コストゼロのAIビジョンモデル

ビジョンモデルの価格が急落しました。DeepSeekは現在、写真1枚あたりわずか0.00008ドルという低価格で画像処理を提供しています。これは単に安いというだけでなく、変革的です。オフピーク時には1ドルで約11,800枚の画像を処理可能です。14枚の写真を使った簡単なテストでは1ペンス未満のコストしかかからず、大量の処理が必要なアプリケーションや統合サービスにおいて十分な実用性があることが証明されました。

この前例のない手頃な価格は、画像処理に対して「固定384トークン制限」を設けるという巧妙な技術的決定によるものです。元の解像度に関係なく、入力画像は一貫して最小限のトークン数しか消費しません。システムは小さな画像を約384x384ピクセルに拡大し、大きな画像を800x800ピクセルに縮小し、常にアスペクト比を維持します。このコストと画素数の切り離しは、高スループットのビジョンタスクにおけるゲームチェンジャーです。

初期の実験的リリースである「DeepSeek-V4-Flash-Vision-Exp」と、それに続いて迅速にリリースされた改良版「DeepSeek-V4.1-Flash」を紹介します。このスパースなMixture-of-Experts (MoE) モデルは、合計2,840億のパラメータのうち130億のアクティブパラメータを活用し、驚異的な能力を発揮します。DeepSeekの積極的かつ迅速なリリース戦略は、既存の高コストな競合他社に直接挑戦するものであり、ビジョンモデルの経済性とパフォーマンスの再評価を迫っています。

DeepSeek Visionは、明瞭で太い文字を驚くべき精度で処理します。テスト中、ピーナッツバターの瓶にある「Meridian, fully roasted and smooth」や、紅茶の箱にある「Yorkshire Tea, Decaf, Let's have a proper brew」といった目立つパッケージのテキストを正確に解析しました。コントラストが高く大きなフォントのタイポグラフィに対しては、初期のOCRとして堅実かつ費用対効果の高いベースラインを提供します。

しかし、DeepSeek Visionは細かい文字や微妙な詳細の認識に大きな苦戦を強いられます。ピーナッツバターのラベルにある重要な「15 grams」という栄養成分表示を「30 grams」と誤読し、「no palm oil ever」や「plant-based compostable tea bags」といった小さく重要なバッジを一貫して見落としました。さらに悪いことに、Jammie Dodgersのパッケージに対して「The Rise of Gru」と幻覚（ハルシネーション）を起こし、画像の内容ではなく学習データの文脈に基づいてテキストを捏造しました。

これらの認識の失敗はランダムなものではなく、DeepSeek Visionの積極的な「画像前処理」に直接関係しています。このモデルは、大きな入力画像を約800x800ピクセルに縮小し、小さな画像を384x384ピクセルに拡大します。分析前に行われるこの重要なステップにより、小さな文字やバッジが消えてしまうなど、重要な「詳細情報」が失われることがよくあります。このトレードオフは、完璧なピクセルレベルの忠実度よりも、信じられないほどの低コストと処理速度を優先した結果です。

DeepSeek Visionはニュアンスの理解に苦労します。例えば、リンゴの写真を「黄色い桃」と自信を持って識別しました。対照的にClaudeは、それを「リンゴ」と名付けただけでなく、具体的に「Gala apple（ガラ種）」と特定し、優れた文脈理解と「きめ細かな物体識別能力」を実証しました。

DeepSeek Visionが輝くのは、曖昧さのない識別です。「ビクトリア朝様式の街灯」、「伝統的な金属製の公園のベンチ」、そして正確に「Tesla Model 3」を認識しました。明確で一般的な物体やシーンに対しては、そのパフォーマンスは確実に正確であり、広範な分類タスクにおける有用性を証明しています。

エラーは完全な失敗ではなく、部分的な正しさとして現れることがよくあります。DeepSeekは葉を「葉」と認識しましたが、それを「アメリカスズカケノキ」と誤認しました。実際の種は「モミジバスズカケノキ」であり、Claudeはこれを正確に識別しました。このことは、DeepSeekの植物学的な知識における限界と、文脈理解の細かさがやや不足している可能性を示唆しています。

こうした癖はあるものの、DeepSeek Visionはコストを考慮すれば一般的な物体認識を効果的にこなします。明確で特徴的なアイテムを分類する能力に長けており、超高精度な詳細を必要としないアプリケーションにとっては強力な選択肢となります。そのアーキテクチャや機能の詳細については、DeepSeek | Into the Unknownをご覧ください。このモデルの低価格設定は、特に大量の画像を扱う広範な分類ワークフローにおいて、時折発生する誤認識を補って余りあるものです。

DeepSeek Visionは価格性能比の常識を覆します。写真1枚あたりわずか0.00008ドルという価格で、1ドルあれば11,800枚の画像を処理できます。この前例のない手頃な価格は、効率的なアーキテクチャによるものです。画像1枚あたり約90個のKVキャッシュエントリを使用しており、これはClaudeの約870個と比較して約10倍のKVキャッシュ上の優位性を誇ります。

この圧倒的な速度とコスト効率には、明確なトレードオフが存在します。それは、最高レベルの精度が二の次になるということです。DeepSeek Visionは鮮明で太い文字の認識には優れていますが、ぼやけたラベルや微妙なニュアンスの物体識別（誤認されたリンゴや見落とされた「no palm oil ever」のバッジなど）には苦戦します。また、「The Rise of Gru」のような無関係な詳細を付け加えるハルシネーションも発生します。

では、これがあなたの次のVision APIでしょうか？精度よりも量と速度を優先するワークフローであれば、間違いなくそうです。以下のような用途に導入してください：

• 大量のコンテンツモデレーション
• 画像の一次タグ付け
• 「Tesla Model 3」ではなく「車」と分かれば十分な一般的な物体検出

正確な成分スキャンや種の識別など、細心の注意を要するタスクには、依然として高コストで高精度なモデルが不可欠です。DeepSeek Visionは外科手術用のメスではなく、強力で低コストな作業馬（ワークホース）です。

DeepSeek Visionとは何ですか？

DeepSeek Visionは、DeepSeek AIが提供する非常にコスト効率の高いマルチモーダルAIモデルファミリーです。テキストと画像の両方を処理し、画像の説明、物体検出、テキスト認識などのタスクを、競合他社よりもはるかに低いコストで実行します。

なぜDeepSeek Visionはこれほど安いのですか？

その低コストの主な理由は、元の解像度に関係なく画像処理を384トークンに制限する効率的なアーキテクチャにあります。これにより、各分析に必要な計算リソースが大幅に削減され、大規模な運用において経済的になります。

DeepSeek VisionはGPT-4oやClaude 3.5 Sonnetのようなモデルと同等の精度を持っていますか？

DeepSeek Visionは、絶対的な精度よりもコスト効率と速度を優先しています。非常に小さな文字の読み取りなど、細心の注意を要するタスクでは、OpenAIやAnthropicのモデルの方が優れている場合があります。多くの一般的な視覚タスクにおいて、そのパフォーマンスは非常に競争力があります。

DeepSeek Visionの最適なユースケースは何ですか？

大規模なコンテンツモデレーション、基本的な画像分類、完璧な精度が最優先事項ではないメディア資産の初期説明文の生成など、大量かつコストに敏感なアプリケーションに最適です。