DeepSeek、画像対応の実験的モデルを公開
原題: DeepSeek-v4-flash-vision-exp
なぜ重要か
DeepSeekが低コストな高速モデルにビジョン機能を追加したことで、マルチモーダルAI APIの競争が一層激化する可能性がある。
DeepSeekは、テキストと画像を同時に処理できるマルチモーダルモデル「deepseek-v4-flash-vision-exp」をAPI経由で公開した。JPEG・PNG・GIF・WebP形式の画像に対応し、画像の説明、スクリーンショットのテキスト読み取り、チャート分析などのタスクに利用できる。OpenAI互換のChat Completions形式をサポートする。
DeepSeekは、ビジョン機能を備えた実験的モデル「deepseek-v4-flash-vision-exp」をAPI経由で提供開始した。同モデルはテキストに加えて画像入力を受け付け、画像の内容説明、スクリーンショットからのテキスト抽出、チャート・グラフの分析といった用途に対応する。
対応画像フォーマットはJPEG・PNG・GIF・WebPの4種類で、ファイル名やMIMEタイプではなく実際のファイル内容から形式を自動検出する。
画像の送信方法は3通り用意されている。1つ目はBase64エンコードによるインライン埋め込みで、ローカルファイルを直接リクエストに含められる。リクエストボディの上限は48MiBとなる。2つ目は外部の公開URL指定で、URLは最大8192文字、画像ファイルは最大32MiB、ダウンロード完了は60秒以内という制限がある。3つ目はFiles APIを通じてアップロードしたファイルのfile_idを参照する方法で、同一画像を複数リクエストで再利用する場合や、インライン制限の48MiBを超える場合に適している。Files API経由の画像は最大64MiBまで対応する。
APIのbase_urlは「https://api.deepseek.com」で、OpenAI互換のChat Completions形式およびResponses APIの両方で利用可能。PythonのOpenAIクライアントライブラリやcurlコマンドでの実装サンプルコードも公式ドキュメントに掲載されている。