DeepSeek Vision APIがマルチモーダル画像処理機能を公開

DeepSeek が deepseek-v4-flash-vision-exp モデルのビジョン機能に関する API ドキュメントを公開した。テキストとともに画像を受け入れ、スクリーンショットのテキスト読み取りやチャート分析など多様な用途に対応する。

DeepSeek が https://api-docs.deepseek.com/guides/vision/ にて deepseek-v4-flash-vision-exp モデルのビジョン API ドキュメントを公開した。本モデルはテキストと同時に画像を受け入れ、画像の説明、スクリーンショット内のテキスト読み取り、チャート分析など複数の視覚的タスクに対応する。

対応フォーマットと提供方法

モデルが対応する画像フォーマットは JPEG、PNG、GIF、WebP である。ファイル名や宣言された MIME タイプではなく、ファイルの実際の内容からフォーマットが判定される。

画像を提供する方法は 3 つある。Base64 エンコード形式ではリクエスト本文に直接データ URL として埋め込む方法、外部画像 URL を指定する方法、Files API リファレンスを用いる方法である。すべての方法は OpenAI 互換の Chat Completions フォーマットおよび Anthropic 互換エンドポイントに対応している。

技術仕様と制限

Base64 エンコードおよび外部 URL 方式における単一画像の最大サイズは 32 MiB、Files API ファイル ID 経由の場合は 64 MiB である。外部 URL は最大 8192 文字で、http または https で公開アクセス可能である必要があり、ダウンロード完了は 60 秒以内に行われる必要がある。Files API は同一画像を複数リクエスト間で再利用する場合に最適なオプションとされている。

リクエスト全体の制限は、リクエスト本文サイズが 48 MiB、リクエストあたりの最大画像数が 600 である。最大総画像サイズはファイル ID 画像を含まない場合 64 MiB、含む場合は最大 200 MiB である。画像寸法の上限は 1 辺あたり 8192 px だが、リクエストが 15 以上の画像を含む場合は 4096 px に低下する。

詳細度設定とトークン計算

image_url 入力に対して詳細度を low、high、original、auto に設定可能である。Low 詳細度は推論前に画像を 512×512 に縮小する。High 詳細度は元の画像を保持し、Auto 詳細度は現在 original と同等である。

画像はその寸法に基づいてトークンに変換される。総ピクセル数が約 384×384 より小さい画像はアスペクト比を保持しながらスケールアップされ、より大きな画像は縮小されて総ピクセル数が約 800×800 画像の大きさになる。上限は画像あたり 384 トークンであり、リクエスト内の複数画像はそれぞれ独立してカウントされる。

API 互換性と利用制限

画像はユーザーメッセージにのみ対応し、システムまたはアシスタントメッセージ内の画像は 400 エラーを返す。Vision モデルのみが画像を受け入れ、その他のモデルも 400 エラーを返す。DeepSeek は https://api.deepseek.com/anthropic にて Anthropic 互換エンドポイント /messages を提供し、image_url ではなく image ブロックと source オブジェクトを使用する。Anthropic 互換 Files API は anthropic-beta ヘッダーに files-api-2025-04-14 を要求する。deepseek-v4-flash-vision-exp モデルは OpenAI 互換 Responses API を通じた画像入力にも対応し、input_image パートが Chat Completions と同じセマンティクスで detail フィールドをサポートする。

この記事は元記事の事実のみに基づいて自動生成されました。

出典

DeepSeek API Documentation, "Vision | DeepSeek API Docs", https://api-docs.deepseek.com/guides/vision/