DeepSeek、画像認識対応「V4 Flash Vision」公開

中国のAIスタートアップDeepSeek（低コスト・高性能な基盤モデルを開発するAI企業）は日本時間2026年8月21日、同社初となる画像入力・視覚認識に対応したマルチモーダルAIモデル「DeepSeek-V4-Flash-Vision-Exp（DeepSeekが公開した画像認識対応の実験的マルチモーダルモデル）」のAPI提供を開始した。

ベンチマーク実績と低コスト設計

本モデルは、高い評価を得ているテキストモデル「DeepSeek V4 Flash」の推論能力をそのまま引き継ぎつつ、視覚的理解（ビジョン）機能を統合したものである。

マルチモーダルエージェント評価ベンチマーク「Agents' Last Exam」や「ZeroBench」の一部評価項目において、Anthropicの最上位モデル「Claude Opus 4.8」を上回るスコアを記録した。

評価・仕様項目	DeepSeek-V4-Flash-Vision-Exp の特徴
​料金体系​	既存のテキスト版 DeepSeek V4 Flash と完全同額​ に据え置き
​画像トークン上限​	自動リサイズ処理により画像1枚あたり ​最大384トークン​ に制限
​入力サポート​	Base64直接送信、公開URL指定、新設「Files API」事前アップロード
​公開ステータス​	実験的モデル（Exp）としてAPI先行提供（オープンウェイト公開は未定）

画像の自動リサイズとトークン上限制限により、高解像度画像や複数枚のスクリーンショットを入力した場合でも、APIコストが急激に膨らまない設計となっている。

3通りのAPI入力方式と開発者への利便性

開発者は以下の3つの方法で画像を送信できる。

1. Base64エンコード​: 小規模なスクリプトやクライアントサイドからの直接埋め込み。
2. ​公開URL参照​: Web上にホストされた画像リンクを指定した直接読み込み。
3. Files API: 大容量ファイルや繰り返し参照する画像を事前にサーバーへアップロードして参照する新方式。

日本の事業者への影響と未確認事項

テキスト特化モデルとして圧倒的なコストパフォーマンスを誇ってきたDeepSeekがビジョン機能に対応したことで、OCR（光学文字認識）、図表解析、UIスクリーンショット解析などの視覚タスクを極めて安価に構築できる選択肢が生まれた。

一方で、本モデルは「Exp（実験的）」の位置づけであり、モデルの重み（オープンウェイト）の一般公開予定や、長期的なAPI提供保証については未確認事項として残されている。

分析と展望：マルチモーダル領域での価格破壊

フロンティアモデルの画像認識APIは依然として比較的高価な価格帯にとどまっているが、DeepSeekがテキスト同額・上限384トークンという低価格設計で参入したことは、ビジョンAI市場の価格構造に大きなインパクトを与えるとみられる。

引用元：PC Watch