投稿者 投稿日: カテゴリー EC×AI活用
Kimi K3の画像認識とは、商品画像から属性を直接読み取る機能のことです。
商品画像1万点にalt文と属性タグを付ける作業を、公開APIの料金で計算すると約159米ドル、日本円で約2.4万円でした（1ドル150円換算、reasoning_effortを最小設定にした場合の試算）。1点あたり約2.4円です。この計算が成立するようになった理由は、2026年7月に公開されたKimi K3が、画像を後付けのモジュールではなくモデル本体で扱う設計になったことにあります。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）の現場知見にもとづき、楽天RMS・Amazon Seller Central・Shopify Adminの実画面に落とし込む手順をプロンプト5本つきで解説します。トークン計算の内訳も全部出します。
MoonViT-V2が本体に乗ったことで、商品画像の扱いが変わった
Kimi K3は、画像を読むための専用エンコーダをモデル本体に統合した構成です。公式のモデルカードによれば、総パラメータ2.8兆・トークンあたりの活性パラメータ1,040億のMixture-of-Experts構成に、401Mパラメータの視覚エンコーダ「MoonViT-V2」が組み込まれています。コンテキスト長は1,048,576トークン、つまり約100万トークンです。モダリティの記載はテキストと画像で、公式紹介文では動画理解にも言及がありますが、モデルカードのモダリティ欄そのものは「Text, Image」表記にとどまるため、動画入力を業務に組み込む前提で設計するのは避けたほうが安全です（動画対応の正式な扱いは要確認）。
商品画像の一括処理という観点で効いてくるのは、視覚ベンチマークの内訳です。モデルカードの評価表では、文書理解のOmniDocBenchが91.1で、Claude Fable 5の89.8、GPT-5.5の89.4、Claude Opus 4.8の87.9、GPT-5.6 Solの85.8を上回っています。自社開発の知覚ベンチマークPerceptionBenchは58.5、MMMU-Proは81.6（Python併用時83.4）でした。文書・図表の読み取りが強いという特性は、商品パッケージの成分表示、家電の型番プレート、食品のラベルといった「画像の中に文字がある素材」を扱うECの現場と相性が良い性質です。
もう一段大きな変化点は、フルウェイトが公開されたことです。the-decoderの報道では、Moonshot AIは2026年7月にKimi K3のAPIを提供開始し、その後にフルウェイトをHugging Faceで公開しました。ライセンスは独自の「Kimi K3 License」で、商用利用の可否と条件はライセンス本文で必ず確認してください。ウェイトが手元に落とせるということは、未発売商品の撮影データや、まだ公開していない新シーズンのカット素材を、外部APIに送らずに社内GPUで処理できるという意味になります。この選択肢の詳細はKimi K3のフルウェイトを自社ホスティングして商品データを守る記事で整理しました。
現場で繰り返し見るのは、商品画像の属性入力が「新人の最初の仕事」として固定化されている状態です。アパレルなら色名と素材、食品ギフトなら内容量と用途シーン、家電なら型番と付属品。担当者が変わるたびに表記ゆれが増え、サイト内検索の絞り込みが効かなくなります。画像から機械的に属性を抜けるようになると、この工程は「入力」から「検査」に変わります。
商品画像から何を抜くのか｜alt文・社内タグ・バリエーション属性の3レイヤー
抽出する情報は3つのレイヤーに分けて設計してください。混ぜて1回のプロンプトで全部出そうとすると、どれも中途半端になります。レイヤーごとに出力先の画面と文字数制限が違うためです。
第1レイヤーはalt文です。画像が読み込めなかったときの代替テキストであり、スクリーンリーダーが読み上げる本文でもあります。Shopify Adminなら商品編集画面のメディアセクションでカットごとに設定でき、自社ECのCMSでも同様の欄が用意されているのが通例です。文字数は125文字前後を上限とする運用が広く使われていますが、これはスクリーンリーダーの読み上げ区切りに合わせた慣例値で、規格上の厳密な上限ではありません。書き方の要点は「商品名を繰り返さない」「画像でしか分からない情報を書く」の2点に絞られます。
第2レイヤーは社内タグです。サイト内検索の絞り込み、レコメンドの条件分岐、広告の除外リスト作成に使う内部データで、公開面には出しません。ここには「白背景」「モデル着用」「調理例」「サイズ表」「パッケージ裏面」といったカットの種類と、「無地」「花柄」「マット仕上げ」といった見た目の特徴を入れます。カット種別のタグが揃っていると、楽天市場で最大20枚まで登録できる商品画像のうち「サイズ表が未登録の商品」を一括抽出する、といった棚卸しが可能になります。
第3レイヤーはバリエーション属性です。カラー、素材、柄、シーン、被写体数の5軸を基本形にしています。後述のプロンプト1では、推論回数を減らすために第2レイヤーのカット種別も同じJSONで一緒に返させる構成にしてありますが、書き戻す先の画面は別です。この層だけは自由記述にせず、あらかじめ許容値のリストを渡して選ばせてください。「ネイビー」「紺」「濃紺」が混在すると、そのまま検索の絞り込みが壊れます。Kimi K3は構造化出力に対応しており、公式のクイックスタートには構造化出力・ツール選択・コンテキストキャッシュの項目が並んでいます。JSONスキーマを固定して投げるのが定石です。
出力先の画面もレイヤーごとに違います。楽天RMSなら商品登録画面のタグID・商品属性欄、Amazon Seller Centralなら商品情報の属性フィールドと250バイト以内の検索キーワード欄、Shopifyならメタフィールドとタグ欄。抽出したデータは一度CSVに落とし、各プラットフォームの一括更新フォーマットに変換する流れが扱いやすい構成です。全商品分のCSVをそのままAIに読ませて整合を取る方法は1Mコンテキストで全商品CSVを棚卸しする記事にまとめています。
1万点を回す実装手順とプロンプト5本
処理は5工程です。画像URLリストの作成、接続方式の決定、パイロット100点、本番投入、CSV戻しの順に進めます。いきなり1万点を投げると、プロンプトの欠陥が1万点分の修正作業になって跳ね返ってきます。
工程1は画像URLの棚卸しです。楽天市場は商品DL機能で商品管理番号と画像パスを含むCSVが取得でき、Amazonは在庫レポート、ShopifyはAdmin APIのproducts経由でメディアURLが取れます。ここで商品管理番号と画像URLの対応表を作っておかないと、あとで結果を戻せません。
工程2は接続方式です。Moonshot公式のAPIプラットフォームでモデル名にkimi-k3を指定する方法と、vLLMまたはSGLangで自社GPUに立てる方法の2択になります。公式APIはOpenAI互換とAnthropic互換の両方が提供されているため、既存のOpenAI SDKのコードはベースURLとモデル名の差し替えだけで動くのが通例です。画像はOpenAI互換のimage_url形式で渡します。
工程3で必ず設定するのがreasoning_effortです。Kimi K3は思考が常時オンで、リクエストの最上位フィールドでlow・high・maxを指定でき、既定値はmaxです。商品画像のタグ付けのような定型抽出でmaxのまま流すと、思考トークンが出力課金に丸ごと乗ります。lowに落として品質を確認するところから始めてください。複数ターンやツール呼び出しを挟む場合は、APIが返したreasoning_contentを含むアシスタントメッセージをそのまま次のリクエストに戻す必要がある点も、公式ドキュメントに明記されています。
工程4はパイロットです。カット種別が偏らないよう、白背景・モデル着用・調理例・パッケージ裏面などを混ぜて100点選び、人手で正解を作って照合します。工程5でCSVに戻し、各プラットフォームの一括更新にかけます。
ここから実務で使っているプロンプトを5本並べます。変数は中括弧で書いてあるので、自社の商品情報に置き換えてください。ChatGPT・Claude・Geminiでも同じ構造で動きますが、コスト計算はKimi K3の公開価格を前提にしています。
商品画像1枚から属性を抜く基本形です。許容値リストを渡して自由記述を封じるのが要点になります。
プロンプト1：商品画像1枚からバリエーション属性をJSONで抽出
あなたは日本のECサイトの商品データ管理担当です。
添付した商品画像を見て、下記のJSONスキーマに厳密に従って属性を出力してください。
制約：
1. 各項目は「許容値リスト」の中から選ぶこと。該当なしの場合は "unknown" とする
2. 画像から判断できない項目を推測で埋めないこと
3. 出力はJSONのみ。前後に説明文を書かない
商品ジャンル：{ジャンル}
商品名（参考情報）：{商品名}
許容値リスト：
- color: {ホワイト/ブラック/ネイビー/ベージュ/カーキ/レッド/ブルー/グリーン/イエロー/ブラウン/グレー/マルチカラー}
- material: {綿/麻/ウール/ポリエステル/レザー/合皮/ステンレス/木/ガラス/陶器/紙}
- pattern: {無地/ストライプ/チェック/花柄/ドット/ロゴ/幾何学}
- cut_type: {白背景単体/モデル着用/使用シーン/調理例/パッケージ表面/パッケージ裏面/サイズ表/付属品一覧}
- scene: {日常/オフィス/アウトドア/ギフト/キッチン/寝室/なし}
- subject_count: 整数
出力スキーマ：
{"color": "", "material": "", "pattern": "", "cut_type": "", "scene": "", "subject_count": 0, "confidence": 0.0}
alt文と検索キーワードを同時に作る用途です。alt文に商品名を丸写しさせないための否定条件を入れてあります。
プロンプト2：alt文と検索キーワードの同時生成
あなたは日本のECサイトのアクセシビリティとSEOを担当しています。
添付した商品画像について、下記2点を出力してください。
出力1：alt文
- 125文字以内の日本語
- 画像を見なければ分からない情報だけを書く（色・形・質感・構図・写っている点数）
- 商品名をそのまま繰り返さない
- 「画像」「写真」「イメージ」という語を使わない
- 「最高」「No.1」「絶対」「即効」などの最上級・断定表現を使わない
出力2：検索キーワード候補
- 画像から読み取れる語のみ12個
- 日本語、各10文字以内
- 商品名に既に含まれる語は除外する
商品ジャンル：{ジャンル}
商品名：{商品名}
既存の商品名に含まれる語：{既存KW}
出力フォーマット：
alt: <alt文>
keywords: <カンマ区切り12語>
楽天市場の商品画像は1商品あたり最大20枚まで登録できます。全カットをまとめて読ませ、足りないカットを指摘させる使い方です。
プロンプト3：商品ページの画像セット診断（最大20枚を一括評価）
あなたは楽天市場の商品ページ改善を担当するECコンサルタントです。
添付した同一商品の商品画像セット（最大20枚）を通しで確認し、下記を出力してください。
観点：
1. 各カットの種別を判定（白背景単体/モデル着用/使用シーン/サイズ表/素材アップ/パッケージ/付属品/比較図）
2. このジャンルで一般に必要とされるカットのうち、セットに欠けているものを列挙
3. 掲載順の推奨（1枚目は商品全体が最も分かるカット）
4. 重複しているカット（同じ情報しか伝えていない2枚）の指摘
商品ジャンル：{ジャンル}
想定購入者：{ターゲット}
出力フォーマット：
- カット一覧：番号 / 種別 / 1行説明
- 欠落カット：箇条書き
- 推奨掲載順：番号の並び
- 重複カット：番号ペアと理由
画像の中に焼き込まれた文字を検査する用途です。楽天市場の商品画像に外部サイトのURLや連絡先を入れることは規約で認められていないため、既存資産の点検に使えます。
プロンプト4：商品画像の焼き込みテキスト検査（規約・表現チェック）
あなたは日本のEC出店規約と広告表示のチェック担当です。
添付した商品画像に焼き込まれている文字をすべて読み取り、下記の観点で検査してください。
検査観点：
1. 外部サイトのURL、ドメイン名、QRコード、メールアドレス、電話番号の有無
2. 薬機法で問題になりうる表現（治る/効く/改善/痩せる/シミが消える 等）
3. 景品表示法で問題になりうる最上級表現（日本一/No.1/最高/絶対/業界最安 等）
4. 期限切れの可能性がある期間限定表記（「〇月〇日まで」の日付）
5. 1枚目のメイン画像におけるテキスト占有率の概算（%）
読み取れた文字が無い場合は「テキストなし」と出力してください。
推測で文字を補完しないこと。
出力フォーマット：
- 読み取り結果：<画像内の全テキスト>
- 検出項目：観点番号 / 該当文字列 / 想定リスク
- 判定：要修正 / 要確認 / 問題なし
パイロット100点の精度を測る検証用です。人手の正解データと突き合わせ、どの項目が弱いかを数字で出します。
プロンプト5：抽出結果の精度検証レポート
あなたはデータ品質の検証担当です。
下記の「AI抽出結果」と「人手作成の正解データ」を項目ごとに突き合わせ、精度レポートを作成してください。
出力内容：
1. 項目別の一致率（color / material / pattern / cut_type / scene）
2. 不一致だった事例を項目ごとに最大5件、AI出力値と正解値を並べて提示
3. 不一致の原因を分類（撮影条件/許容値リストの不足/プロンプトの曖昧さ/画像解像度）
4. 原因分類ごとの、プロンプト修正案または運用側の対処案
一致率が90%を下回った項目は「本番投入前に要修正」と明示してください。
AI抽出結果：
{JSON配列}
人手作成の正解データ：
{JSON配列}
一括処理で壊れる3パターンと回避策
失敗の型は決まっています。直近の支援案件で観測したのは、次の3つでした。
1つ目は白背景の切り抜き画像による素材の誤認です。影と質感を落とした切り抜き素材では、合皮とレザー、ステンレスとアルミの判別がつきません。回避策は、素材アップのカットが存在する商品だけ素材項目を抽出対象にし、切り抜き素材しかない商品は素材をunknownで通すことです。誤った値が入るより、空欄のほうが後工程は楽になります。
2つ目はモデル着用画像での取り違えです。トップスを売っているのに、モデルが履いているボトムスの色を拾ってしまう事故が起きます。プロンプト1の商品名を参考情報として渡している理由がここにあり、「商品名に含まれるカテゴリの被写体だけを対象とする」という一文を制約に加えると、この誤りは目に見えて減りました。撮影小物が多いギフト系のカットでも同じ対処が有効です。
3つ目は表現の混入です。生成された文章に「効果的に」「シミが目立たなくなる」といった語が紛れ込むと、そのまま商品ページに載せた時点で薬機法上の問題になります。プロンプト2で否定条件を明示したうえで、公開前に禁止語の機械チェックを通す二段構えにしてください。楽天市場の商品画像に外部URLや連絡先を焼き込むことは規約で認められていないため、プロンプト4の検査は既存商品の点検としても機能します。既存ページの点検で見つかった違反は、画像の差し替えで対応することになります。
1万点いくらか｜トークンの内訳から積み上げる
画像のトークン数は解像度で決まります。技術レポートの解説によると、Kimi K3は14×14ピクセルのパッチに分割したうえで2×2の空間圧縮をかけるため、視覚トークン数はおおむね「縦×横÷（14×14×4）」で計算できます。896×896ピクセルの画像で1,024トークン、楽天市場が推奨する700×700ピクセルなら625トークンという計算です（この式は技術レポートの解説記事にもとづく数値で、公式ドキュメントの正式な算出式は要確認）。
料金は公開価格で計算します。Moonshot公式のプラットフォームでは、100万トークンあたり入力3米ドル（キャッシュヒット時は0.30米ドル）、出力15米ドルという水準が案内されています。OpenRouterの掲載値は入力2.90米ドル、出力14米ドルで、こちらはリリース日を2026年7月16日としています。以下は公式の3米ドル・15米ドル・0.30米ドルを使った試算です。
1点あたりの内訳を、896×896ピクセルの画像で置きます。システムプロンプトと出力スキーマで約800トークン（2件目以降はキャッシュヒット対象）、画像が1,024トークン、商品名やカテゴリのテキストが約200トークン、出力は思考トークンを含めて約800トークン。reasoning_effortはlowの前提です。
1万点に掛けると、キャッシュヒット入力が800万トークンで2.40米ドル、キャッシュミス入力が1,224万トークンで36.72米ドル、出力が800万トークンで120.00米ドル。合計159.12米ドル、1ドル150円換算で約2.4万円になります。1点あたり約2.4円です。為替と各社の価格改定で変動するため、実装前に必ず最新の料金表で引き直してください。
同じ条件でreasoning_effortを既定のmaxのまま流すとどうなるか。思考トークンが1点3,000トークン程度出ると仮定すると、出力は3,400万トークンで510米ドル、合計約549米ドル、約8.2万円まで膨らみます。差は3.4倍です。この設定ひとつでコストが決まるという構造は、モデル選定そのものより効き幅が大きい場合があります。業務ごとにモデルと設定を振り分ける考え方はタスク別ルーティングでAPI費用を減らす設計で詳しく扱いました。
工数の側も並べておきます。商品画像1点の属性入力を人手で行うと、確認と入力で2〜4分というのが店舗運営の現場感覚です。1万点なら333〜667時間の計算になります。AI抽出に切り替えると、パイロット100点の正解作成と検証に半日、本番の実行は待つだけ、公開前のサンプル検査に数時間という構成に変わります。ここで浮いた時間を撮影カットの追加に回せるかどうかが、実際の売上に効いてくる分かれ目です。
オープンウェイトの画像認識が、EC運用に効いてくる本当の理由
短期的な価値はコスト削減ですが、中期で効いてくるのは「商品画像を社外に出さずに処理できる」という一点だと考えています。理由は、ECにおける画像資産の性質にあります。未発売商品のサンプル撮影、新シーズンのルックブック、OEM先から預かった図面。これらは競合に流出すると事業に直接響く情報で、外部APIに投げる判断を経営側が嫌がる領域です。ウェイトが公開されているモデルなら、社内ネットワーク内で完結させる設計が取れます。100万トークンのコンテキストをEC業務でどう使うかはKimi K3の1Mコンテキスト活用記事で扱いました。
もう1つの論点は、AIエージェントが商品を選ぶ時代の商品データです。買い物を代行するエージェントは、商品ページのテキストと構造化データを読んで候補を絞ります。画像から抽出した属性が構造化データ側に反映されていれば、「ネイビーの綿100%のシャツ」という指定に引っかかる確率が上がります。逆に、画像には写っているのにデータに書かれていない属性は、エージェントからは存在しないものとして扱われます。構造化データ側の整備は商品ページの構造化データ最適化チェックリストに整理してあります。
比較対象として、2026年8月時点の主要な選択肢も置いておきます。OpenAIはGPT-5.6とGPT-5.6 Sol、AnthropicはClaude Opus 5とClaude Sonnet 5、GoogleはGemini 3.6 Flashが現行の中心です。いずれも画像入力に対応しており、単発の精度で選ぶなら十分な候補になります。Kimi K3を選ぶ理由になるのは、ウェイトが手元に置けること、100万トークンのコンテキストで大量の画像とCSVを同時に扱えること、そして文書系の視覚ベンチマークで上位につけていることの3点です。用途が「1万点の定型抽出」に寄るほど、この3点の重みが増します。
自店で今週手を付けるなら、商品画像URLの棚卸しと、カット種別の許容値リストを作るところからで十分です。この2つが揃っていれば、パイロット100点は1日で回せます。
よくある質問
Kimi K3の画像認識は無料で試せますか
はい、Hugging Faceのモデルカードから公開されているデモ環境や、Kimiの提供するチャット環境で画像を投げる形なら、少額または無料で挙動を確かめられます。ただし1万点規模の一括処理は有料APIか自社ホスティングが前提になります。まずは自社の代表的な商品画像を10点ほど手で投げ、抽出精度が業務水準に達しているかを確認するのが現実的な入口です。
商品画像を外部APIに送ることに社内の懸念があります
Kimi K3はフルウェイトが公開されているため、vLLMまたはSGLangで自社環境に立てれば画像を外に出さずに処理できます。ライセンスは独自の「Kimi K3 License」なので、商用利用の条件はライセンス本文で確認してください。GPU調達と運用の手間が増える代わりに、データが社外に出ないという要件を満たせます。
抽出した属性はそのまま商品ページに載せてよいですか
いいえ、公開前の検査工程を必ず挟んでください。理由は、AIが画像から読み取った内容と実際の商品仕様が食い違う可能性があるためです。特に素材、原産国、内容量のように商品表示に関わる項目は、AI出力を候補として扱い、最終的な確定は商品マスタや仕入先の資料と照合する運用にしてください。
精度はどのくらいを目標にすればよいですか
項目別の一致率で90%を最低ラインに置くのが運用しやすい設定です。カット種別のような見た目で判別できる項目は95%以上に届くことが多く、素材や質感のように撮影条件に左右される項目は下振れします。90%を下回る項目は抽出対象から外し、人手に戻すほうが総工数は小さくなります。
楽天市場のどの画面に反映すればよいですか
商品登録画面の商品属性欄とタグID、および検索対策に使う商品名の見直しが主な反映先です。抽出したカット種別データは、商品画像の登録枚数が最大20枚という枠のなかで、どのカットが足りていないかを洗い出す用途に使えます。楽天RMSの一括更新用CSVに変換して流し込む形が扱いやすい進め方です。
他のAIモデルと比べてどこで選ぶべきですか
判断軸は3つです。ウェイトを自社に置く必要があるならKimi K3のようなオープンウェイトモデル、社内にGPU運用の体制がなく単発精度を優先するなら各社のAPIモデル、費用を最小化したいなら軽量モデルという整理になります。1万点規模の定型抽出では、単価と設定の効き幅が精度差より大きく出るケースが目立ちます。
動画素材にも使えますか
動画対応については慎重に判断してください。公式の紹介文では動画理解に言及がある一方、モデルカードのモダリティ欄はテキストと画像の記載にとどまります。動画を前提とした業務設計を組む前に、公式ドキュメントで対応状況を確認することをおすすめします（2026年8月時点で要確認）。
著者：齋藤竹紘（株式会社オルセル 編集長／5,000社以上のEC支援実績／書籍3冊）
参考文献
- Moonshot AI・Kimi K3 モデルカード（Hugging Face）
- MoonshotAI/Kimi-K3 公式リポジトリ（GitHub）
- Kimi K3 技術レポート（PDF）
- the-decoder・Moonshot AI releases Kimi K3 open weights and infrastructure
- OpenRouter・MoonshotAI: Kimi K3 の価格とスペック
※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/
【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
