DeepSeek V4 Flash Vision Exp

DeepSeekの実験的なマルチモーダルモデルで、テキストと画像を入力し、テキストを出力します。V4 Flashファミリーの視覚対応モデルとして位置づけられています。

画像の説明、スクリーンショット内の文字の読み取り、グラフの分析、視覚情報と言語推論の両方を必要とするエージェント処理に適しています。

V4 Flashのテキスト能力とネイティブな画像理解を組み合わせている点が主な強みです。一般的なAPI形式でテキストと画像を混在させ、エージェント処理でツールと連携できます。

明確に実験版とされているため、本番利用前に信頼性を検証してください。画像は縮小されトークン化されるため細部の忠実度が下がる場合があり、重要な視覚的判断は人が確認すべきです。

TokenHubアカウントで利用可能な場合は、正確なモデルID deepseek-v4-flash-vision-exp とTokenHubのエンドポイントおよび認証情報を使用します。テキストと画像は、選択したTokenHub APIルートが対応する形式で送信してください。

DeepSeekはこの実験モデルをAPIプラットフォームで提供し、画像は縮小後に1枚あたり最大384トークンとしてV4 Flash料金で課金すると案内しています。TokenHubでの提供状況と料金は異なる場合があるため、導入前に最新のモデル一覧を確認してください。

画像が不可欠で、同じリクエスト内でV4 Flash系のテキスト能力とエージェント能力も使いたい場合に適しています。テキストのみ、細かな視覚認識、本番の重要処理では、実際の用途に近いテストで精度、遅延、安定性、コストを代替モデルと比較してください。