DeepSeek-V4-Flash-Vision-Exp解説：マルチモーダルAPIが実験公開
2026年8月21日公開のDeepSeek-V4-Flash-Vision-Expを解説。V4-Flashに画像理解を追加した実験的マルチモーダルAPIで、価格プレミアムはなくV4-Flashと同一単価。画像は1枚最大384トークンで課金され、Files APIは無料。使い方と料金、既存モデルとの違いを整理した。
DeepSeekは2026年8月21日、API Platform上で実験的なマルチモーダルモデル「deepseek-v4-flash-vision-exp」を公開した。ベースはDeepSeek-V4-Flashで、テキスト性能（エージェント・推論・世界知識）はそのまま維持しつつ、画像理解機能を追加したモデルだ。価格プレミアムはなく、V4-Flashと同一単価で利用できる。名称に「Exp（実験的）」を冠しているとおり、DeepSeek自身も本番投入を保証する位置づけではないが、APIでは即日利用可能になっている。
主要スペック
| 項目 | 内容 |
|---|---|
| 公開日 | 2026年8月21日 |
| モデル名 | deepseek-v4-flash-vision-exp |
| ベースモデル | DeepSeek-V4-Flash |
| アーキテクチャ | MoE（総パラメータ284B／1トークンあたり活性化13B） |
| コンテキスト長 | 約1Mトークン |
| 入出力モダリティ | テキスト＋画像入力、テキスト出力 |
| 画像のトークン化 | 1枚あたり最大384トークン |
| 重み公開状況 | 本稿執筆時点で未確認（APIのみ） |
| 対応エンドポイント | Chat Completions／Messages／Responses |
何ができるか
画像理解が加わったことで、テキストのみのV4-Flashでは対応できなかったマルチモーダルエージェントのタスクが視野に入る。スクリーンショットを読んでUI操作を計画する、図表やダッシュボードの画像から数値を読み取って要約する、書類・請求書の画像からフィールドを抽出する、といった用途が代表例だ。DeepSeekはマルチモーダルエージェント系ベンチマークにおいてV4-Flashから大きく前進したと説明している。
- UI操作エージェント: スクリーンショットの解析とアクション計画
- ドキュメント処理: 請求書・帳票画像からのフィールド抽出
- 図表読解: グラフ・ダッシュボード画像の数値要約
- 画像＋テキストの混在チャット: 1つの会話内でテキストと画像を組み合わせた質問応答
料金とトークン計算
料金面での大きなポイントは、画像入力に対する価格プレミアムが存在しないことだ。deepseek-v4-flash-vision-expはV4-Flashと同一単価で課金され、画像はテキストと同じトークン単価で計算される。ただし画像自体は「1枚あたり最大384トークン」としてトークン化されるため、画像を多用するリクエストではその分だけ入力トークン数が増える点は把握しておく必要がある。
- 画像1枚 = 最大384トークンとして課金対象になる
- テキストプロンプトのトークン数に、画像分のトークン数がそのまま加算される
- 単価そのものはV4-Flashのテキスト単価と同じで、画像専用の追加料金はない
- Files APIへのアップロード自体は無料（課金対象は推論時に消費されるトークンのみ）
使い方
最短手順は、Chat Completions（またはMessages／Responses）エンドポイントに対して、テキストと画像を混在させたメッセージを送るだけだ。画像は base64・外部URL・Files API の3通りの渡し方に対応している。以下はChat Completions形式で外部URLの画像を渡す最小構成のcurl例だ。
curl https://api.deepseek.com/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer $DEEPSEEK_API_KEY" \
-d '{
"model": "deepseek-v4-flash-vision-exp",
"messages": [
{
"role": "user",
"content": [
{"type": "text", "text": "Summarize the key points of this chart in 3 lines."},
{"type": "image_url", "image_url": {"url": "https://example.com/chart.png"}}
]
}
]
}' 画像の渡し方には base64 埋め込み・外部URL指定・Files API の3通りがあり、用途によって向き不向きがある。特に同じ画像を繰り返し参照するワークフローでは、1度アップロードしてfile_idを使い回せるFiles APIが帯域面で有利になる。
| 方式 | 概要 | 向いている用途 |
|---|---|---|
| base64 | 画像データをリクエストに直接埋め込む | 1回限りの単発リクエスト |
| 外部URL | 画像の公開URLを指定する | 既にホスティング済みの画像を参照する場合 |
| Files API | 事前アップロードしたfile_idを参照する | 同じ画像を複数回・複数リクエストで再利用する場合 |
Files APIの位置づけ
deepseek-v4-flash-vision-exp向けにFiles APIが提供開始された点も実務上のポイントだ。画像を1度アップロードすればfile_idが発行され、以降のリクエストではそのfile_idを参照するだけでよい。毎回base64エンコードした画像データを送信する必要がなくなるため、同一画像を繰り返し扱うバッチ処理やエージェントのループ処理で帯域を節約できる。Files APIの利用自体に料金はかからない。
ベンチマークの読み方
DeepSeekはマルチモーダルエージェント系ベンチマークで「Claude Opus 4.8に迫る」性能だと説明している。ただしこれはベンダー公表値であり第三者による再現検証は確認できていない点に注意したい。さらにDeepSeek自身が示した公表表を見る限り、11ベンチマーク中Opus 4.8を上回ったのは3つにとどまり、全面的にOpus 4.8を上回っているわけではない。「迫る」という表現は、一部指標での善戦を指すものであり、全指標での優位ではないと理解しておくべきだ。
- ベンダー公表値であり、第三者による再現検証は本稿執筆時点で確認できていない
- 11ベンチマーク中Opus 4.8を上回ったのは3つのみで、残り8つは同等または下回る
- 「迫る」という表現は一部指標での接近を指し、全面的な優位を意味しない
- テキストのみのタスクではベースのV4-Flashと同等の性能とされる
既存モデル・選択肢との違い
社内で選択肢を比較する際は、テキスト中心のワークロードなら引き続きDeepSeek-V4-Flashで十分であり、より高い精度が必要な重量級タスクにはDeepSeek-V4-Proが候補になる。V4-Pro自体の正式リリースと料金改定は2026年8月13日に行われている。画像理解が必要になった時点で初めてVision-Expを検討し、精度面でさらに上を求める場合はClaude Opus 4.8のようなクローズドモデルとの比較が視野に入る。各モデルの必要スペックの解説も合わせて参照するとよい。
| モデル | 画像理解 | 位置づけ | 料金 |
|---|---|---|---|
| DeepSeek-V4-Flash | 非対応 | 高速・低コストのテキスト用途 | 基準単価 |
| DeepSeek-V4-Flash-Vision-Exp | 対応（実験的） | テキスト＋画像のマルチモーダルエージェント用途 | V4-Flashと同一単価 |
| DeepSeek-V4-Pro | 非対応 | 高精度が必要な重量級タスク | V4-Flashより高単価 |
| Claude Opus 4.8 | 対応 | 高精度クローズドモデルの比較対象 | ベンダー別料金体系 |
本番導入時の注意
- 仕様変更リスク: 「Exp」（実験的）であるため、モデル挙動や仕様が予告なく変わる可能性がある
- 自己ホスト不可: 本稿執筆時点でVision-Expの重み公開は確認できておらず、オンプレミス運用の選択肢はない
- 可用性・レート制限は未確認: 通常のV4-Flashと同等の可用性が保証されているかは公表されていない
- 画像トークンのコスト管理: 画像を多用するワークフローでは1枚最大384トークンの積み上がりを事前に見積もっておく
実験的モデルという位置づけを踏まえると、本番の主要経路にいきなり組み込むのではなく、まずは画像理解が必要な一部フローに限定して並行稼働させ、精度とコストの実測値を確認してから展開範囲を広げるのが無難だ。
FAQ
deepseek-v4-flash-vision-expは有料版のV4-Flashと料金が違うのか？
いいえ。テキスト・画像ともにV4-Flashと同一単価で課金される。画像入力に対する価格プレミアムは設定されていない。
画像1枚あたりの料金はどう計算すればよいか？
画像は1枚あたり最大384トークンとしてトークン化され、その分がテキストの入力トークン数に加算される。単価自体はV4-Flashのテキスト単価と同じだ。
Files APIは無料で使えるのか？
Files APIへのアップロードと管理自体は無料。課金対象になるのは、実際に推論リクエストで消費されるトークンのみだ。
重みはHugging Faceで公開されているか？
本稿執筆時点では、deepseek-v4-flash-vision-expの重み公開は確認できていない。ベースのV4-Flashの重みはMITライセンスで公開されているが、Vision-Expは現状APIでの提供に限られる。
マルチモーダルエージェントのベンチマークで本当にOpus 4.8を上回っているのか？
DeepSeekの公表表では11ベンチマーク中3つでOpus 4.8を上回ったとされており、全面的な優位ではない。またこれはベンダー公表値であり、第三者による再現検証は確認できていない。
お気軽にご相談ください
お問い合わせ