DeepSeekの最安値モデルが画像認識に対応しました。2026年8月21日、DeepSeekは「deepseek-v4-flash-vision-exp」をリリースしました。これは、V4-Flashの画像認識対応ビルドで、テキストのみのモデルと同じ価格で、同じ本番APIを介して画像を受け入れ、各画像の課金は最大384入力トークンです。公式リリースノートでは、V4-Flashと同等のテキスト処理能力に加え、DeepSeekがOpus 4.8に近いマルチモーダルエージェント性能を実現すると謳う画像理解能力が備わっていると明記されています。
このガイドでは、このモデルがどのようなものか、「Exp」という名前が本番環境での使用において何を意味するのか、画像を送信する3つの方法、注意すべき制限事項、そしてマルチモーダルリクエストを適切にテストする方法について説明します。画像認識リクエストはコンテンツタイプが混在し、すぐにサイズが大きくなるため、ターミナルでJSONを手動で編集するよりもApidogで構築する価値のあるAPIコールです。
deepseek-v4-flash-vision-expとは
このモデルは、画像エンコーダーが搭載されたV4-Flash-0731です。DeepSeekによると、エージェントのワークロード、推論、世界知識を含むテキストタスクにおいてベースモデルと一致するため、V4-Flashの既存の機能を損なうことなくこのモデルに切り替えることができます。OpenRouterのリストでは、総計284Bのパラメーターのうち13Bがアクティブな疎な混合エキスパートモデルとして説明されています。
重要な背景として、V4-FlashはDeepSeekの廉価版ラインです。当社のDeepSeek V4-Flash APIガイドでテキストモデルのローンチ時に取り上げましたが、その経済性は変わっていません。フラッシュ価格での画像認識は、市場にあるほとんどのマルチモーダルAPIよりも安価であり、DeepSeek自身の表現である「マルチモーダルエージェントのベンチマークでOpus 4.8に近い」という主張が注目を集めた理由です。ベンダーのベンチマークの主張は主張として受け止め、移行する前にご自身のドキュメントで独自の評価を実行してください。
「実験的」というラベルが付いているにもかかわらず、これは単なるサンドボックスのおもちゃではありません。このモデルは、他のV4モデルと同じレート制限とSLAで本番APIエンドポイントで動作し、待機リストや特別なアクセスリクエストは不要です。
料金：フラッシュレート、画像込み
DeepSeekの料金ページによると、料金表はテキストのみの「deepseek-v4-flash」と同一です。
| オフピーク | ピーク | |
|---|---|---|
| 入力、キャッシュヒット (100万トークンあたり) | $0.007 | $0.014 |
| 入力、キャッシュミス (100万トークンあたり) | $0.22 | $0.44 |
| 出力 (100万トークンあたり) | $0.66 | $1.32 |
画像は、課金のために1枚あたり最大384トークンにトークン化され、入力レートで課金されます。ピーク時のキャッシュミス価格では、フルコストの画像1枚は約0.00017ドルになります。1000枚の画像でもコーヒー1杯よりも安価です。
テキストモデルから2つの料金体系が引き継がれています。オフピーク料金はピーク料金の半分で、ピーク時間は平日のUTC 01:00から04:00および06:00から10:00であるため、その時間帯外にスケジュールされたバッチ画像認識ジョブは半額になります。また、コンテキストキャッシングが繰り返される入力に適用されます。これは、さまざまな画像に対して同じシステムプロンプトを再送信する場合に重要です。料金ページにはV4ラインの100万トークンのコンテキストウィンドウが記載されていますが、実際には出力はそのはるか下限に制限されます。
画像を送信する3つの方法
このモデルは、DeepSeekの標準的なChat Completionsエンドポイント（https://api.deepseek.com/chat/completions）を介して動作します（V4-Flash Responses APIの展開で確立されたように、メッセージスタイルおよびレスポンススタイルの呼び出しもサポートされています）。画像はユーザーメッセージのcontent配列に含まれ、3つの配信オプションがあります。
1. Base64インライン。画像をデータURLとしてエンコードします。シンプルで自己完結型であり、画像あたり32 MiBに制限されています。
import base64
from openai import OpenAI
client = OpenAI(api_key="YOUR_DEEPSEEK_KEY", base_url="https://api.deepseek.com")
with open("invoice.png", "rb") as f:
b64 = base64.b64encode(f.read()).decode()
response = client.chat.completions.create(
model="deepseek-v4-flash-vision-exp",
messages=[{
"role": "user",
"content": [
{"type": "text", "text": "Extract the line items and totals as JSON."},
{"type": "image_url", "image_url": {"url": f"data:image/png;base64,{b64}"}}
]
}]
)
print(response.choices[0].message.content)
2. 外部URL。エンコードする代わりに、公開されているリンク（最大8,192文字）を渡します。
{"type": "image_url", "image_url": {"url": "https://example.com/chart.png"}}
3. ファイルAPI参照。一度アップロードすれば、IDで再利用できます。DeepSeekのFiles APIは現在、画像アップロードを無料で受け付けており、file_id参照を使用すると、リクエスト間で同じ画像を再アップロードする必要がなく、画像あたりの上限は64 MiBと高くなります。
{"type": "file", "file": {"file_id": "file-api-xxxxxxxxxxxxxxxx"}}
ワンショットの呼び出しにはBase64を、画像がすでにCDN上にある場合はURLを、同じ画像を複数回使用するワークフローにはファイルIDを使用します。
詳細パラメーター
各画像にオプションのdetailフィールドがあり、前処理を制御します。
"low": 512x512にダウンスケールされます。最も安価で高速であり、分類レベルの質問に適しています。"high"/"original": オリジナルの寸法を維持し、高密度のドキュメントや小さなテキストに適しています。"auto": APIに決定を任せます。
内部的には、画像はトークンカウントのために約800x800に正規化され、これにより画像あたりの384トークンという上限が維持されます。領収書やダッシュボードでOCRに類似した作業を行う場合は、実際のコーパスで"low"と"high"を比較テストしてください。これらの価格ではコスト差は小さいですが、精度差は大きくなる可能性があります。
本番環境投入前に知っておくべき制限事項
| 制約 | 値 |
|---|---|
| 1リクエストあたりの最大画像数 | 600 |
| インライン (Base64) 画像サイズ | 32 MiB |
| Files API 画像サイズ | 64 MiB |
| リクエストボディ合計 | 48 MiB |
| 画像寸法 | 1辺あたり8,192 px (15枚以上の画像を含むリクエストの場合4,096 px) |
| 外部URLの長さ | 8,192文字 |
| 画像の配置 | userメッセージのみ |
最後の行は、実際に400エラーを引き起こすものです。systemまたはassistantメッセージ内の画像は拒否されます。複数の画像を含むリクエストがサポートされており、テキストと自由に混在できるため、スクリーンショットを撮り、推論し、行動するエージェントループにこのモデルを使用できます。これらのループをオーケストレーションしている場合、DeepSeekは同日にDeepSeek Harness 0.1.1でこのモデルのネイティブサポートを提供しました。当社のDeepSeek Harnessの概要でそのスタックについて説明しています。また、ツール呼び出しは画像認識と並行して機能します。これは、当社の関数呼び出しガイドで説明されているテキストモデルのフローと同じです。
「Exp」があなたにとって意味すること
このサフィックスは正直なラベリングであり、ペイウォールではありません。以前の実験的なDeepSeekエンドポイントと同様に、モデルは短期間で改訂または置き換えられる可能性があります。実用的なヘッジ戦略：
- モデルIDを12か所にハードコーディングしないでください。
deepseek-v4-flash-vision-expを1つの設定値または環境変数に設定してください。 - テキストのみのフォールバックを保持してください。このモデルはテキストタスクにおいて
deepseek-v4-flashと一致するため、画像を含まないトラフィックを安定したIDにルーティングしてもコストはかかりません。 - 評価のスナップショットを撮ってください。実験的でない後継モデルがリリースされたら、ベンダーのものではなく、ご自身のタスクで前後比較をしたいと思うでしょう。
実例：ドキュメントパイプラインのコスト
数字で料金を具体的に見てみましょう。毎月50,000件のスキャンされた請求書を処理すると仮定します。各請求書は1枚の画像で、200トークンの指示プロンプトと、1回の呼び出しあたり約400トークンのJSON出力があるとします。
- 画像入力: 50,000 x 384トークン = 19.2Mトークン。ピーク時のキャッシュミスレート ($0.44/1M) で、$8.45です。
- テキスト入力: 50,000 x 200 = 10Mトークン、ピーク時で約$4.40。繰り返し指示ブロックでのコンテキストキャッシュを適用すると、そのほとんどがキャッシュヒットレート ($0.014/1M) に下がり、約$0.14になります。
- 出力: 50,000 x 400 = 20Mトークンを$1.32/1Mで、合計$26.40です。
合計：ピークレートで月間約35ドルから40ドル。バッチが平日のUTC 01:00から10:00の時間帯外で実行される場合は、その約半分になります。出力トークンが支配的であり、ここから得られる教訓は、これほど安価な画像であれば、画像をダウンスケールするのではなく、応答形式を厳密にすることで画像認識パイプラインを最適化できるということです。散文的な記述ではなく、コンパクトなJSONを求めるプロンプトを作成することで、どの画像前処理よりも請求額を削減できます。
このコストプロファイルは、エージェントループの計算方法がこのモデルによって変わる理由でもあります。フラッグシップのマルチモーダルモデルでは継続的に実行するには高すぎたスクリーンショット-推論-行動サイクルが、1フレームあたり384トークンで実現可能になります。
Apidogでマルチモーダルリクエストをテストする
画像認識リクエストを手動で反復するのは面倒です。Base64の塊は生のJSONを読みにくくし、detail設定を比較することはほとんど同じペイロードをやりくりすることを意味します。よりクリーンなループ：
- リクエストを一度保存する。Apidogプロジェクトで、
{{model_id}}、{{detail}}、および画像ペイロードを変数として保存します。テスト画像や詳細レベルの変更は、ドロップダウンの選択でできるようになります。 - エンコーディングをスクリプト化する。プリリクエストスクリプトが画像を読み込み、Base64文字列を挿入するため、可視のリクエストボディは読みやすいままです。
- 構造をアサートする。JSON出力（明細、バウンディング記述、チャート値）を求めるプロンプトの場合、応答を解析してフィールドをチェックするアサーションを追加します。「モデルは問題なさそうだ」という漠然とした感覚を、Expモデルの改訂ごとに再実行できる合否判定に変えることができます。
- プロンプトを調整中でも、フロントエンドのレスポンス形状をモックすることで、ApidogのスマートモックはAPIコールを消費せずにスキーマを提供します。
Apidogを無料でダウンロードすれば、すべての設定が数分で完了します。DeepSeekが実験モデルを改訂した際に再実行するのもワンクリックです。
FAQ
deepseek-v4-flash-vision-expは無料ですか？いいえ、しかしそれに近い価格です。テキストモデルのフラッシュレートとまったく同じ料金で課金され、画像はそれぞれ最大384入力トークンに制限されます。DeepSeekのFiles APIによる画像ストレージは無料です。画像がリクエストに入力されるときにのみ料金が発生します。
deepseek-v4-flashを置き換えますか？いいえ。テキストモデルは安定したIDとして残ります。画像認識ビルドはテキストタスクにおいてこれと一致するため、実験的な変更を受け入れるのであれば画像認識IDに統合できますが、保守的なパターンは画像を含むトラフィックのみをルーティングすることです。
AnthropicスタイルのAPI形式で利用できますか？はい。DeepSeekのV4エンドポイントは、Chat Completions、Messages形式、およびResponses形式の呼び出しを受け入れるため、これら3つのスタイルのいずれかを使用している既存のクライアントは、リクエストのダイアレクトを切り替えることなく画像ブロックを追加できます。当社のV4 Pro APIウォークスルーでは、ファミリー全体で共有されるエンドポイントの仕組みを示しています。
GPTやClaudeの画像認識と比較して料金はどうですか？384トークンの画像で入力トークン100万あたり0.22ドルから0.44ドルという価格は、主要なマルチモーダルモデルの料金よりも桁違いに低いです。未解決の課題は、ご自身のワークロードにおける精度であり、上記の評価シナリオがそのためにあります。
まとめ
DeepSeekは常に同じ戦略を実行しています。誰もが高額な料金を課す機能を、フラッシュ価格で提供し、安定するまでの間は正直なラベル付けを行います。`deepseek-v4-flash-vision-exp`は、本番エンドポイントで画像1枚あたり数セント以下の価格で画像理解機能を提供し、3つの入力パスと、設計時に考慮すべき実際の制限があります。Apidogでリクエストを一度構築し、アサーションを固定すれば、Expモデルを今日から使用する準備が整い、後継モデルがリリースされた日にはその評価もできるようになるでしょう。