วิธีใช้งาน DeepSeek V4-Flash-Vision API: คู่มือการป้อนภาพ

โมเดลที่ราคาถูกที่สุดของ DeepSeek รองรับการประมวลผลรูปภาพแล้ว โดย DeepSeek เปิดตัว deepseek-v4-flash-vision-exp เมื่อวันที่ 21 สิงหาคม 2026 โมเดลนี้เป็น V4-Flash ที่เพิ่มความสามารถด้านการมองเห็น ใช้งานผ่าน Production API เดิม และคิดราคาเท่ากับโมเดลข้อความ ภาพหนึ่งภาพถูกคิดเป็นอินพุตไม่เกิน 384 โทเค็น ตามประกาศเปิดตัวอย่างเป็นทางการ โมเดลยังคงความสามารถด้านข้อความของ V4-Flash และ DeepSeek ระบุว่าประสิทธิภาพสำหรับ multimodal agent ใกล้เคียงกับ Opus 4.8

ลองใช้ Apidog วันนี้

คู่มือนี้อธิบายวิธีส่งภาพทั้ง 3 รูปแบบ การตั้งค่า detail ข้อจำกัดที่ต้องตรวจสอบ และแนวทางทดสอบ multimodal request ให้ทำซ้ำได้ เนื่องจาก request ที่มีภาพมักมี payload ขนาดใหญ่และ JSON ซับซ้อน การสร้างและทดสอบ request ใน Apidog จะช่วยลดการแก้ไข JSON ด้วยมือในเทอร์มินัลได้มาก

DeepSeek-v4-flash-vision-exp คืออะไร

โมเดลนี้คือ V4-Flash-0731 ที่เพิ่ม Image Encoder ตามข้อมูลของ DeepSeek ความสามารถด้านข้อความ เช่น agent workflow, การให้เหตุผล และความรู้ทั่วไป เทียบเท่ากับ V4-Flash เดิม

รายการบน OpenRouter ระบุว่าเป็น sparse mixture-of-experts model ที่มีพารามิเตอร์ทั้งหมด 284 พันล้านพารามิเตอร์ และใช้งานจริง 13 พันล้านพารามิเตอร์ต่อการประมวลผล

V4-Flash เป็นสายโมเดลราคาประหยัดของ DeepSeek และการเพิ่ม vision ในราคา Flash ทำให้ต้นทุนต่ำกว่า multimodal API ส่วนใหญ่ในตลาด เราเคยอธิบายโมเดลข้อความไว้ในคู่มือ DeepSeek V4-Flash API

อย่างไรก็ตาม ข้ออ้างเรื่อง benchmark ของผู้ให้บริการควรใช้เป็นจุดเริ่มต้นเท่านั้น ก่อนย้าย workload จริง ให้ทดสอบกับเอกสาร รูปภาพ และเกณฑ์วัดผลของระบบคุณเอง

แม้ชื่อจะลงท้ายด้วย exp แต่โมเดลนี้ใช้งานผ่าน production endpoint เดียวกับ V4 รุ่นอื่น พร้อม rate limit และ SLA เดียวกัน โดยไม่ต้องขอสิทธิ์เข้าถึงเพิ่มเติม

ราคา: ใช้อัตรา Flash รวมรูปภาพ

อัตราค่าบริการเท่ากับ deepseek-v4-flash สำหรับข้อความ ตามหน้าราคา DeepSeek:

ประเภท	นอกช่วงเวลาเร่งด่วน	ช่วงเวลาเร่งด่วน
อินพุต Cache Hit ต่อ 1 ล้านโทเค็น	$0.007	$0.014
อินพุต Cache Miss ต่อ 1 ล้านโทเค็น	$0.22	$0.44
เอาต์พุตต่อ 1 ล้านโทเค็น	$0.66	$1.32

ภาพจะถูกแปลงเป็นโทเค็นอินพุต โดยคิดสูงสุด 384 โทเค็นต่อภาพ ตัวอย่างเช่น ในอัตรา peak แบบ cache miss:

384 / 1,000,000 × $0.44 = $0.00016896 ต่อภาพ

กล่าวคือ ภาพ 1,000 ภาพมีค่าใช้จ่ายประมาณ $0.17 ในส่วนของ image input

ข้อควรใช้วางแผนต้นทุน:

• ช่วง off-peak มีราคาเป็นครึ่งหนึ่งของ peak
• ช่วง peak คือ 01:00–04:00 และ 06:00–10:00 UTC ในวันธรรมดา
• Context caching ใช้ได้กับอินพุตซ้ำ เช่น system prompt หรือ instruction template เดิม
• สาย V4 มี context window 1 ล้านโทเค็น แต่เอาต์พุตที่ใช้งานจริงจะต่ำกว่าขีดจำกัดนี้มาก

สำหรับ batch job ให้ตั้งเวลาออกนอกช่วง peak และออกแบบ prompt ส่วนที่ซ้ำกันให้คงที่เพื่อเพิ่มโอกาส cache hit

สามวิธีในการส่งรูปภาพ

ใช้ DeepSeek Chat Completions endpoint:

https://api.deepseek.com/chat/completions

โมเดลรองรับ Chat Completions, Messages-style และ Responses-style ตามที่อธิบายไว้ในการเปิดตัว V4-Flash Responses API

ให้ส่งภาพในอาร์เรย์ content ของข้อความที่มี role เป็น user

1. ฝังภาพแบบ Base64

เหมาะกับการเรียกใช้ครั้งเดียว ภาพต้องมีขนาดไม่เกิน 32 MiB

import base64
from openai import OpenAI

client = OpenAI(
    [REDACTED CREDENTIAL]
    base_url="https://api.deepseek.com",
)

with open("invoice.png", "rb") as file:
    image_base64 = base64.b64encode(file.read()).decode()

response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "Extract the line items and totals as JSON.",
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/png;base64,{image_base64}"
                    },
                },
            ],
        }
    ],
)

print(response.choices[0].message.content)

2. ส่ง URL ภายนอก

เหมาะเมื่อภาพอยู่บน CDN หรือ URL ที่ DeepSeek เข้าถึงได้จากสาธารณะ โดย URL ยาวได้สูงสุด 8,192 ตัวอักษร

{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/chart.png"
  }
}

3. อ้างอิงผ่าน Files API

อัปโหลดภาพครั้งเดียว แล้วอ้างอิงด้วย file_id ในหลาย request ได้ ภาพสำหรับ Files API มีขนาดได้สูงสุด 64 MiB และ DeepSeek ระบุว่าการอัปโหลดภาพไม่คิดค่าใช้จ่าย

{
  "type": "file",
  "file": {
    "file_id": "file-api-xxxxxxxxxxxxxxxx"
  }
}

เลือกวิธีให้เหมาะกับ workflow:

กรณีใช้งาน	วิธีที่เหมาะสม
วิเคราะห์ภาพครั้งเดียว	Base64 inline
ภาพอยู่บน CDN แล้ว	External URL
ใช้ภาพเดิมในหลาย request	Files API file_id

พารามิเตอร์ detail

กำหนด detail ในแต่ละภาพเพื่อควบคุมการประมวลผลล่วงหน้า:

• "low" — ลดขนาดเป็น 512×512 เหมาะกับงานจัดหมวดหมู่ที่ต้องการความเร็วและต้นทุนต่ำ
• "high" หรือ "original" — เก็บรายละเอียดมากขึ้น เหมาะกับเอกสาร ตาราง ใบเสร็จ และข้อความขนาดเล็ก
• "auto" — ให้ API เลือกระดับที่เหมาะสม

ตัวอย่าง:

{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/invoice.png",
    "detail": "high"
  }
}

DeepSeek ปรับขนาดภาพใกล้เคียง 800×800 เพื่อคำนวณโทเค็น จึงมีเพดาน 384 โทเค็นต่อภาพ สำหรับ OCR บนใบเสร็จ แผนภูมิ หรือ dashboard ให้ทดสอบ "low" และ "high" กับชุดข้อมูลจริง แล้วเปรียบเทียบทั้งความแม่นยำ เวลา และรูปแบบข้อผิดพลาด

ข้อจำกัดก่อนใช้งานจริง

ข้อจำกัด	ค่า
รูปภาพสูงสุดต่อ request	600
ขนาดภาพ Base64 inline	32 MiB
ขนาดภาพผ่าน Files API	64 MiB
ขนาดรวมของ request body	48 MiB
ขนาดภาพ	8,192 px ต่อด้าน
ขนาดภาพเมื่อมี 15 ภาพขึ้นไป	4,096 px ต่อด้าน
ความยาว External URL	8,192 ตัวอักษร
ตำแหน่งของรูปภาพ	ข้อความ user เท่านั้น

ข้อจำกัดที่ทำให้เกิด HTTP 400 บ่อยที่สุดคือการส่งภาพในข้อความ system หรือ assistant ซึ่งจะถูกปฏิเสธ

โมเดลรองรับหลายภาพใน request เดียว และสามารถสลับข้อความกับภาพได้ จึงเหมาะกับ agent loop ที่ทำงานแบบ screenshot → reason → act

DeepSeek ยังเพิ่มการรองรับโมเดลนี้ใน DeepSeek Harness 0.1.1 ในวันเปิดตัว ดูโครงสร้างเพิ่มเติมได้จากภาพรวม DeepSeek Harness และ vision request สามารถใช้งานร่วมกับ tool calling ได้ตามแนวทางในคู่มือ function calling

exp หมายถึงอะไรในการใช้งานจริง

exp เป็นป้ายกำกับว่าโมเดลยังอยู่ในระยะทดลอง ไม่ใช่ข้อจำกัดด้านการเข้าถึง คุณควรคาดว่า model ID หรือพฤติกรรมของโมเดลอาจถูกปรับปรุงหรือแทนที่ได้ในระยะเวลาอันสั้น

แนวทางที่ควรทำ:

1. กำหนด model ID ไว้จุดเดียว อย่าฮาร์ดโค้ด deepseek-v4-flash-vision-exp หลายตำแหน่ง ใช้ environment variable หรือ config กลางแทน

   DEEPSEEK_VISION_MODEL=deepseek-v4-flash-vision-exp

1. เตรียม fallback สำหรับงานข้อความ
   
   ส่ง workload ที่ไม่มีภาพไปยัง deepseek-v4-flash ซึ่งเป็น model ID ที่เสถียรกว่า

2. เก็บผลการประเมินไว้เสมอ
   
   บันทึก input, expected output, actual output และคะแนนของโมเดล เพื่อเปรียบเทียบก่อนและหลังเมื่อ DeepSeek ออกเวอร์ชันใหม่

ตัวอย่างคำนวณต้นทุน: ประมวลผลใบแจ้งหนี้

สมมติว่าคุณประมวลผลใบแจ้งหนี้สแกน 50,000 ฉบับต่อเดือน โดยแต่ละรายการมี:

• ภาพ 1 ภาพ
• instruction prompt 200 โทเค็น
• JSON output เฉลี่ย 400 โทเค็น

คำนวณที่อัตรา peak แบบ cache miss:

ส่วน	การคำนวณ	ต้นทุน
อินพุตภาพ	50,000 × 384 = 19.2M โทเค็น	$8.45
อินพุตข้อความ	50,000 × 200 = 10M โทเค็น	$4.40
เอาต์พุต	50,000 × 400 = 20M โทเค็น	$26.40

หาก instruction เดิมได้รับ cache hit อินพุตข้อความอาจลดจากประมาณ $4.40 เหลือประมาณ $0.14

รวมแล้ว ต้นทุนอยู่ราว $35–$40 ต่อเดือนในช่วง peak และลดลงได้ประมาณครึ่งหนึ่งเมื่อรัน batch นอกช่วง peak

จุดสำคัญคือ output token มีสัดส่วนต้นทุนสูงสุด ดังนั้นการบังคับให้ตอบ JSON แบบกระชับมักลดค่าใช้จ่ายได้มากกว่าการลดขนาดภาพ

ตัวอย่าง instruction ที่กระชับ:

Return valid JSON only:
{
  "invoice_number": "",
  "invoice_date": "",
  "currency": "",
  "line_items": [
    { "description": "", "quantity": 0, "unit_price": 0, "total": 0 }
  ],
  "grand_total": 0
}

ทดสอบ multimodal request ใน Apidog

การทดสอบ image request ด้วยมือมักทำซ้ำยาก เพราะ Base64 ทำให้ JSON อ่านลำบาก และการเปรียบเทียบค่า detail ต้องแก้ payload ที่เกือบเหมือนกันหลายชุด

ใช้ workflow นี้แทน:

1. สร้าง request กลางเพียงรายการเดียว
   
   เก็บ model ID, ค่า detail และข้อมูลภาพเป็นตัวแปร เช่น {{model_id}} และ {{detail}}

2. ใช้ pre-request script สำหรับ Base64
   
   ให้สคริปต์อ่านและเข้ารหัสภาพก่อนส่ง request เพื่อให้ body ที่มองเห็นยังคงอ่านง่าย

3. ตรวจสอบผลตาม schema
   
   หากคาดหวัง JSON ให้ parse response และตรวจสอบฟิลด์ที่ต้องมี แทนการดูด้วยตาว่า “คำตอบดูเหมือนใช้ได้”

4. ทดสอบหลายค่า detail ด้วยชุดข้อมูลเดิม
   
   สร้าง environment หรือ test case แยกสำหรับ "low", "high" และ "auto" เพื่อเปรียบเทียบผลได้อย่างยุติธรรม

5. Mock response สำหรับ frontend
   
   ระหว่างปรับ prompt ให้ใช้ smart mock เพื่อส่ง response ตาม schema โดยไม่ต้องใช้ API call ทุกครั้ง

ดาวน์โหลด Apidog ได้ฟรี แล้วบันทึก request และ assertion ไว้เพื่อรันทดสอบซ้ำทุกครั้งที่ DeepSeek อัปเดตโมเดล experimental

คำถามที่พบบ่อย

deepseek-v4-flash-vision-exp ฟรีหรือไม่?

ไม่ฟรี แต่ราคาใกล้เคียงมากเมื่อเทียบกับ multimodal model ระดับเรือธง ภาพถูกคิดเป็นอินพุตสูงสุด 384 โทเค็นต่อภาพ และ DeepSeek ระบุว่าพื้นที่เก็บภาพใน Files API ฟรี คุณจะถูกคิดค่าบริการเมื่อส่งภาพเข้าสู่ request

โมเดลนี้จะมาแทน deepseek-v4-flash หรือไม่?

ไม่ โมเดลข้อความยังเป็น ID ที่เสถียรกว่า แม้ vision model จะมีความสามารถด้านข้อความเทียบเท่า แต่แนวทางที่ปลอดภัยคือส่งเฉพาะ request ที่มีภาพไปยัง deepseek-v4-flash-vision-exp

ใช้กับ API รูปแบบ Anthropic ได้หรือไม่?

ได้ DeepSeek V4 endpoint รองรับ Chat Completions, Messages-format และ Responses-format ดังนั้น client ที่ใช้หนึ่งในรูปแบบเหล่านี้สามารถเพิ่ม image block ได้โดยไม่ต้องเปลี่ยนรูปแบบ API หลัก ดูกลไก endpoint ที่ใช้ร่วมกันในคู่มือ V4 Pro API

ราคาเทียบกับ GPT หรือ Claude Vision เป็นอย่างไร?

ที่ $0.22–$0.44 ต่อ 1 ล้านโทเค็นอินพุต และจำกัดภาพที่ 384 โทเค็นต่อภาพ โมเดลนี้มีราคาต่ำกว่า multimodal model ระดับเรือธงอย่างมาก อย่างไรก็ตาม ให้ตัดสินจากความแม่นยำกับ workload ของคุณเอง ไม่ใช่ราคาเพียงอย่างเดียว

สรุป

deepseek-v4-flash-vision-exp เพิ่มความเข้าใจภาพบน production endpoint ในราคา Flash มี 3 ทางเลือกสำหรับส่งภาพ และมีข้อจำกัดที่ชัดเจนซึ่งสามารถออกแบบระบบรองรับได้

เริ่มจากสร้าง request เดียวใน Apidog กำหนดตัวแปรสำหรับ model และ detail เพิ่ม assertion สำหรับ JSON response แล้วเก็บผล evaluation ของชุดข้อมูลจริงไว้ เมื่อ DeepSeek อัปเดตหรือออกเวอร์ชันที่เสถียร คุณจะสามารถเปรียบเทียบผลและตัดสินใจย้ายระบบได้ทันที