DeepSeek V4 Flash Vision Expが登場：マルチモーダルAPIを正式提供

2026年8月21日、DeepSeek は公式更新ログで DeepSeek-V4-Flash-Vision-Exp を DeepSeek API プラットフォームで公開したと発表しました。開発者は model="deepseek-v4-flash-vision-exp" を指定し、標準的な対話リクエストに画像を含めて呼び出せます。

これは、テキスト専用モデルの前段に別の画像説明サービスを置く方式ではありません。DeepSeek V4 Flash 系列で初めて API として提供される、ネイティブな視覚理解機能です。実験的なモデルではあるものの、スクリーンショット、グラフ、Web ページ、文書、複数画像を扱う必要がある Agent にとって、処理範囲をテキストのみから画像を理解するワークフローへ広げるリリースです。

今回のリリースで変わること

これまで公開されていた deepseek-v4-flash API はテキストモデルでした。推論、コード生成、ツール利用、Agent ワークフローには利用できましたが、画像を直接受け取ることはできませんでした。たとえば DeepSeek の GitHub Copilot 連携ドキュメントでは、V4 はテキスト専用モデルであり、画像を扱うには別の視覚モデルで画像をテキストに変換してから DeepSeek に渡す必要があると明記されていました。

今回からは、1 回のリクエストにテキストと画像を一緒に渡せます。製品画面の読み取り、UI 上の文字の抽出、グラフの解釈、Web ページのスクリーンショットを見た Agent の次の操作といった用途が可能になります。公式ドキュメントによると、画像を受け付けるのは deepseek-v4-flash-vision-exp のみで、ほかのモデルに画像を渡すと 400 エラーになります。

「視覚 API なし」から App でのテストへ

V4 系列の初期の公開機能は、テキストと Agent 能力が中心でした。2026年4月の V4 プレビューでは App、Web、API で利用できるようになりましたが、公開ドキュメントに示されていた主なモデルは deepseek-v4-pro と deepseek-v4-flash でした。開発者向けの画像入力モデル ID、画像ペイロードの形式、Files API の案内はありませんでした。

今回の API 公開前には、DeepSeek の App と Web で小規模な画像認識・視覚理解機能が見られました。この段階は製品側の段階的なテストに近く、利用者は会話中に画像をアップロードしてテキスト回答を得られました。一方で、開発者が API で視覚モデルを明示的に選ぶ、画像の詳細レベルを制御する、Files API で画像ファイルを再利用するといったことはできませんでした。

ここでは、App/Web で視覚機能のテストが行われたことと、2026年8月21日に API モデルとして提供が始まったことを分けて考える必要があります。公開資料では、以前の製品テストで使われたモデルの重みが DeepSeek-V4-Flash-Vision-Exp と同一であるとは確認されていません。そのため、両者が完全に同じモデルだと断定するのは正確ではありません。確実に言えるのは、今回の発表によって、製品体験として先行していた視覚機能が、モデル名、入力仕様、ファイルインターフェース、明確な制限を備えた開発者向け機能になったことです。

モデルの位置付け：V4 Flash の実験的な視覚版

DeepSeek-V4-Flash-Vision-Exp の Exp は、実験的であることを示します。DeepSeek が掲げる方向性は、視覚能力との引き換えに V4 Flash のテキスト性能を落とすことではなく、テキスト性能を維持しながら視覚理解を追加することです。

DeepSeek によれば、Agent 能力、推論、世界知識などの純粋なテキスト能力では、同モデルは正式版の DeepSeek-V4-Flash と同等です。視覚理解を必要とする Agent ベンチマークでは、通常の V4 Flash を大きく上回り、マルチモーダル Agent 能力は「Opus-4.8 に近い」としています。これは指定されたベンチマークと設定における比較であり、すべてのタスクやプロンプトに共通する総合順位ではありません。

DeepSeek は、公開コード Agent テキストベンチマークにおいて、DeepSeek Harness の簡易モード、max 設定、top_p=0.95、temperature=1.0 を用いたと説明しています。また ApexBench と Agents' Last Exam では、テキスト専用の V4 Flash はマルチモーダル要素を無視します。表を解釈する際には、これらの評価条件も考慮すべきです。

対応する画像と送信方法

対応形式は JPEG、PNG、GIF、WebP です。DeepSeek はファイル名の拡張子や宣言された MIME type ではなく、実際のファイル内容から形式を判断します。

公式ドキュメントでは、画像を渡す方法として次の 3 種類が案内されています。

1. Base64 の data URL：ローカル画像や小さな単発ファイルに適しています。エンコードした画像をリクエストに直接含めます。
2. 外部画像 URL：公開アクセス可能な http(s) リンクを渡し、DeepSeek 側で画像をダウンロードします。
3. Files API の file_id：先に画像をアップロードし、以後のリクエストで参照します。大きな画像や繰り返し使う画像に向いています。

OpenAI 互換の Chat Completions API では、メッセージの content をブロック配列として指定します。テキストブロックに加え、image_url または file ブロックを入れます。以下は公式形式に基づく最小例です。

from openai import OpenAI

client = OpenAI(
    api_key="<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": "このスクリーンショットの重要な情報を抽出し、次に行う操作を提案してください。"},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://example.com/screenshot.png",
                        "detail": "low",
                    },
                },
            ],
        }
    ],
)

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

detail には low、high、original、auto を指定できます。low では推論前に画像を 512×512 に縮小するため、細部を必要としないタスクをより高速かつ低コストで処理できます。現在の auto は original と同等です。小さな文字、表、複雑なグラフを読む場合は original を使い、重要な結論はアプリケーション側で確認してください。

画像 token、ファイルサイズ、API の制限

視覚入力は無料の付加機能ではありません。画像は token に換算され、テキスト token とともに課金されます。DeepSeek によると、画像はモデルに入る前に自動でリサイズされます。約 384×384 未満の画像はアスペクト比を保って拡大され、それより大きい画像は総画素数がおよそ 800×800 相当になるよう縮小されます。1 枚の画像が消費する token 数は最大 384 です。非常に大きな画像でも視覚 token が必ず増えるわけではありませんが、細部がすべて保持されることを意味するわけでもありません。

本番利用では、特に次の制限に注意してください。

外部 URL は 60 秒以内にダウンロードを完了する必要があります。複数のリクエストで同じ画像を再利用する場合、またはインライン画像によってリクエストボディが 48 MiB を超えそうな場合は、Files API が適しています。

Chat Completions では、画像を入れられるのは user メッセージだけです。Responses API では input_image ブロックを使用し、user、developer メッセージとツール呼び出し出力に画像を含められます。既存の Anthropic SDK ワークフローを使うチーム向けに、DeepSeek は Anthropic 互換の /messages エンドポイントも提供しています。

Agent とコンテンツワークフローへの意味

DeepSeek の発表にある例は、単発の画像説明にとどまりません。旅行サイトの情報からプレゼンテーションを作る、デザインリファレンスを基に二次制作を行う、視覚素材を基にフロントエンドの Mini Demo 制作を支援するといった、マルチモーダル Agent の方向性が示されています。これは、単独の OCR ツールというより、UI や素材を見たあとに次の行動へ進む Agent の構成要素としての位置付けです。

コンテンツチームやブログ管理画面では、次のような用途が考えられます。

• カバー画像や製品スクリーンショットから、編集可能な alt テキストと要約を生成する。
• ダッシュボードやグラフのスクリーンショットを読み、構造化した要点の下書きを作成したうえで、編集者が数値を確認する。
• 記事内のスクリーンショットが周辺の説明文と一致しているかを確認する。
• ブラウザやファイルツールを備えた Agent が、ページのスクリーンショットから次の操作候補を見つける。

ただし、視覚理解の結果もモデル出力であり、事実そのものではありません。小さな文字の OCR、グラフの正確な数値、法務・医療・金融文書、人物やブランドの識別、著作権の帰属などは、人による確認や原典との照合が必要です。公式ドキュメントが説明しているのは画像理解の入力とテキスト API であり、画像生成、動画理解、あるいは誤りのない認識機能を意味するものではありません。

まとめ

DeepSeek V4 Flash Vision Exp の意義は、単に「V4 Flash が画像を見られるようになった」ことではありません。これまで製品側で見られた視覚機能のテストを、明確なモデル名、OpenAI / Anthropic 互換のリクエスト形式、Files API、ファイルサイズと token の上限を備えた、開発者向けのマルチモーダル API へ進めた点にあります。

モデルにはまだ Exp のラベルが付いているため、まずはスクリーンショット理解、画像要約、複数画像を扱う Agent タスクなど、検証しやすい用途から試すのが適切です。精度、レイテンシ、token コストを記録したうえで、より重要な本番フローへの導入を判断してください。すでに V4 Flash をテキスト推論や Agent オーケストレーションに使っているチームにとっては、比較的自然なマルチモーダル化の経路となるでしょう。

関連リソース

• DeepSeek公式更新ログ：DeepSeek-V4-Flash-Vision-Exp のリリース
• DeepSeek公式：画像入力ガイド
• DeepSeek GitHub Copilot 連携ガイド