DeepSeek-V4.1-Flash-1017：45から46への推測、3文の変更履歴、そして両方のスコアボードが共有する1行

DeepSeek-V4.1-Flash-1017は実在し、公開からまだ1日です。2026-10-17付の変更履歴エントリを読むことも、Hugging FaceからMITライセンスの7,630億パラメータの重みをダウンロードすることも、変更されていないdeepseek-flashモデル文字列で、変更されていない料金表のまま今すぐ呼び出すこともできます。できないのは、それがどこにランクされるかを調べることです。DeepSeek V4.1 Flashに関する、アップデート公開翌日の最も実質的な投稿は、結果ではなく推測でした。このラボを熱心に追う人物は、モデルが最終的に付けるArtificial Analysis Intelligence Indexスコアを45〜46と見積もり、予測ではGrok 4.7をそれがわずかに上回る数字とし、AA-Omniscienceをそれを打ち負かす評価とし、提示したのは57%をVals Indexにおける妥当な期待値とするものでした。これらの数字はどれも、まだ1017の行がないスコアボードについての予測です。リリースは事実です。順位は賭けであり、興味深いのは、なぜ今日それを誰も確定できないのかという点です。

10月17日に実際に出荷されたものは何ですか

一次情報は短い。D​eepSeekの2026-10-17の変更履歴エントリには、V4.1 Flashが「D​eepSeek-V4.1-Flash-1017にアップグレードされた」こと、Webモデルとアプリモデルもそれに伴って移行したこと、「APIの呼び出し方法と価格は変更されていない」こと、そしてdeepseek-flashへの呼び出しが最新モデルに到達することが記されている。仕様レベルでの主張はこれで全部だ。対応するリポジトリ deepseek-ai/D​eepSeek-V4.1-Flash-1017 は、10月17日02:40 UTCに作成され、同日05:46 UTCに最終更新された。そのsafetensorsインデックスは、BF16、F32、F8_E4M3、I8のテンソル型にまたがる合計763,205,315,794個のパラメータを記録している。ライセンスはMITだ。これに関する漏えいは一切ない。

変更履歴には、数値ではない3つの事項が追加されている。更新を「性能とコストのパレート改善」と呼んでいる。チューニング対象となったハーネス——DeepSeek Harness、Tencent CodeBuddy、WorkBuddy——を挙げ、ユーザーにDeepSeek Harness 0.2.1-rc.1以降へ移行するよう促している。さらに、アニメーションとして描画された4つのプロジェクトデモを紹介している。紫禁城の3Dモデル、ブラウザレースゲーム、Godotで制作されたPortal 2のリメイク、そして「Valley of Ages」と呼ばれる3Dシーンだ。これらは測定値ではなくマーケティング資料であり、本記事がそれらをスコアとは別の段落に置いている理由でもある。

何が変わらなかったかは、変わったことと同じくらい重要な意味を持ちます。なぜなら、そこにはお金が絡んでいるからです：

• 料金表 — 変更なし。キャッシュヒット入力はピーク時で100万トークンあたり0.006ドル、オフピーク時で0.003ドル。キャッシュミス入力は0.30ドル／0.15ドル、出力は1.20ドル／0.60ドル。ピーク時とはUTC月曜日から金曜日の01:00～04:00および06:00～10:00を指し、中国の祝日は除きます。

• モデル文字列 — 変更なし。deepseek-flash は 1017 チェックポイントに解決されるようになりました。廃止された名前 deepseek-v4-flash および deepseek-v4-flash-vision-exp は引き続き受け付けられ、引き続きそこへルーティングされ、Flash 料金で課金されます。

• Envelope — カードレベルでは変更なし。コンテキストウィンドウは100万トークン、max_tokensは256K以上、temperature 1.0とtop_p 1.0を推奨。

• パッケージング上の難点 — これも変更なし。Jinjaチャットテンプレートは依然として存在しない。リポジトリは参照実装としてencoding/encoding.pyを提供しており、マルチターン会話、ツール呼び出し、思考モード、数値による推論エフォート、会話途中のシステムメッセージ、インターリーブされた画像をカバーし、本番利用者にはPythonバインディングを備えたRustライブラリであるdeepseek-recipeを指し示している。

1017カードはアーキテクチャを再掲していない。このファミリーの形——552Bバックボーン、20層の因果エンコーダーと20層のデコーダーに分かれたCausal Encoder-Decoder、プリフィル時の8Bパラメータとデコード時の16Bパラメータの非対称なアクティベーション、トークンあたり6個がアクティブな384のルーティング済みエキスパート、CSA2アテンション、FP4メインKVキャッシュ、196B Engram条件付きメモリ——は、9月のカード、技術レポートPushing the Limits of KV Cache Compression、およびモデルカード自身の引用に由来する。これらの数値を求める読者は、それらを主張したことのない1017ページではなく、9月の文書から取るべきだ。

ベンダー行は11行、そしてインデックスが実際に読み取るのはそのうちの1行

ベンダーのベンチマーク表は、このリリースで唯一比較可能な成果物であり、変更履歴では画像として、モデルカードではMarkdown表として公開されている。モデルカードから読むと、「1017」列対「September」列は次のとおりである。HLE（ツールなし）は42.6（テキストのみのサブセットでは44.0）対36.8（39.1）、Terminal-Bench 4.0は42.3対31.2、DeepSWE v1.1は77.0対74.2、ProgramBenchは29.1対20.3、NL2Repo-Benchは68.2対65.4、Automation-Bench v1.0.6は60.5対54.8、Agents' Last Examは35.4対31.8、Apex Bench v1.1は72.1対64.6、Chartography（ツール使用時）は83.0対78.9、BabyVision（ツール使用時）は92.5対89.6、ZeroBench-main（ツール使用時）は51.0対49.0。11行すべてが上昇している。表には2つの脚注による補足がある。ダガー記号はHLEのテキストのみのサブセットを示し、Terminal-Bench 4.0はC​laude Codeハーネスで実行され、一方DeepSWE v1.1はMini-SWE-V2で実行された。

次に、これを「45から46」という推測が対象としているArtificial Analysis Intelligence Indexと突き合わせてみよう。現在のインデックスバージョンは4.3.2で、4つの区分に属する10個の評価を重み付けして合成したものである。区分はエージェント30%、コーディング20%、科学的推論20%、一般30%だ。重みは公開されており、それが議論のすべてである。AA-Briefcase v1.1が15%を占める。AA-Omniscienceが15%で、正確性10%と非ハルシネーション率5%に分かれる。Terminal-Bench 4.0が10%を占める。HLEが10%を占める。研究レベルの未公開物理学問題集であるCritPtが10%を占める。GDPval-AA v2.1が10%、GDP.pdfが10%、SciCodeが10%、AutomationBench-AAが5%、AA-LCR v1.1が5%を占める。

それら10個の評価のうち、DeepSeekの11行の表に同じ名前と同じ構成で載っているのは1つだけだ。Terminal-Bench 4.0で、インデックスの10分の1の値だ。HLEは双方に現れるが同一ではない。ベンダー側の列は純テキストのサブセットであり、インデックス側は2,158問のテキストのみのセットを実行している。インデックスが読むその他すべて、最も重い2つの構成要素を含め、ベンダーの行はまったくない。それが推測の背景にある仕組みであって、ラボへの批判ではない。ベンダーの表と複合インデックスは異なる部品から作られており、重なりは1行分の幅しかない、というだけのことだ。

45–46はどこから来るのか、そしてなぜそれを確認できないのか

この予測は9月のスコアに対する算術的な見積もりだ。Artificial Analysisは現在、9月のDeepSeek V4.1 Flashチェックポイントを39と、最大エフォートの推論構成で評価しており、これはIntelligence Indexで120モデル中9位、同サイズクラスのオープンウェイトモデルの中央値19を大きく上回る位置づけとなる。同じエントリはインデックスタスクあたり$0.27のコスト、毎秒175.9出力トークン、最初のトークンまでの時間1.23秒を記録している。したがって45から46という予測は、1回のチェックポイント差し替えでおよそ6〜7インデックスポイントを主張するものだ——単一ステップとしては異例に大きな動きであり、まさにそのために投稿者はそれを予測するのではなく「悪くないだろう」と慎重な表現で留めたのだ。

そこに着地すれば、1017は競合ひしめく集団に入ることになる。現在46の位置にいるのは、xhigh と high の Grok 4.7、low effort の MiMo-V2.6-Pro と G​PT-6 Astra だ。45には Qwen3.8-Max (0902)、xhigh の M​use Spark 1.3、max の G​LM-5.3 が並ぶ。44には S​tep 5 Preview と max の Kimi K3 が並ぶ。6〜7ポイントあれば、D​eepSeek の低価格帯をオープンウェイト群の下からその中ほどへ移せる。そして投稿者が選んだ「G​rok より良い」という比較は、45か46なら G​rok 4.7 自身のエフォート設定で文字通り正しくなり、しかもタスクあたりのコストは一桁安い、という比較だ。それがこの推測の有用な形である。整数ではなく、それが示す価格対スコアの位置なのだ。

ベースラインそのものに注意すべき理由がもう一つある。9月に公開された第三者の記事は、9月時点のチェックポイントを指数で40、113中6位と引用していた。一方、サイトでは今日、名前付きの指数バージョンにおいて39、120中9位と表示されている。同じ重み付けでありながら公表される整数が異なるのは、指数にバージョンがあり、その母集団が増えているからだ。すでに二度動いた数値に基づく予測は砂上の楼閣であり、45〜46という主張の誠実な形は、範囲についての範囲だ。

Omniscienceの予測は、メカニズムを備えている方の予測です。

このシグナルの中で、「1017はOmniscienceでまた大きくスコアを落とす」という主張は、雰囲気ではなく検証可能なメカニズムに支えられた部分だ。AA-Omniscienceは合格点のある知識クイズではない。42のトピックにまたがる約6,000問で事実の信頼性を採点し、正解には加点し、ハルシネーションには減点し、回答放棄は中立とする——つまり、回答を控える方が誤って推測するより良い。エージェント的なスループットと短い出力に最適化されたモデル、つまり1017の変更履歴が描写しているものは、回答あたりの熟考トークンが少ないモデルだ。自信満々の誤答にペナルティを与える指数でそれが有利に働くか不利に働くかは、真に未解決の問いであり、その文の「また」は重要な役割を果たしている。つまり、9月のチェックポイントはすでにそこで期待を下回っていたことを示唆する。この指数はOmniscienceの精度と非ハルシネーション率を別々の数値として公開しているが、D​eepSeekのモデルページはベンチマーク別の数値を表に出していないため、9月のOmniscienceの内訳は現在サイトからは読み取れない。その予測はもっともらしく、現時点では反証不可能だ。

同じ批判のもう半分、つまりインデックスが「壊れたCritPtを依然として使っている」という指摘は、この合成インデックスの本質的な性質を突いている。CritPtは研究レベルの未公表物理学であり、答えがまだ訓練データに含まれていない問題だ。そのため汚染に強く、同時にノイズが多く更新も遅い。これはインデックスの10分の1を占め、HLEやTerminal-Bench 4.0と同じ重みを持つ。CritPtの行を一度も公開したことのないモデルファミリーは、そのモデルについて行われるあらゆる予測に10%の盲点を持ち込んでいる。批判の二つの半面は実のところ同じ観察だ。インデックスとベンダーは異なるものを測っており、予測はその隔たりを仮定で埋めなければならない。

Vals numberは、ベースが異なる別のボードです。

57%という数字は独立した段落にする価値がある。なぜなら、それは公表された数値に対応するシグナルの唯一の部分であり、その対応は正しい方向に1年ずれているからだ。Vals AIのインデックスでは、9月のDeepSeek V4.1 Flashが57.86%で、56モデル中15位、オープンウェイトの最上位であり、Kimi K3の57.81%をわずかに上回り、公表値はテスト1回あたり$0.30となっている。したがって「Valsで57%なら妥当に聞こえる」は上方向への投影ではない。9月のチェックポイントがすでにオープンウェイトの首位だったボード上で、ほぼ横ばいの性能を投影しているのだ。2つのボード、2つの異なる期待が、同じ投稿者から同じ文の中で示されている。インデックスでは大きく向上し、Valsではまったく向上しない。この非対称性こそが投稿の中で最も情報量の多い点だ。なぜなら、投稿者は1017の向上が、インデックスが重く重み付けしValsが軽く重み付けする評価、つまりTerminal-Bench的なエージェント作業に現れ、一般的なナレッジワークの広さではないと期待していることが分かるからだ。

実際に何を再実行する必要があるのか

流通している独立系の数値はどれも、1017の重みを説明していない。DeepSeekは、安定したAPI名の背後にあるモデルを置き換えた。つまり、公開されているあらゆる数値の帰属は静かに移った。9月の実行でDeepSeek V4.1 Flashについて引用されたスコアは、今ではベンダーがもはや提供していない重みを指しており、実際に提供している重みには外部スコアがまったくない。チェックポイントの差し替えを設定変更とみなす人にとって、実務上のルールはソフトウェアから引き出されるもの、すなわち同じ回帰テストを実施するに値するというルールだ。1017が本番経路に近づく前に、1017について答える価値のある5つの問いがある。

• Terminal-Bench 4.0は再現するのか？ ベンダーはC​laude Codeハーネスで31.2から42.3へ引き上げた。これは独立系ボードが読む数少ない行の一つである。モデルに都合よく見せるベンダーのハーネス選択は、ベンチマーク報告における最も古い失敗形態だ。

• DeepSWEの向上は、別のスキャフォールドでも維持されるのか？ Mini-SWE-V2で77.0、9月時点の74.2に対して。DeepSWEはハーネス間で大きなばらつきを示してきたため、主張となるのは水準ではなく差分である。

• 出力長は実際に短くなるのか？ 変更ログのコスト主張は、単に高速化だけでなく、出力が短くなることに依拠している。従量制APIでは、それがパレート改善と丸め誤差の違いになる。

• 推論エフォートのダイヤルは期待どおりに動作しますか？ エフォートは数値で、low、high、max が定義済みの値にマッピングされ、デフォルトは high です。また、temperature は受け付けられますが、thinking モードでは無視されます。max で実行したスイートは high でのデプロイについて何も教えてくれないので、本番が送信する正確なエフォート値でテストしてください。

• マルチターンのツール使用は依然としてラウンドトリップしますか？ ツールを使用する場合、ツール呼び出しのないターンも含め、以前のすべてのターンの reasoning_content が返ってこなければ、リクエストは失敗します。これは、チェックポイントの入れ替えが静かに引き起こす種類のリグレッションです。

本番経路を未計測の重みに移さずにその回帰テストを実行したいなら、これはOrcaRouterのフェイルオーバーがまさに想定しているケースです。1017をフォールバックチェーンに組み込み、失っても構わないトラフィックをそこに送り、失敗した応答や遅い応答が呼び出し元に届く前にプロバイダーをまたいでリトライされるようにしましょう。料金はこの主張のもう半分で、しかもより単純な方です — D​eepSeekはFlashの料金表を据え置き、OrcaRouterはプロバイダーの定価を0%のマークアップでそのまま通すため、D​eepSeekの価格を動かさない変更は当社の価格も動かしません。リーダーボードが追いつくのを待つことなく、今日からD​eepSeek自身の料金でDeepSeek V4.1 Flashにアクセスできます。2つ目の契約もコード変更も不要です。

シグナルが未解決のまま残す問い

アーキテクチャが同じなら、なぜチェックポイントの差し替えで指数が動くのですか？ なぜなら、この指数はエージェント型評価とコーディング評価に全体の半分の重みを与えており、こうした種類の事後学習の変化が最も早く現れるのはまさにこれらの評価だからです。9月のモデルで公表されたカテゴリのうち最も弱かったのは、価格に対するエージェント作業でした。1017の変更履歴はほぼ全面的に、エージェント作業とタスクあたりのコストに関するものです。この予測は、同じアーキテクチャに優れた事後学習を加えれば、重みが示す位置に着地するという賭けです。

1017の数値をArtificial Analysisが公開する前に読む方法はありますか？間接的にしかありません。ベンダーが公開している2つのエージェント系の行、Terminal-Bench 4.0とAutomation-Benchが最も近い代理指標ですが、どちらも自己申告です。3つ目の方法は、独立系ボードの9月の項目が改名されるか、再実行されるか、そのまま放置されるかを見守ることです。提供される重みが変わる一方で古いスコアを保持し続ける陳腐化した行は、その数値がもはやその意味を成さないことを示す最も明確なシグナルです。

価格が変わらないことは、パレートの主張が本当であることを意味するのか？ それは、その主張が検証可能であることを意味する。固定料金表における「性能対コストのパレート改善」は、タスクあたりの出力トークン数が減る場合にのみ真となる。なぜなら、それが残された唯一の手段だからだ。ベンダーは、タスクの実行時間と出力長の両方が減少したと述べている。それが、読者が自身の請求書で検証できるページ上の唯一の主張である。

次に見るもの

評価すべき予測は具体的で、だからこそ保持する価値がある。Intelligence Index の45または46で1017の行が現れれば、投稿者はその位置とメカニズム——エージェント重視の重み付けと、Omniscience における既知の弱点——を言い当てたことになり、有用な教訓は、重みを注意深く読めば総合スコアはベンダー表から予測可能になったということだ。9月の39以下に着地すれば、教訓は逆でもっと高くつく。すべての行で上昇する11行のベンダー表でも、総合スコアは横ばいのままになり得る。動いた行は、重要な行ではないからだ。どちらの結果も1モデルに対する1回の調査であり、ラボへの評決ではない。そしてそれを決める数は、読者が今日計算できない数だ。

読者が今日できることのほうが、予測より安くつく。重みはMITライセンスで、APIは9月の価格のまま稼働中だ。だから、誰かがランキングを公表する前のこの1か月こそ、自分にとって重要な3つの問い——エージェント的なタスクをより速く終えられるか、そうしつつ発話はより少なくて済むか、そして実際に自分が回しているマルチターンのツールパスで持ちこたえるか——について、自分なりの見解を固めるべき月だ。

出典注記：本稿に登場するDeepSeekに関するすべての数値——11件のベンチマーク行、パラメータ総数763B、1Mトークンのウィンドウ、MITライセンス、変更されていない料金表、ハーネス推奨事項——は、ベンダー自身の10月17日の変更履歴エントリ、Hugging Face上のモデルカード、公開されている料金ページに由来します。独立系のすべての数値——Intelligence Indexの39、120中9位という位置づけ、インデックスタスクあたり0.27ドルのコスト、毎秒175.9トークン、そしてスコアを支える10評価の重み付け——は、2026年10月18日に閲覧したArtificial Analysisに由来します。45から46への予測、Valsの57%という期待、Omniscienceの予測は、これらのどのボードにも1017の行がないモデルについての1人の観測者による推計であり、登場するすべての箇所で推計として明記されています。

このようなリリースの背景にある、文書化されたAI障害やエージェントのインシデントは、OrcaRouter AI Incident Archiveに収集されており、各エントリには独自の情報源、重大度、信頼度グレード、異議申し立てフラグが付いています。