DeepSeek V4 Flash Vision Exp、何ができる？「Claude Opus 4.8に迫る」主張と料金を整理

2026年8月21日、DeepSeekは画像理解に対応した実験的モデル「DeepSeek-V4-Flash-Vision-Exp」をAPIプラットフォームで公開しました。モデルIDは deepseek-v4-flash-vision-exp。従来のV4-Flashが持つテキスト、推論、エージェント、世界知識の能力を保ちながら、画像を入力できるようにしたモデルです。DeepSeekは、マルチモーダル・エージェントの性能がClaude Opus 4.8に近づいたと説明していますが、この比較は現時点では同社の主張として見るのが妥当です。

DeepSeek V4 Flash Vision Expとは

このモデルの最大の変更点は、テキストだけでなく画像と組み合わせて処理できることです。JPEG、PNG、GIF、WebPに対応し、画像の説明、スクリーンショット内の文字の読み取り、画像に関する質問への回答、グラフ分析などに利用できます。

モデル名の末尾にある「Exp」はExperimental、つまり実験版を意味します。正式な安定版モデルや、長期間の運用実績がある本番向けモデルと同じ感覚で扱うのではなく、まずは評価環境や管理されたワークフローで試す位置づけです。

APIと開発者向け機能

DeepSeekは、Chat Completions APIとResponses APIの双方で deepseek-v4-flash-vision-exp をモデルIDとして指定できると案内しています。 テキストと画像を混在させたリクエストに対応しており、画像はインラインデータ、外部URL、Files APIなどの方法で渡せます。

この構成は、単純な画像問答だけでなく、エージェント開発にも向いています。たとえばエージェントがスクリーンショット、グラフ、スキャン文書を読み取り、その結果に応じて次に呼び出すツールを選ぶ、といった処理が可能になります。

DeepSeekはCodex向けの連携手順も公開しており、Vision Expを画像入力に対応した選択肢として示しています。 また、DeepSeek Harness 0.1.1には同モデルのサポートが追加されました。

一方、GitHub Copilot向けの公式ドキュメントでモデルピッカーに明記されているのはV4 ProとV4 Flashです。同ドキュメントは画像処理を別のインストール済みCopilotモデルで行う仕組みを説明しているものの、Vision Expがそのピッカーから直接利用できることまでは確認していません。

性能：「Opus 4.8に近い」はどこまで確かか

DeepSeekの主張は大きく2つあります。第一に、テキスト分野ではV4-Flashと同等の能力を維持していること。第二に、視覚理解が必要なエージェント系ベンチマークで大きく向上し、マルチモーダル・エージェント性能がClaude Opus 4.8に近づいたことです。

二次報道では、Chartographyが64.3、ApexBench Pass@1が36.5、Agents' Last Examが27.3、ZeroBench Pass@5が35.0という数値も紹介されています。 ただし、これらはDeepSeekの発表を報じた情報であり、異なるAI企業のモデルを同一プロンプト、同一ツール環境、同一の遅延・失敗率・料金条件で比較した、詳細な独立評価ではありません。

したがって「Opus 4.8に近い」という表現から、次のような結論を導くことはできません。

• Claude全体を上回る
• すべてのタスクでOpus 4.8と同等である
• 本番環境で同じ信頼性を持つ
• OpenAI、Google、他の中国系モデルより優れている

現時点で最も慎重かつ妥当な評価は、Vision Expが実際に公開された画像対応APIモデルであり、視覚入力が必要なタスクではテキスト専用のV4-Flashから大きく前進した可能性がある、というものです。競合モデルに対する正確な位置づけは、独立した比較結果を待つ必要があります。

料金はClaude Opus 4.8より大幅に安い

モデル掲載情報では、Vision Expの料金は入力100万トークンあたり0.22ドル、出力100万トークンあたり0.66ドルです。コンテキスト長は100万トークンとされています。 DeepSeekの公式料金表にも同モデルが掲載され、料金は100万トークン単位で計算されます。

画像もAPI上ではトークンに変換されて課金されます。DeepSeekの案内を引用した報道によれば、画像1枚あたり最大384トークンを占める場合があります。 そのため、実際の費用はテキストの量だけでなく、画像の枚数やサイズ、出力の長さ、同じコンテキストを繰り返し送る回数によって変わります。

Anthropicが公開しているClaude Opus 4.8の通常料金は、入力100万トークンあたり5ドル、出力100万トークンあたり25ドルです。キャッシュや高速モードには別料金が設定されています。

単純なトークン単価だけを比べれば、DeepSeekのほうが大幅に安価です。ただし、これはワークフロー全体の総費用を意味しません。再試行が多い、ツール呼び出しを誤る、画像の前処理が必要になるといった場合、安いモデルでも最終的な運用コストが増える可能性があります。

Claude Opus 4.8との違い

両モデルは用途が重なる一方、位置づけは異なります。

• DeepSeek V4 Flash Vision Exp：低コストな「Flash」系モデルに画像理解を加えた、実験的・API中心のマルチモーダルモデル。画像とテキストを組み合わせたエージェント処理を主な対象とし、掲載料金はOpus 4.8を大きく下回ります。
• Claude Opus 4.8：Anthropicの最上位モデル。努力量の調整や高速モードなどを備え、モデル単体だけでなく、製品・開発基盤を含めた運用環境が整っています。通常料金は入力5ドル、出力25ドルです。

DeepSeekの狙いは明確です。画像理解を比較的安価なFlash系モデルに組み込み、マルチモーダル・エージェントの領域でプレミアムモデルに近い性能を目指しています。一方、Opus 4.8の比較上の強みは、今回の資料からすべてのベンチマークで優れていると断定できることではなく、より成熟した製品面、ツール群、運用実績にあります。

スクリーンショットの読み取りやグラフ抽出のような処理なら、Vision Expの品質が十分であれば大幅なコスト削減につながる可能性があります。しかし、自律的にツールを操作する高リスクな業務では、正確さだけでなく、処理の一貫性、ツール引数の誤り、拒否の挙動、監視性、障害からの復旧も比較すべきです。

モデル市場にとっての意味

今回のリリースが注目される理由は、画像理解が単独の画像問答機能ではなく、エージェントの中核機能になりつつあるためです。コーディングエージェントは画面キャプチャを読み、ブラウザエージェントはページを解釈し、企業向けシステムは文書やグラフをツール呼び出しと組み合わせる必要があります。

DeepSeek V4シリーズは長いコンテキストとエージェント処理を重視しており、同社はV4-Flashをより高速で経済的な選択肢として位置づけています。 Vision Expは、画像専用モデルを別に用意するのではなく、その方向性をマルチモーダル・エージェントへ拡張したモデルといえます。

ただし、これだけでDeepSeekがAnthropic、OpenAI、Google、あるいは他の中国系研究機関を総合的に上回ったと判断するのは早計です。提供された情報には、各社モデルを同一条件で比べた独立評価がなく、実験的なAPIモデルと成熟した本番向けフラッグシップモデルは同じ基準で扱えないからです。

開発者は試すべきか

試す価値はあります。ただし、いきなり重要業務に導入するのではなく、比較条件をそろえた評価から始めるべきです。

Claude Opus 4.8や現在の本番モデルと、同じ画像・ツールタスクをVision Expに実行させ、次の項目を記録すると判断しやすくなります。

1. 小さな文字、表、グラフを含む画像の理解精度
2. ツール選択とツール引数の誤り
3. 再試行や人による修正なしで完了した割合
4. レスポンスの遅延と出力トークン数
5. テキスト、出力、画像トークンを含む費用
6. 曖昧、破損、誤解を招く画像への対応
7. 繰り返し実行やプロンプト変更に対する安定性

結論として、DeepSeek V4 Flash Vision Expは、低い掲載料金と既存のエージェント向けAPIを備えた、有力な新しいマルチモーダル実験モデルです。「Claude Opus 4.8に近い」という性能主張は試験する価値がありますが、独立した事実として受け入れるには、まだ検証が足りません。