HN 日本語サマリー

← 一覧へ戻る
AI・機械学習

DeepSeek-v4-flash-vision-exp

DeepSeek-v4-flash-vision-exp (api-docs.deepseek.com)

465 pointsby dares2573143 コメント

要約

DeepSeek-v4-flash-vision-expモデルは、画像とテキストを同時に受け付け、画像の説明、スクリーンショットからのテキスト読み取り、グラフ分析などが可能です。画像はBase64エンコード、外部URL、またはFiles API経由で送信でき、それぞれに制限事項があります。画像のトークン使用量は、リサイズ後のピクセル数に基づいて計算されます。

全文翻訳

Vision

deepseek-flashモデルは、テキストと共に画像を受け付けるため、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、チャートを分析したりすることが可能です。旧モデル名 deepseek-v4-flash-vision-exp も引き続き受け付けられますが、このモデルは廃止されており、リクエストは最新のFlashモデルによって処理されます。

サポートされている画像フォーマットは JPEG, PNG, GIF, および WebP です。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には3つの方法があります。いずれも標準的なOpenAI互換のChat Completionsフォーマットを使用し、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。これら3つの方法は、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(制限を参照)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-flash",
    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-flash", 
    "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. 外部画像の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は最大で 8192文字、画像ファイルは最大で 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。リンクがこれより長い場合は、代わりに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-flash",
    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

画像を一度Files APIでアップロードし、その後リクエストでその file_id を参照します。同じ画像を複数のリクエストで使用する場合や、画像がリクエストボディを48 MiB以上に押し上げ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の単一画像チェックの対象外となります。

返される file_id(file-api-... の形式)を持つ file コンテンツブロックを使用します。

response = client.chat.completions.create(
    model="deepseek-flash",
    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)

代替として、file_id の代わりに file_data を介してBase64で画像をインラインで渡す file ブロックも可能です(両者は相互排他的です)。

{
  "type": "file",
  "file_data": "data:image/jpeg;base64,<BASE64_DATA>",
  "filename": "image.jpg"
}

詳細レベル

image_url 入力の場合、画像の処理方法を制御するためにオプションで detail フィールドを設定できます。

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。細かい視覚的ディテール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。original と同等。)
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を使用するタイミング

インライン画像(base64またはfile_data)は、リクエストボディサイズ制限 48 MiB に含まれます。以下のような場合は、Files API の使用を検討してください。

  • 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より大きく、これはFiles API経由でのみ可能です。
  • 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共に課金されます。

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544×544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。
  • より大きな画像は、アスペクト比を維持しながら縮小され、リサイズ後の総ピクセル数が 1300×1300 の画像と同等になります。

その結果、画像あたりの上限は 1024トークン となります。例えば、2000×2000の画像と5000×5000の画像は、リサイズ後に同じトークン数を消費します。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。複数画像リクエストの別途計算はありません。

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 ページの画像トークン計算機を使用してください。


制限

制限事項値
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 画像を含む場合は最大200 MiBまで。
画像あたりの最大寸法各辺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経由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: 制限を参照してください。


制限事項

  • 画像は user メッセージでのみサポートされます。system または assistant メッセージ内の画像は 400 エラーを返します。

Anthropic APIでの画像の使用

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。一般的なセットアップについては、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-flash",
    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 source バリアントは、上記のOpenAIの方法と類似しています。

source.type相当するOpenAIの方法注意点
base64Base64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外部画像のURL最大8192文字。
fileFiles API file_idヘッダー anthropic-beta: files-api-2025-04-14 が必要です。

Responses APIでの画像の使用

deepseek-flashモデルは、OpenAI互換のResponses APIでも画像を受け付けます。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 パーツで渡され、これは user / developer メッセージ内、または function_call_output / custom_tool_call_output アイテムの出力として扱われます。

response = client.responses.create(
    model="deepseek-flash",
    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(response.output_text)

input_image パーツは、上記と同じ意味を持つ detail フィールド(low / high / original / auto)をサポートします。detail は、画像が file_id 経由で提供される場合は無視され、image_url と file_id は相互排他的です。

フィールドの意味、制限事項(system / assistant メッセージ内の画像は 400 エラーで拒否されます)、およびツール出力画像については、Responses APIガイドを参照してください。