AIツール2026年11月更新

DeepSeek-V4-Flash-Vision-Expとは|DeepSeek初の実験的マルチモーダルモデル・提供終了と後継V4.1-Flash・画像トークン課金・V4-Flashとの違いと使い方【2026年11月】

公開日: 2026/08/22
更新日: 2026/11/14
DeepSeek-V4-Flash-Vision-Expとは|DeepSeek初の実験的マルチモーダルモデル・提供終了と後継V4.1-Flash・画像トークン課金・V4-Flashとの違いと使い方【2026年11月】

この記事のポイント

DeepSeek-V4-Flash-Vision-Expは2026年8月21日に公開されたDeepSeek初の実験的な画像入力モデルで、9月10日に提供を終え、現在は同じ名前で呼んでも後継のV4.1-Flashが応答します。当時の仕様・ベンチマーク・画像トークン課金と、現行料金での1枚あたりコスト、deepseek-flashへの移行方法、セキュリティ上の注意点をまとめました。

DeepSeek-V4-Flash-Vision-Expは、DeepSeekが2026年8月21日に公開した、V4-Flashに画像入力を加えた実験的(Experimental)モデルです。公開から約3週間後の9月10日に提供を終え、現在はモデル名deepseek-v4-flash-vision-expを指定しても後継のDeepSeek-V4.1-Flash(現行はV4.1-Flash-1017)が応答し、Flashの料金で課金されます。

これから画像入力を使うなら、推奨されるモデル名はdeepseek-flashです。旧名での受け付けは公式に「一時的」とされており、いつ止まるかは公表されていません。既存のコードに旧名が残っているなら、早めに書き換えるのが安全です。

DeepSeek API ドキュメントのイメージ

出典: DeepSeek API Docs 公式

この記事でわかること

  • DeepSeek-V4-Flash-Vision-Expがどんなモデルで、モデル名のExpが何を意味していたか
  • 2026年9月10日の提供終了と、旧モデル名で呼んだときに今何が起きるか
  • 公式が示したベンチマークの数値と、読み取るときの注意点
  • 画像トークンの計算ルール(当時は1枚最大384トークン、現行は最大1,024トークン)
  • 当時の料金と現行料金の違い、画像1枚・1万枚あたりのコスト試算
  • V4-Flash・V4.1-Flash・V4-Proとの違い
  • 画像の渡し方3種類(Base64・外部URL・Files API)とdetailパラメータ
  • deepseek-flashへの移行チェックリスト
  • MITライセンスで公開された重みと、自前で動かす場合のGPU要件
  • 画像を中国の事業者のサーバーへ送るという、テキスト以上に重い実務上の論点

DeepSeek APIで画像処理を組んでいる、または組んでいたエンジニア、OCR・図表解析・スクリーンショット処理に使うモデルを選んでいる開発チーム、中国系AIモデルの業務利用を審査する情報システム部門に向けた記事です。DeepSeek自体の基礎から知りたい場合はDeepSeekとは?特徴・料金・使い方・ChatGPTとの違い、後継モデルの詳細はDeepSeek V4.1 Flash 1017とはが入口になります。

3行で押さえるDeepSeek-V4-Flash-Vision-Exp

  1. DeepSeek V4ファミリーで初めて、APIで画像を渡せたモデル。 当時のV4-Flash・V4-Proはテキスト専用で、画像を送ると400エラーでした。V4-Flashに視覚モジュールを足し、視覚理解のための追加学習を行ったものです。
  2. 料金はV4-Flashと同じで、画像は入力トークンとして合算。 当時は1枚最大384トークンで、画像に別の単価はありませんでした。
  3. 2026年9月10日に提供終了。 画像を最初から一体で学習した後継のV4.1-Flashに置き換わり、旧名で呼んでもV4.1-Flashが応答します。当時のモデルそのものを使いたい場合は、Hugging Faceで公開された重みを自前のGPUで動かすしかありません。

今DeepSeekで画像を扱う選択肢は、実質的にdeepseek-flashだけです。Vision-Expは「DeepSeekが画像入力に踏み出した最初の一歩」として理解し、実装は後継モデルを前提に考えるのが現実的です。

提供終了と現在の扱い|旧モデル名で呼ぶとどうなるか

Vision-Expは2026年9月10日にV4-Flashとともに提供を終えました。現在deepseek-v4-flash-vision-expを指定したリクエストは、エラーにはならず後継のV4.1-Flash-1017に回され、deepseek-flashと同じ料金で課金されます。公式のChange Log、Models & Pricingの脚注、Visionガイドの3か所で同じ扱いが記載されています。

日付

出来事

2026年7月31日

V4-Flash(0731)のAPIを公開ベータで提供開始

2026年8月13日

V4-Pro(0813)を正式提供。8月16日からピーク/オフピーク料金を導入

2026年8月21日

V4-Flash-Vision-Expを公開。Files APIも同日公開

2026年8月31日ごろ

Vision-Expの重みをMITライセンスでHugging Face・ModelScopeに公開(日付は報道ベース)

2026年9月10日

V4.1-Flashを公開。V4-FlashとVision-Expは提供終了し、旧名はV4.1-Flashへ一時的に転送。推奨名はdeepseek-flash。同時に値下げ

2026年10月17日

V4.1-Flash-1017に更新(呼び方・料金は変わらず)

2026年11月13日

Web検索・ファイル入力・URL読み込み・安全性チェックをdeepseek-flashの既存APIで利用可能に

旧名のまま運用している場合、次の点が当時と変わっています。

項目

Vision-Exp(〜2026年9月10日)

旧名を指定した現在の挙動

実際に応答するモデル

V4-Flash-Vision-Exp

V4.1-Flash-1017

課金

当時のV4-Flash料金

現行のdeepseek-flash料金

画像1枚の上限トークン

384

1,024

大きな画像の縮小の目安

約800×800相当

約1300×1300相当

名前の受け付け

正式なモデル名

一時的な転送(終了日は未公表)

応答の傾向や1枚あたりのトークン数が変わるため、旧名で動かしているシステムは出力の品質と課金額の両方を確かめ直す必要があります。特に画像を大量に送るバッチ処理では、1枚あたりのトークンが最大で約2.7倍に増える影響が大きくなります。

なお、9月10日の告知では「9月14日からdeepseek-v4-proもV4.1-Flashへ転送する」とされていましたが、この予定はChange Logで撤回されました。現時点でV4-Pro-0813は料金ページに掲載されており、引き続き提供されています(画像入力は非対応のまま)。

DeepSeek-V4-Flash-Vision-Expの基本スペック(提供当時)

公開時の仕様は、テキスト性能や1Mのコンテキスト長などV4-Flashの性能帯をそのまま引き継ぎ、画像の入力だけを足した構成でした。公式ドキュメントとHugging Faceのモデルカードで確認できる範囲を整理します。

項目

内容

正式モデル名

DeepSeek-V4-Flash-Vision-Exp

APIモデルID

deepseek-v4-flash-vision-exp(現在はV4.1-Flashへ転送)

開発元

DeepSeek(深度求索/中国・杭州)

公開日

2026年8月21日(API)

提供終了

2026年9月10日

位置づけ

V4ファミリー初の実験的マルチモーダルモデル

作り方

V4-Flashの構成に視覚モジュールを追加し、視覚理解のために追加学習

パラメータ数

Hugging Faceの表記で約3,050億(305B)。公式本文に明記はなし

コンテキスト長

1,048,576トークン(1M)

最大出力

384,000トークン

推論モード

思考モード(既定)/非思考モード

入力

テキスト+画像(JPEG/PNG/GIF/WebP)

出力

テキストのみ(画像生成は非対応)

対応API

Chat Completions(OpenAI互換)/Messages(Anthropic互換)/Responses API

同時実行上限

2,500(V4-Flashと同じ)

重みの公開

2026年8月31日ごろにMITライセンスで公開

パラメータ数は資料によって表記が分かれています。vLLMのレシピでは「本体約284B+視覚部分約0.5B」とする説明もあり、DeepSeekの公式本文には数値がありません。仕様書などに書く場合は「公式未公表(Hugging Face表記で305B)」とするのが無難です。

モデル名の「Exp」が意味すること

ExpはExperimental(実験的)の略です。DeepSeekは過去にも、DeepSeek-V3.2-Exp(2025年9月29日)を出してから正式版のDeepSeek-V3.2(2025年12月1日)へ移行しています。

Vision-Expも同じ流れをたどり、約3週間で画像を最初から統合したV4.1-Flashに置き換わりました。V3.2-Expのときより移行がはるかに早かった点は、実験モデルを本番に組み込むリスクを具体的に示した例といえます。

Expの付いたモデルを使う場合は、次の前提で設計しておくのが妥当です。

  • 稼働率の保証(SLA)は期待しない
  • 予告から短期間で提供終了・置き換えが起こりうる
  • モデル名を設定ファイルなどに切り出し、すぐ差し替えられるようにしておく
  • 置き換え後に精度と課金を測り直す手順を用意しておく

何が新しかったのか|公式の主張とベンチマーク

DeepSeek公式サイトのイメージ

出典: DeepSeek 公式サイト

公式の主張は「テキスト能力(エージェント・推論・知識)はV4-Flashと同等」「画像を伴うエージェントのタスクではV4-Flashから大きく伸び、Opus-4.8に近い水準」の2点でした。Hugging Faceのモデルカードに掲載された数値は次のとおりです。

ベンチマーク

Vision-Exp

V4-Flash-0731

Opus-4.8

Terminal Bench 2.1

83.9

82.7

85.0

NL2Repo

57.7

54.2

69.7

Cybergym

75.3

76.7

78.3

DeepSWE

59.3

54.4

58.0

Toolathlon-Verified

75.9

70.3

76.2

DSBench-Hard

63.6

59.6

71.7

AutomationBench(Public)

25.7

25.1

27.2

ApexBench(Pass@1)

36.5

26.2※

39.4

Agents' Last Exam

27.3

25.2※

25.7

Chartography(図表理解)

64.3

—

65.0

ZeroBench(Pass@5・視覚推論)

35.0

—

34.0

※V4-Flash-0731は画像を無視して回答した条件での数値。

数値を読むときは、次の4点に注意が必要です。

  1. DeepSeekが自社で測った数値である。 測定は最小構成のDeepSeek Harness、思考量max、temperature 1.0、top_p 0.95で行われています。第三者による同条件の検証ではありません。
  2. テキスト系はV4-Flashとほぼ同等。 多くの項目でわずかに上回る一方、Cybergymは下回っており、「同等」という公式の表現と矛盾しない範囲です。
  3. ApexBenchとAgents' Last Examは比較条件が対等ではない。 V4-Flash側は画像を読めないまま回答しているため、差が開くのは当然で、額面どおりには受け取れません。
  4. Opus-4.8との比較は「近い」程度。 ZeroBenchとAgents' Last Examでは上回りましたが、NL2RepoやDSBench-Hardでは差が残っています。比較対象のClaude Opus 4.8は2026年5月のモデルで、Anthropicの最新モデルではありません。

後継のV4.1-Flashについても、DeepSeekはHugging Faceで視覚系のベンチマーク(Chartographyのツール使用時78.9、DocVQA 95.6など)を公開しています。ただしツール使用の有無など測定条件がVision-Expの表と異なる可能性があるため、数値を並べて単純に比べることはできません。「後継ではさらに伸びたと公式は示している」と受け止めておけば十分です。

画像はどう課金されるのか|1枚384トークン(当時)から1,024トークン(現行)へ

画像には専用の単価がなく、テキストと同じ入力トークンとして合算されます。この仕組みは今も変わっていませんが、1枚あたりの上限は当時の384トークンから、現行のdeepseek-flashでは1,024トークンに増えています。

項目

Vision-Exp(当時)

deepseek-flash(現行)

小さい画像

縦横比を保って拡大

縦横比を保って拡大

大きい画像

約800×800相当まで縮小

約1300×1300相当まで縮小

1枚あたりの上限

384トークン

1,024トークン

実効の画素数の目安

約64万画素

約169万画素

複数画像

1枚ずつ個別に計算

1枚ずつ個別に計算

どちらの場合も、上限を超える大きさの画像を送ってもトークン数は増えません。逆に言えば、上限を超える細部は推論前に失われます。

公式の「Token & Token Usage」ページには幅と高さから概算する計算機がありますが、計算式は公開されておらず、実際の課金はAPIレスポンスのusageの値が正と明記されています。見積もりを固めるときは、代表的な画像を数枚送ってusageを実測するのが確実です。

実効解像度から見た向き・不向き

Vision-Expの約64万画素は、スマートフォン写真(1,200万画素前後)と比べると大きく情報が落ちる水準でした。現行の約169万画素では改善していますが、細かい文字を読む用途では依然として注意が要ります。

用途

Vision-Exp(当時)

deepseek-flash(現行)

UIスクリーンショットの状態判定

向いている

向いている

グラフ・チャートの傾向の読み取り

向いている

向いている

写真の内容説明・分類

向いている

向いている

見出しなど大きめの文字のOCR

条件付き

向いている(実測推奨)

A4書類1ページ全体のOCR

厳しい

条件付き(文字サイズ次第)

図面・回路図・細かい表

厳しい

条件付き(分割を推奨)

公開直後の第三者レビュー(eesel.ai、2026年8月24日時点)でも、Vision-Expについて「画面の構成やチャートの形は読めるが、小さい文字・レシート・密な表は崩れやすい」と評価されていました。日本語OCRの精度を測った公式データは確認できていないため、日本語の書類を扱うなら自前の評価用データで測るのが前提です。

解像度の制約を補う工夫

細部が必要な処理では、次の3つが現実的な対策になります。

  1. 画像を分割して複数枚で渡す。 A4書類を4分割すれば、1領域あたりの実効解像度は単純計算で4倍になります。1リクエストで最大600枚まで渡せますが、枚数分トークンが増え、15枚以上を含むリクエストでは1辺の上限が4,096pxに下がります。
  2. detailで使い分ける。 カテゴリ分けやエラー画面かどうかの判定のように細部が要らない処理はlow(512×512に縮小)で軽くし、必要な画像だけoriginalにします。
  3. 高精細なOCRだけ別の手段に回す。 2026年11月13日からDeepSeekはファイル解析・OCRを単体のAPIとしても提供しています(1,000ページあたり$0.225)。書類の文字起こしはOCR側、画面や図表の理解はチャット側、と役割を分ける構成も取れます。

料金|Vision-Exp当時と現行deepseek-flashの比較

OpenRouterのDeepSeekモデル一覧ページのイメージ

出典: OpenRouter 公式サイト

現在deepseek-v4-flash-vision-expを指定すると、deepseek-flashの料金で課金されます。2026年9月10日の値下げで単価は当時より下がりましたが、画像1枚の上限トークンが増えたため、大きな画像を送るときの1枚あたりのコストは逆に上がっています。

現行の料金(2026年11月14日時点、100万トークンあたり・USD)は次のとおりです。

項目

deepseek-flash オフピーク

deepseek-flash ピーク

deepseek-v4-pro オフピーク

deepseek-v4-pro ピーク

入力(キャッシュヒット)

$0.003

$0.006

$0.022

$0.044

入力(キャッシュミス)

$0.15

$0.30

$0.66

$1.32

出力

$0.60

$1.20

$1.98

$3.96

同時実行上限

2,500

2,500

500

500

画像入力

対応

対応

非対応

非対応

Vision-Expが現役だった2026年8月16日〜9月10日の料金は次のとおりでした。

項目(当時のV4-Flash/Vision-Exp)

オフピーク

ピーク

入力(キャッシュヒット)

$0.007

$0.014

入力(キャッシュミス)

$0.22

$0.44

出力

$0.66

$1.32

思考モードで生成される思考部分のトークンは、出力の単価で課金されます。画像よりも長い出力のほうがコストを大きく左右する点は、当時も今も変わりません。2026年11月13日からはWeb検索・取得(1,000回あたり$0.75)などの付帯料金も設定されています。公式は価格が改定されうると注記しているため、採用前には料金ページを確認してください。料金の変遷はDeepSeek API値上げの解説でも整理しています。

日本の業務時間はほぼピーク帯に重なる

ピーク帯は平日(月〜金)の01:00–04:00 UTCと06:00–10:00 UTCで、それ以外はオフピーク(ピークの半額)です。週末と中国の祝日は終日オフピークになります。

区分

UTC

日本時間(JST)

ピーク

01:00–04:00

10:00–13:00(平日)

ピーク

06:00–10:00

15:00–19:00(平日)

オフピーク(半額)

ピーク帯以外

平日13:00–15:00、19:00–翌10:00、土日終日

日本の一般的な業務時間(10時〜19時)のうち7時間がピーク帯に当たります。対話で使う分には気にならなくても、日中に動かすバッチ処理はそのまま2倍の単価になります。大量の画像処理は夜間か週末に回すだけで、入力・出力とも半額になります。

画像1枚・1万枚あたりのコスト試算

画像の入力分だけを取り出し、キャッシュミスの単価で計算しました。上限トークンに達する大きな画像を送った場合の値です。

条件

1枚あたりトークン

1枚あたり

1万枚あたり

1ドルで処理できる枚数

現行・オフピーク($0.15)

1,024

約$0.000154

約$1.54

約6,500枚

現行・ピーク($0.30)

1,024

約$0.000307

約$3.07

約3,250枚

当時・オフピーク($0.22)

384

約$0.0000845

約$0.84

約11,800枚

当時・ピーク($0.44)

384

約$0.000169

約$1.69

約5,900枚

現行では単価が約3割下がった一方、上限トークンが約2.7倍になったため、大きな画像1枚あたりの入力コストはオフピーク同士の比較で約1.8倍になります。その分、読み取れる解像度も上がっています。小さな画像やdetail: lowで送る場合のトークン数は公式に具体的な数値がないため、usageで実測してください。

それでも画像1万枚で数ドルという水準で、プロンプト本文と出力のトークンは別にかかります。思考モードで長い説明を返させると、画像の費用より出力の費用のほうが一桁大きくなることも珍しくありません。

V4-Flash・V4.1-Flash・V4-Proとの違い

画像を扱えるのは、当時はVision-Expだけ、現在はdeepseek-flash(V4.1-Flash)だけです。V4-Proは今も画像入力に対応していません。

比較項目

V4-Flash-0731

Vision-Exp

V4.1-Flash(deepseek-flash)

V4-Pro-0813

状態

2026年9月10日に提供終了

2026年9月10日に提供終了

現行(1017版)

提供中

画像入力

非対応

対応(追加モジュール方式)

対応(最初から統合して学習)

非対応

画像1枚の上限

—

384トークン

1,024トークン

—

入力(キャッシュミス・オフピーク)

$0.22(当時)

$0.22(当時)

$0.15

$0.66

出力(オフピーク)

$0.66(当時)

$0.66(当時)

$0.60

$1.98

同時実行上限

2,500

2,500

2,500

500

重みの公開

MIT(V4シリーズとして公開)

MIT

MIT

MIT(V4シリーズとして公開)

現在の呼び出し

V4.1-Flashへ転送

V4.1-Flashへ転送

deepseek-flash

deepseek-v4-pro

V4.1-Flashは、DeepSeek独自の画像エンコーダー(DeepSeek-ViT)を事前学習の段階から組み込んだ構成と説明されています。Vision-Expが既存のテキストモデルに視覚モジュールを後から追加したのに対し、後継は最初から画像とテキストを一体で学習している点が大きな違いです。

使い分けの目安は次のとおりです。

  • 画像を扱う → deepseek-flash。 DeepSeekのAPIで画像を受け付けるのは現在これだけです。
  • テキストのみで難しい推論・設計が中心 → V4-Pro。 画像は渡せないため、画像が絡む処理はdeepseek-flashに分けます。
  • 当時のVision-Expの挙動を再現したい → 公開された重みを自前で動かす。 APIでは再現できません。

V4.1世代の全体像はDeepSeek V4.1とは、ベースになったテキストモデルはDeepSeek V4 Flash 0731とは、V4シリーズの設計思想はDeepSeek V4とはで扱っています。

依頼範囲と費用の目安を30分で整理します

初回相談は無料・30分(オンライン)。要件が決まっていなくても大丈夫です。改修100万円〜・PoC300万円〜(税別)

使い方|3つの画像入力方式(現行のdeepseek-flash)

DeepSeek公式GitHubリポジトリのイメージ

出典: deepseek-ai/DeepSeek-V3 公式GitHubリポジトリ

画像の渡し方はBase64・外部URL・Files APIの3通りで、Vision-Expのときと同じ書き方がdeepseek-flashでも使えます。変える必要があるのは、基本的にモデル名だけです。

方式

指定方法

サイズ上限

向いているケース

Base64

data: URLとして埋め込む

リクエスト本文48MiBに含む。1枚32MiB

単発の処理、ローカルの画像

外部URL

http(s)のURLを渡す

URL 8,192文字以内、1枚32MiB、60秒以内に取得完了

画像がすでに公開URLにある場合

Files API

file_idで参照

1枚64MiB

同じ画像を何度も使う場合

外部URL方式はDeepSeek側がURLから画像を取得するため、インターネットから読める状態である必要があります。期限付きの署名URLを使う場合は、取得までに期限が切れないよう注意してください。

OpenAI互換APIでの基本形

接続先はhttps://api.deepseek.comです。OpenAIのSDKで接続先とモデル名を変えるだけで動きます。

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.deepseek.com")

resp = client.chat.completions.create(
    model="deepseek-flash",  # 旧: deepseek-v4-flash-vision-exp
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "このグラフから読み取れる傾向を3点で説明してください。"},
            {"type": "image_url", "image_url": {
                "url": "https://example.com/chart.png",
                "detail": "original"
            }},
        ],
    }],
)
print(resp.usage)  # 実際に課金されたトークン数はここで確認する

Anthropic互換API(接続先https://api.deepseek.com/anthropic)ではimageブロックを使い、source.typeにbase64・url・fileのいずれかを指定します。base64ではmedia_typeが必須で、fileを使うにはヘッダーanthropic-beta: files-api-2025-04-14が必要です。Responses APIではinput_imageを使い、file_idを指定したときはdetailが無視されます。

detailパラメータの使い分け

値

挙動

使いどころ

low

512×512に縮小してから推論

速く安く済ませたい分類・粗い判定

original

元の画像を維持(上限まで縮小はされる)

細部が必要な処理

high

originalと同じ(互換のための別名)

他社APIからの移植時

auto

現状はoriginalと同じ挙動

指定を省く場合

originalでも推論前の自動縮小は働くため、現行では約1300×1300相当が上限です。detailは「上限の解像度まで使うか、512×512に落とすか」の切り替えと考えると分かりやすくなります。

画像を置けるメッセージと上限

項目

現行の仕様

画像を置けるロール

user・system・tool(assistantに入れると400エラー)

対応形式

JPEG/PNG/GIF/WebP(拡張子ではなく中身で判定)

リクエスト本文

48MiB

1リクエストの最大枚数

600枚

1リクエストの画像合計

64MiB(file_idを含めると最大200MiB)

1辺の最大サイズ

8,192px(15枚以上を含むと4,096px)

ツールの実行結果(toolロール)に画像を入れられるため、エージェントにスクリーンショットを撮らせて結果を確認させる使い方も組みやすくなっています。コンテンツの安全性チェックを有効にすると画像も審査され、通らなかった画像を示して拒否されます。

Files APIとDeepSeek Harness

Files API(POST /files)は、Vision-Expと同日の2026年8月21日に公開されました。アップロードした画像をfile_idで何度でも参照でき、同じ画像を繰り返し使う処理ではリクエストを軽くできます。Files APIの利用自体に料金はかかりませんが、参照した画像のトークンは通常どおり課金されます。

公開当時のドキュメントでは、有効期限(expires_after)を指定しないとファイルが無期限で保存される仕様でした。保存期間と削除の仕様は変更されている可能性があるため、業務で使う前に公式のFiles APIガイドで現行の仕様を確認し、有効期限の指定か削除処理(DELETE /files/{file_id})を組み込んでください。

DeepSeek公式のエージェント基盤であるDeepSeek Harnessは、Vision-Exp公開と同時にバージョン0.1.1で画像入力に対応していました。OpenRouterやFireworksなど外部の提供元も当時Vision-Expを扱っていましたが、提供終了後の扱い(取り下げか、後継への置き換えか)は確認できていません。外部経由で使っている場合は、各サービスのモデル一覧で現状を確認してください。

deepseek-flashへの移行チェックリスト

旧名deepseek-v4-flash-vision-expを使っているシステムは、少なくとも次の6点を確認してください。転送は「一時的」とされており、予告なく旧名が使えなくなる可能性も考えておく必要があります。

確認項目

やること

モデル名

deepseek-v4-flash-vision-expをdeepseek-flashに置き換える。設定ファイルや環境変数に切り出しておく

コスト

1枚上限が384→1,024トークンになった前提で、月間の画像枚数×トークン数を見積もり直す。usageで実測する

detailの指定

細部が不要な画像はlowに切り替え、トークンを抑える

精度

解像度が上がったことで、以前は分割していた書類が分割なしで読める場合がある。代表的な画像で精度を測り直す

メッセージの構成

assistantに画像を入れていないか確認する(400エラーになる)

実行時間帯

バッチ処理を日本時間の平日10〜13時・15〜19時から外し、半額のオフピークに寄せる

新しいモデルを自社の業務システムに組み込む場合、モデルの差し替えに加えて、精度の検証や運用の作り込みにも費用と期間がかかります。開発規模ごとの費用の目安はAI開発の費用相場(AI受託開発の改修・PoC・本開発の価格と見積の内訳)にまとめています。

できないこと・制限事項

Vision-Expそのものは、今はAPIから呼べません。旧名で呼んでも応答するのはV4.1-Flashで、当時の挙動を再現したいなら公開された重みを自前で動かすしかありません。

そのほか、当時から続く制約と現行の制約は次のとおりです。

  • 画像の生成はできない。 入力した画像を理解する機能だけで、出力はテキストです。
  • V4-Proは画像入力に非対応。 画像を渡すと400エラーになります。上位モデルなら画像も読める、と誤解しやすい点です。
  • assistantメッセージに画像を入れると400エラー。
  • 大きな画像は縮小される。 当時は約800×800相当、現行は約1300×1300相当が上限です。
  • 小さい画像やdetail: lowのトークン数は公式に数値がない。 見積もりはusageの実測が前提です。

公開直後の第三者の検証(eesel.aiのレビュー)では、Vision-Expについて「アナログ時計の読み取りが不安定」「写真の説明文の正誤判定で12問中6問の正答(比較した他社モデルは11問)」「建物の取り違えや細部の作り話」といった弱点が報告されていました。公開3日目時点の少数の試行による結果なので、傾向として受け止める程度が適切です。後継のV4.1-Flashで改善しているかは、自分の用途の画像で確かめてください。

重みの公開とセルフホスト

Hugging FaceのDeepSeek-AI公式組織ページのイメージ

出典: Hugging Face deepseek-ai 公式組織ページ

Vision-Expの重みは、2026年8月31日ごろにMITライセンスでHugging Face(deepseek-ai/DeepSeek-V4-Flash-Vision-Exp)とModelScopeに公開されました。APIの提供は終わりましたが、重みは残っているため、自前のGPU環境なら当時のモデルを動かせます。公開日は報道ベースで、モデルカード自体に日付の記載はありません。

ただし、気軽に試せる規模ではありません。

項目

内容(第三者の資料による)

重みのサイズ

約168GB(48分割)

vLLMでの構成例

GB300を4基搭載したノード(テンソル並列4、FP8のKVキャッシュ)

SGLangでの想定

B200クラスのGPU

専用イメージ

vllm/vllm-openai:deepseekv4-flash-vision

これらはvLLMのレシピなど第三者の資料にもとづく値です。Hugging Faceには似た名前の非公式リポジトリもあるため、ダウンロードするときは公式のdeepseek-ai配下であることを確認してください。後継のV4.1-Flashも重みがMITで公開されているので、新しく自前環境を作るなら後継を選ぶほうが自然です。

セキュリティ|画像を中国の事業者のサーバーへ送るという判断

データセンターのネットワーク機器のイメージ

DeepSeekのAPIで画像を処理すると、画像は中国の事業者であるDeepSeekのサーバーに送られます。画像はテキストより多くの情報を意図せず含みやすいため、業務で使うかどうかの判断はテキスト以上に慎重さが要ります。DeepSeek全般のデータ保管やプライバシーポリシーの論点はDeepSeekとはで整理しています。ポリシーは改定されることがあるため、利用前に最新版を確認してください。

画像ならではの論点は3つあります。

  1. 画像は機密情報の密度が高い。 請求書、社員証、名刺、契約書のスキャン、設計図、医療画像、業務画面のスクリーンショットは、氏名・住所・取引先・システム構成などを送り手が意識しないまま含みがちです。テキストなら送信前に伏せ字にできますが、画像は人が中身を確認しないと判断できません。
  2. Files APIに上げた画像はサーバーに残る。 通常のリクエストと違い、明示的にファイルを保存する仕組みです。有効期限の指定と削除の運用をセットで設計してください。
  3. APIを使わない選択肢もある。 Vision-Expと後継のV4.1-FlashはどちらもMITライセンスで重みが公開されているため、自社のGPU環境で動かせば画像を外部に出さずに済みます。ただし必要なGPUは大規模です。

方式

データの送り先

初期費用・運用負荷

向いているケース

DeepSeek公式API

DeepSeekのサーバー

小さい(従量課金のみ)

公開情報や機密でない画像の大量処理

自社環境で重みを動かす

自社内

大きい(大規模GPUと運用体制が必要)

機密画像を扱う、データを外に出せない

日本国内では、2025年2月に個人情報保護委員会がDeepSeekについての注意喚起を出し、同月に政府も各省庁向けに業務利用への注意を促しています(いずれも全面禁止ではなく注意喚起)。米国では政府機関などでDeepSeekを排除する動きもあり、公的機関や取引先の要件で利用が制限されていないかも確認が必要です。

業務利用を判断する目安

扱う画像

判断

公開情報のスクリーンショット、自社の公開資料の図表

使いやすい

社内の非公開資料(個人情報を含まない)

社内規程と情報の区分に照らして判断

個人情報・顧客情報を含む画像(名刺、申込書、身分証など)

APIへの送信は避ける

医療画像、金融取引の情報、未公開の設計情報

APIへの送信は避ける(自社環境なら検討の余地あり)

官公庁・自治体の業務データ

所管の方針を確認し、原則として避ける

中国系モデル全体の普及状況は中国製AIモデルがOpenRouter利用の60%超え、他社モデルとの総合比較はDeepSeek V4とGPT-5.5の比較が参考になります。

こんな人におすすめ/おすすめしない人

Vision-Exp自体はAPIで新しく使えないため、ここでは「Vision-Expの系譜にあるDeepSeekの画像入力(現行deepseek-flash)」を使うかどうかの目安として整理します。

おすすめできるケース

  • 大量の画像を安く処理したい。 大きな画像でも1万枚あたり数ドル(オフピーク・画像分のみ)で、分類・タグ付け・おおまかな内容判定のような大量処理と相性が良いです。
  • エージェントに画面を見せたい。 toolロールに画像を入れられるため、スクリーンショットで作業結果を確かめさせる構成が組めます。
  • すでにVision-Expで実装している。 モデル名をdeepseek-flashに変えるだけで、書き方はほぼそのまま使えます。
  • OpenAI・Anthropic向けのコードがある。 接続先とモデル名を変えるだけで検証を始められます。
  • データを外に出さずに画像を扱いたく、GPU環境を用意できる。 重みがMITで公開されているので、自社環境で動かせます。

おすすめしない・慎重に判断すべきケース

  • 当時のVision-Expと完全に同じ出力を前提にしている。 APIでは再現できず、応答するモデルが変わっています。
  • 個人情報や機密を含む画像をAPIで処理したい。 送信先の問題は解消しません。自社環境で動かす以外の回避策はありません。
  • 稼働率の保証が必要な基幹システム。 Vision-Expが3週間で置き換わったように、DeepSeekのモデル更新は速く、旧名の受け付けにも期限が示されていません。
  • 日本語書類のOCR精度を数値で保証したい。 公式・第三者とも計測データが確認できず、自前の評価が前提です。
  • 難しい推論と画像を1つのモデルでこなしたい。 推論が強いV4-Proは画像を受け付けません。

よくある質問

Q. 今もDeepSeek-V4-Flash-Vision-ExpをAPIで使えますか?

モデル名としては受け付けられますが、実際に応答するのは後継のV4.1-Flash-1017で、課金もdeepseek-flashの料金です。Vision-Expそのものの挙動が必要なら、Hugging Faceで公開された重みを自前の環境で動かすことになります。

Q. 旧モデル名はいつまで使えますか?

公式は「一時的に」転送するとだけ記載しており、受け付けを終える日は公表されていません(2026年11月14日時点)。止まってから慌てないよう、deepseek-flashへの書き換えを先に済ませておくのが安全です。

Q. 移行すると料金は上がりますか、下がりますか?

単価は下がりましたが、画像1枚の上限トークンが384から1,024に増えたため、大きな画像を多く送る処理では画像分のコストが約1.8倍(オフピーク同士)になります。テキストと出力が中心の処理なら、単価が下がった分安くなります。画像が多いかどうかで結果が変わるので、usageで実測してください。

Q. V4-Proに画像を渡せば、より高い精度で読めますか?

V4-Proは画像入力に非対応で、渡すと400エラーになります。DeepSeekのAPIで画像を扱えるのはdeepseek-flashだけです。

Q. Hugging Faceの重みは商用利用できますか?

公式のdeepseek-ai/DeepSeek-V4-Flash-Vision-ExpはMITライセンスで公開されており、ライセンス上は商用利用が認められています。似た名前の非公式リポジトリはライセンス表記が異なる場合があるため、公式配下のものかを確認してください。

Q. 日中にしか処理を回せない場合、コストを抑える方法はありますか?

平日でも日本時間13:00–15:00はオフピークなので、この時間に寄せると半額になります。そのほか、細部の要らない画像をdetail: lowにする、毎回同じ指示文をリクエストの先頭に固定してキャッシュヒット(オフピークで100万トークンあたり$0.003)を狙う、といった方法が有効です。Files APIは同じ画像を送り直す手間を省く仕組みで、画像のトークン料金そのものは下がらない点に注意してください。

まとめ

DeepSeek-V4-Flash-Vision-Expは、V4-Flashの性能と料金のまま画像入力を足した、DeepSeek初の実験的マルチモーダルモデルでした。2026年8月21日に公開され、9月10日に画像を最初から統合した後継のV4.1-Flashへ置き換わっています。

押さえておきたいポイントは次のとおりです。

  • 今は旧名で呼んでもV4.1-Flash-1017が応答する。 料金もdeepseek-flashのもので、旧名の受け付けがいつ終わるかは未公表です。
  • 新しく使うならdeepseek-flash。 書き方はVision-Expとほぼ同じで、モデル名を変えれば動きます。
  • 画像1枚の上限は384→1,024トークン。 読める解像度は上がった一方、大きな画像1枚あたりの入力コストはオフピーク同士で約1.8倍になります。
  • 日本時間の平日10〜13時・15〜19時はピーク帯。 バッチ処理をずらすだけで単価が半額になります。
  • V4-Proは今も画像非対応。
  • 重みはMITで公開済み。 当時のモデルを再現したい場合や、画像を外に出したくない場合の選択肢になりますが、大規模なGPUが必要です。

DeepSeekのモデルと料金は数週間単位で変わります。採用や移行の前には、公式のModels & PricingとChange Logを確認してください。後継モデルの詳細はDeepSeek V4.1 Flash 1017とは、エージェントでの使い方はDeepSeek Harnessとはが参考になります。

依頼範囲と費用の目安を30分で整理します

この記事の著者

AI革命

AI革命

編集部

AI革命株式会社の編集部です。最新のAI技術動向から実践的な導入事例まで、企業のデジタル変革に役立つ情報をお届けしています。豊富な経験と専門知識を活かし、読者の皆様にとって価値のあるコンテンツを制作しています。

AI・システム開発は、開始価格を公開しています

既存システムの改修 100万円〜・PoC 300万円〜(税別)。相談内容を送っていただくと、2営業日以内に担当者からご返信します