出来事の日付：2026年8月21日

DeepSeekは、画像の説明、スクリーンショットの読み取り、グラフ分析などの作業に向け、テキストとともに画像を受け付ける実験モデル`deepseek-v4-flash-vision-exp`の画像対応について文書化した。公式APIガイドでは、3種類の入力方法と複数のリクエスト形式との互換性が説明されている。

開発者は、ローカル画像をbase64データURLとして埋め込むか、一般からアクセス可能なHTTPまたはHTTPSアドレスを指定するか、ファイルを一度アップロードしてFiles APIの識別子で参照できる。最初の2つの方法は、OpenAI互換のChat Completionsインターフェースで直接機能し、メッセージ内容はテキストと画像のブロックを含む配列となる。同じ方法は、`input_image`パートを使用するResponses APIでも利用できる。

インラインデータは、48MiBというリクエスト本文の上限に算入される。base64または外部URLで渡す画像は32MiB以下でなければならない一方、Files APIを通じて参照するファイルは64MiBまで可能だ。外部URLは8,192文字に制限され、ダウンロードは60秒以内に完了しなければならない。ガイドは、再利用する画像、より大きなファイル、またはインライン本文の許容量を超えるリクエストにはFiles APIを推奨している。

対応形式はJPEG、PNG、GIF、WebP。DeepSeekによると、形式の判定にはファイル名や申告されたメディアタイプではなく、実際のファイル内容が使用される。リクエストには、合計サイズと寸法の制限に従うことを条件に、最大600枚の画像を含められる。最大寸法はいずれの辺も8,192ピクセルだが、リクエストに15枚以上の画像が含まれる場合は4,096ピクセルに下がる。

URLベースの入力では、`detail`オプションで画像処理を調整できる。low設定では512×512ピクセルにリサイズされる一方、high、original、および現在のautomatic動作では、モデルの標準的なリサイズ段階に入る前まで元画像が保持される。このオプションはFiles APIの識別子では無視される。

課金に際しては、各画像がリサイズ後にトークンへ変換される。小さい画像はアスペクト比を維持したまま拡大され、大きい画像はおおむね800×800ピクセルの領域に縮小される。DeepSeekは画像1枚当たりの上限を384トークンとしており、複数の画像はそれぞれ個別に計上される。

このモデルはDeepSeekのAnthropic互換`/messages`エンドポイントでも利用でき、base64、URL、ファイルのいずれかをソースとする画像ブロックを使用する。文書化されたチャットインターフェースでは、systemまたはassistantメッセージ内の画像は拒否される。画像入力はuserメッセージに限られるが、Responses APIでは、対応するツール出力内への配置も認められている。

この文書は、開発者が実験的なビジョンモデルをテストする方法を明確にしているが、精度のベンチマークを示したり、本番環境での安定性をうたったりはしていない。直接的な変更点はインターフェースのレベルにあり、DeepSeekのユーザーは、明記された制限のもとで、なじみのあるAPI形式を通じて視覚入力とテキスト入力を組み合わせられるようになった。