DeepSeek-v4-flash-vision-exp

このページについて ビジョン DeepSeek-v4-flash-vision-expモデルは、画像とテキストを同時に受け付けるため、モデルに写真の説明を求めたり、スクリーンショットからテキストを読み取ったり、グラフを分析したりすることができます。 サポートされている画像フォーマット: JPEG、PNG、GIF、WebP。 フォーマットは、ファイル名や宣言されたMIMEタイプではなく、実際のファイルコンテンツから検出されます。 画像の送信 モデルに画像を提供する方法は3つあります。いずれも標準的なOpenAI互換のChat Completionsフォーマットを使用しており、contentはプレーンな文字列ではなくブロックの配列になります。同じ3つの方法がResponses APIでも利用可能で、画像はinput_imageコンテンツパートで渡されます。 以下の例のbase_urlはhttps://api.deepseek.comです。 1. Base64エンコードされた画像（インライン） 画像をエンコードし、data: URLとしてリクエストに直接埋め込みます。ローカルファイルの場合、これが最も簡単なオプションです。 エンコードされたデータは、48 MiBのリクエストボディ制限（Limitsを参照）に含まれます。 import base64 from openai import OpenAI client = OpenAI(api_key="<DeepSeek API Key>", base_url="https://api.deepseek.com") with open("image.jpg", "rb") as f: b64 = base64.b64encode(f.read()).decode("utf-8") response = client.chat.completions.create( model="deepseek-v4-flash-vision-exp", messages=[ { "role": "user", "content": [ {"type": "text", "text": "What is in this image?"}, { "type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{b64}"}, }, ], } ], ) print(response.choices[0].message.content) 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": "What is in this image?"}, {"type": "image_url", "image_url": {"url": "data:image/jpeg;base64,<BASE64_DATA>"}} ] } ] }' 2. 外部画像URL 公開されているhttp(s)リンクを渡すと、モデルが画像をダウンロードします。 URLは最大8192文字、画像ファイルは最大32 MiB、ダウンロードは60秒以内に完了する必要があります。リンクがそれより長い場合は、base64データURLまたはFiles APIを使用してください。 response = client.chat.completions.create( model="deepseek-v4-flash-vision-exp", messages=[ { "role": "user", "content": [ {"type": "text", "text": "Describe this image."}, { "type": "image_url", "image_url": {"url": "https://example.com/image.jpg"}, }, ], } ], ) print(response.choices[0].message.content) 3. Files API経由でアップロードしたファイルを参照 画像をFiles APIで一度アップロードし、そのfile_idをリクエストで参照します。同じ画像を複数のリクエストで使用する場合や、画像が48 MiBのインライン制限を超える場合に最適なオプションです。 インライン画像とは異なり、Files APIのfile_idで参照される画像は最大64 MiBまで可能で、32 MiBの画像ごとのチェックの対象外です。 返されたfile_id（file-api-...の形式）を持つファイルコンテンツブロックを使用します。 response = client.chat.completions.create( model="deepseek-v4-flash-vision-exp", messages=[ { "role": "user", "content": [ {"type": "text", "text": "What is in this image?"}, {"type": "file", "file_id": "file-api-xxxxxxxxxxxxxxxx"}, ], } ], ) print(response.choices[0].message.content) または、fileブロックはfile_idの代わりにfile_dataを介して画像をインラインでbase64で渡すことができます（両者は相互に排他的です）。 { "type": "file", "file_data": "data:image/jpeg;base64,<BASE64_DATA>", "filename": "image.jpg" } 詳細レベル image_url入力では、オプションでdetailフィールドを設定して、画像の処理方法を制御できます。 値 動作 low 推論前に画像を512×512にダウンサイジングします。視覚的な詳細が重要でない場合に、より高速で安価です。 high 元の画像を保持します。（互換性のために提供されており、originalと同等です。） original 元の画像を保持します。 auto 自動選択。現在はoriginalと同等です。 { "type": "image_url", "image_url": {"url": "https://example.com/image.jpg", "detail": "low"} } Files APIの使用時期 インライン画像（base64またはfile_data）は、48 MiBのリクエストボディサイズ制限に含まれます。Files APIを検討するのは、以下の場合です。 単一のリクエストがボディサイズ制限を超える場合。 画像が32 MiBより大きい場合（これはFiles APIでのみ可能です）。 同じ画像を複数のリクエストで参照し、毎回再アップロードするのを避けたい場合。 トークン使用量 画像は次元に基づいてトークンに変換され、これらのトークンはテキストトークンと一緒に課金されます。 推論前に、すべての画像は自動的にリサイズされます。 総ピクセル数が約384×384未満の画像は、アスペクト比を維持しながら拡大されます。 それより大きい画像は、アスペクト比を維持しながらダウンサイジングされ、リサイズ後の総ピクセル数が約800×800になります。 その結果、画像あたりのトークン数には384トークンという上限があります。例えば、2000×2000の画像と5000×5000の画像は、リサイズ後に同じ数のトークンを消費します。 リクエストに複数の画像が含まれる場合、各画像は同じルールで個別にカウントされます。マルチ画像リクエスト用の特別な計算はありません。 特定のサイズの画像のトークンコストを推定するには、トークンとトークン使用量ページにある画像トークン計算機を使用してください。 制限 制限 値 サポートされているフォーマット JPEG、PNG、GIF、WebP 外部URLの長さ 8192文字 リクエストボディサイズ 48 MiB 単一画像あたりの最大サイズ（base64 / 外部URL） 32 MiB 単一画像あたりの最大サイズ（Files API file_id） 64 MiB リクエストあたりの最大画像数 600 リクエストあたりの総画像サイズ file_id画像なしで64 MiB。file_id画像を含むと最大200 MiB 画像あたりの最大次元 各辺8192 px。リクエストに15枚以上の画像が含まれる場合、各辺4096 pxに低下します。 Files APIでアップロードされたファイルのストレージおよびアップロードクォータについては、Files API: Limitsを参照してください。 制限事項 画像はユーザーメッセージでのみサポートされます。システムメッセージまたはアシスタントメッセージでの画像は400エラーを返します。 画像を受け付けるのはビジョンモデル（deepseek-v4-flash-vision-exp）のみです。他のモデルは400エラー（「このモデルは画像に対応していません」）を返します。 予約された画像プレースホルダートークンを含むユーザーテキストは、400エラーで拒否されます。 Anthropic APIでの画像の利用 上記のOpenAI互換エンドポイントに加えて、Anthropic互換の/messagesエンドポイント（base_url = https://api.deepseek.com/anthropic）を通じて画像送信も可能です。一般的な設定については、Anthropic APIを参照してください。 違いは、画像コンテンツブロックの形状です。image_urlの代わりに、Anthropicはsourceオブジェクトを持つimageブロックを使用し、そのtypeはbase64、url、またはfileのいずれかです。 import anthropic client = anthropic.Anthropic() # ANTHROPIC_BASE_URL=https://api.deepseek.com/anthropic message = client.messages.create( model="deepseek-v4-flash-vision-exp", max_tokens=1024, messages=[ { "role": "user", "content": [ {"type": "text", "text": "What is in this image?"}, { "type": "image", "source": { "type": "base64", "media_type": "image/jpeg", "data": "<BASE64_DATA>", }, }, ], } ], ) print(message.content) 3つのソースバリアントは、上記のOpenAIの方法を反映しています。 source.type 同等のOpenAIメソッド 備考 base64 Base64エンコードされた画像 media_typeフィールド（image/jpeg、image/png、image/gif、またはimage/webp）が必要です。 url 外部画像URL 最大8192文字。 file Files API file_id ヘッダーanthropic-beta: files-api-2025-04-14が必要です。 Responses APIでの画像の利用 DeepSeek-v4-flash-vision-expモデルは、OpenAI互換のResponses APIを通じて画像を受け付けることもできます。 同じ3つの入力方法（base64データURL、外部http(s) URL、Files API file_id）と制限が適用されます。コンテンツパートの形状のみが異なり、画像はinput_imageパートで渡され、ユーザー/開発者メッセージ内、またはfunction_call_output / custom_tool_call_outputアイテムの出力に含まれます。 response = client.responses.create( model="deepseek-v4-flash-vision-exp", input=[ { "role": "user", "content": [ {"type": "input_text", "text": "What is in this image?"}, {"type": "input_image", "image_url": "https://example.com/image.jpg", "detail": "low"}, ], } ], ) print(resp