメント画像を構造化された JSON に変換します。
写真に関する質問に答えます。

最後の点には境界が必要です。ビジョン言語モデルは、見たものを説明できますが、自信のある答えは検証された答えと同じではありません。小さなテキスト、混雑した表、珍しい記号、正確な数、および視覚的に類似したオブジェクトは、再度チェックする価値があります。

このモデルは JPEG、PNG、GIF、WebP をサポートしています。 DeepSeek は、拡張子や宣言された MIME タイプを信頼するのではなく、実際のファイルの内容を検出します。画像は、base64 としてインラインで送信したり、外部 URL から取得したり、ファイル API 経由で一度アップロードして、後で file_id で参照したりすることができます。

画像トークンのルールは解像度よりも重要です

DeepSeek のビジョンドキュメントによると、大きな画像は、ピクセル数が 800 と 800 の画像にほぼ匹敵するまで、アスペクト比を維持しながら縮小されます。各イメージは、384 入力トークンでキャップされます。

これにより、画像入力が安価になりますが、巨大なスクリーンショットではより優れた OCR が得られない理由も説明されます。 5,000 ピクセルのイメージと 2,000 ピクセルのイメージは、サイズ変更後に同じトークン数になる可能性があります。元のファイルのピクセルが増えても、モデル内の詳細がより読みやすくなるという保証はありません。

高密度のスクリーンショットの場合は、送信する前に関連する領域の周囲をトリミングしてください。長いダッシュボードの場合は、1 つのページ全体をキャプチャする代わりに、目的を持ったいくつかの切り抜きを使用します。文書作業の場合は、最初に文字起こしを依頼し、次に構造化された通訳を依頼します。これにより、読み取りエラーと推論エラーが区別されます。

現在の API では、1 回のリクエストで最大 600 の画像を使用できますが、この制限を推奨されるバッチサイズと誤解しないでください。バッチが大きいと、どの画像が不正解の原因となったのかを特定することが難しくなり、リクエスト全体には個別のバイトサイズ制限が適用されます。質問に答えることができる最小のセットから始めます。

API 形式と最小限のリクエスト

DeepSeek は、おなじみの OpenAI チャット形式を使用します。画像と質問は、コンテンツブロックと同じユーザーメッセージ内に存在します。

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_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": "image_url",
                "image_url": {"url": "https://example.com/chart.png"},
            },
            {
                "type": "text",
                "text": "List the three largest changes and cite the labels you read.",
            },
        ],
    }],
)

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

外部 URL は公開アセットに便利です。 Base64 は、すでにメモリ内にある画像に便利ですが、リクエスト本文が大きくなります。同じスクリーンショットまたはドキュメントが複数のリクエストで使用される場合は、通常、file_id がよりクリーンな選択肢となります。

画像はユーザーメッセージ内でのみ受け入れられます。システムまたはアシスタントメッセージに画像を配置すると、エラーが返されます。 DeepSeek は、外部 URL の長さの上限も 8,192 文字、単一の URL/ベース64 イメージの上限は 32 MiB、ファイル API イメージの上限は 64 MiB です。

DeepSeek V4 Flash Vision Exp の価格

DeepSeek は、テキスト入力トークンとともに画像トークンを請求します。公式価格ページでは、実験用ビジョンエンドポイントは同じ V4 フラッシュレートを使用します。

トークンの種類	オフピーク	ピーク
キャッシュされた入力	$0.007 / 1M	$0.014 / 1M
キャッシュされていない入力	$0.22 / 1M	$0.44 / 1M
出力	$0.66 / 1M	$1.32 / 1M

DeepSeek は、月曜日から金曜日までのピーク期間を 01:00–04:00 および 06:00–10:00 UTC として定義します。他の時間帯はオフピーク料金を使用します。価格と時間帯は変更される可能性があるため、テストをスケジュールされた実稼働ジョブに変更する前に、価格ページを確認してください。

各イメージは 384 入力トークンで最高となるため、現在のレートではイメージ部分だけでも小さいです。通常は、出力の長さ、キャッシュされていないコンテキストの繰り返し、および呼び出しの数の方が重要です。簡潔な JSON オブジェクトを要求するワークフローは、すべての画像について長い説明を必要とするワークフローよりもはるかにコストを低く抑えることができます。

賢明な評価チェックリスト

洗練されたデモ画像から始めないでください。通常ワークフローを中断する素材を使用してください。

20 から 50 までの代表的な画像を選択します。これには、ぼやけたもの、幅が広いもの、暗いもの、テキストが多い例などがあります。
機械的にチェックできる回答形式を定義します。
欠落しているフィールドと間違ったフィールドを別々に記録します。
一貫性を測定するために、同じリクエストをいくつか繰り返します。
細かいテキストのタスクのために切り抜きを完全な画像と比較します。
テストツールは、視覚的な抽出自体が信頼できるものになった後にのみ呼び出します。

OCR の場合は、出力が「正しく見える」かどうかを尋ねるのではなく、フィールドの精度を計算します。チャートの読み取りには、誤解を招く目盛と近似値を含むチャートを含めてください。インターフェイスエージェントの場合は、結果を伴うアクションを許可する前に、座標または要素の説明を確認してください。

視覚分析は画像からプロンプトへの再構成ではありません

DeepSeek V4 Flash Vision Exp は、画像を説明し、その内容について推論することができます。有用な生成プロンプトを再構築することは、より狭い創造的なタスクです。構成、照明、レンズ言語、マテリアル、スタイル、およびどの詳細を省略するかについての決定が必要です。

それがあなたの目標である場合は、Yix の無料の Image to Prompt Generator を試してください。これは、参照イメージをイメージ生成用の編集可能なプロンプトに変換するように設計された別個のワークフローです。その後、Yix モデルディレクトリのオプションを比較できます。 DeepSeek のエンドポイントは、現在、Yix で選択可能な生成モデルではありません。

Is it worth using?

DeepSeek V4 Flash Vision Exp は、ツールを使用する大規模なワークフローの 1 ステップで画像を理解する場合に最も魅力的です。イメージトークンの上限が低いため、実験が安価になり、互換性のある API により統合作業が軽減され、コンテキストウィンドウが長いため、指示やサポートドキュメントのための余地が残されます。

トレードオフは名前にそのまま表れています。Exp は実験的な意味です。サイズ変更動作により、視覚的な細部に実質的な上限も設定されます。専用の OCR エンジンやテスト済みのドキュメントパイプラインを自動的に置き換えるものではなく、有望な低コストのコンポーネントとして扱います。

作物から始めて、構造化された回答を要求し、実際のエラーを測定し、重要な分野についてはフォールバックを維持します。それはどんなリーダーボードのスコアよりも多くのことを教えてくれます。