投稿者 投稿日: カテゴリー AIニュース
DeepSeekは2026年8月21日、画像を読める実験版モデル V4-Flash-Vision-Exp を公開しました。
商品画像やスクリーンショットをAIに読ませる作業のコストが、また一段下がりそうです。DeepSeek API Docs の更新履歴によると、同社は2026年8月21日にマルチモーダル対応の実験版モデル DeepSeek-V4-Flash-Vision-Exp をAPIプラットフォームで公開しました。画像1枚あたりのトークン消費は最大384トークンに抑えられ、1リクエストで最大600枚まで送れます。テキスト性能は既存の V4-Flash と同等を保ちながら、視覚が必要なエージェントベンチマークで Opus 4.8 に迫るスコアを出したと同社は説明しています。本記事は、EC支援19年・5,000社超の実績を持ち、AI導入支援は2023年から提供する株式会社オルセル（うるチカラ運営）が解説します。
何が起きたか：テキスト性能を維持したまま画像理解を足した実験版
今回公開された DeepSeek-V4-Flash-Vision-Exp とは、既存の軽量モデル V4-Flash に画像理解を追加した実験版のマルチモーダルモデルのことです。APIから model='deepseek-v4-flash-vision-exp' と指定するだけで呼び出せます。The Decoder は「画像を説明し、スクリーンショットからテキストを抽出し、図表を分析できる」と要点を整理しています。
同社が公開したベンチマークは、Terminal Bench 2.1 が83.9、NL2Repo が57.7、DeepSWE が59.3、DSBench-Hard が63.6、ApexBench（Pass@1）が36.5、Agents’ Last Exam が27.3、Chartography が64.3、ZeroBench（Pass@5）が35.0 となっています。比較対象の Opus 4.8 は ApexBench が39.4、Agents’ Last Exam が25.7、ZeroBench が34.0、Terminal Bench 2.1 が85.0 とされ、項目によっては V4-Flash-Vision-Exp が上回っています。
ただしこれらの数値は DeepSeek 自身が自社のハーネス環境で測定した自己申告値です。第三者機関による再現検証は現時点で確認できていないため、実務投入の判断材料としては「参考値」として扱うのが妥当です。テキストのみの能力については、公式ドキュメントが「エージェント、推論、世界知識などの純テキスト能力は正式版の V4-Flash と同等」と記しています。DeepSeek のモデル更新の流れは、V4-Flash の正式版リリース、V4-Pro のGA公開に続く3回目の大きな動きになります。
日本のEC事業者にとっての論点：画像コストの設計が変わる
日本のEC事業者にとって重要なのは、ベンチマークの順位より画像あたりの課金設計です。今回のモデルは、元の解像度にかかわらず画像1枚あたり最大384トークンに正規化されます。処理前に縦横比に応じておよそ800×800ピクセルへ自動縮小され、detail フィールドを指定すれば512×512まで落としてさらにトークンを節約できます。価格は V4-Flash と同じレートが適用されます。
画像の送り方は3通りあります。Base64で直接埋め込む方法、公開URLを指定する方法（最大32MiB）、そして無料の Files API を使う方法です。Files API は一度アップロードしたファイルをIDで何度も参照できる仕組みで、上限は64MiBです。同じ商品画像を何度も検証にかけるEC運用では、この再利用の仕組みがそのままAPI転送量の削減につながります。
1リクエストあたりの上限は600枚です。1辺の最大長は8,192ピクセルですが、15枚以上を1リクエストに含めると4,096ピクセルまで下がります。画像はユーザーメッセージ内にしか置けません。この「600枚」という数字は、楽天市場やAmazon、Yahoo!ショッピングで数百SKUを抱える店舗が、商品画像の一括点検をワンショットで回せる規模感です。たとえば商品画像に規約違反の文言が焼き込まれていないかの検査、画像内テキストの抽出によるalt属性の下書き作成、RMSやセラーセントラルの管理画面スクリーンショットからの数値の読み取りといった作業は、これまで人手か高価なフラッグシップモデルに頼っていた領域でした。
対応形式は JPEG、PNG、GIF、WebP です。注目したいのは、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内容から形式を判定する仕様になっている点です。拡張子が実態と食い違っている画像がライブラリに紛れ込みがちなEC現場では、この挙動は地味に効きます。商品画像そのものの生成側については、GPT Image 2の背景透過対応と組み合わせると、生成から検品までの導線が一本につながります。
今後の展望と初動アクション
このモデルは OpenAI の Chat Completions と Responses、そして Anthropic の Messages エンドポイントの3形式に対応しています。既存のエージェント基盤を組み替えずにモデル名だけ差し替えて比較検証できるということです。DeepSeek は同時に、自社のエージェント実行環境である DeepSeek Harness のバージョン0.1.1も公開し、新モデルを標準サポートしています。
初動として現実的なのは3点です。第一に、実験版であることを前提に本番投入は避け、まずは既存フローの並走比較にとどめることです。実験版はモデルが予告なく更新・終了する可能性があり、業務クリティカルな処理を乗せるのは時期尚早です。第二に、自社で扱う画像の実データで小規模なベンチマークを組むことです。公開ベンチマークは自己申告値であり、商品画像やモール管理画面のスクリーンショットという日本のEC特有の題材での精度は、自社で測る以外に知る方法がありません。第三に、コスト試算をやり直すことです。DeepSeekは2026年8月16日からピーク時間帯とオフピーク時間帯の二段階価格を導入し、オフピークはピークの半額に設定されています。画像の一括点検のようにリアルタイム性が不要な処理は、オフピーク帯にまとめて流すだけで支出が変わります。
論点として残るのは、中国発モデルへの画像データ送信をどう扱うかです。商品画像は公開情報であることが多い一方、管理画面のスクリーンショットには売上や顧客数といった非公開情報が写り込みます。どの画像をどのモデルに送ってよいかの線引きを、社内ルールとして先に決めておく必要があります。
まとめ
DeepSeek-V4-Flash-Vision-Exp は、画像1枚あたり最大384トークン、1リクエスト最大600枚という設計で、EC現場の画像処理コストを押し下げる可能性を持つモデルです。ベンチマークは自己申告値であり実験版でもあるため、日本のEC事業者としては本番投入を急がず、自社の商品画像で小さく検証し、送ってよいデータの線引きを整えるところから始めるのが堅実です。
参考文献
- DeepSeek API Docs – Change Log（2026-08-21 DeepSeek-V4-Flash-Vision-Exp Release）
- DeepSeek API Docs – Files API
- The Decoder – Deepseek releases experimental Flash vision model that rivals Opus 4.8 on agent benchmarks
- DeepSeek Harness ドキュメント（Agent Integrations）
※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/
引用元: The Decoder
【監修】齋藤竹紘（株式会社オルセル代表 / 19年・5,000社のEC支援実績）
株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。
この記事を読んだ人は、こんな記事も読んでいます
