DeepSeek V4.1 FlashがGA：新アーキテクチャで552B、MITライセンスの重み、そして実現しなかったV4 Proの終了

DeepSeek V4.1 Flashはもはや2日間だけの実験ではない。9月8日と9日に、有効期限をID自体に含むID――deepseek-v4.1-flash-expires-on-0910――の下でベンダーの稼働中API内に置かれていたモデルは、2026年9月10日にDeepSeekのアプリ、Webインターフェース、API全体で正式リリースされ、そこでは現在、モデル名deepseek-flashで応答している。このリリースには、ベータ版が示唆していたよりも大きな3つの点がある。 第一は書類面だ。DeepSeekは、あまり含みのないタイトルを付けた技術レポート『Pushing the Limits of KV Cache Compression』と、新しいCausal Encoder-Decoderアーキテクチャに基づく552Bパラメータのマルチモーダル専門家混合（MoE）モデル向けのMITライセンス重みを公開した。それらの重みは約束ではない。合計約510GBの48個のsafetensorsシャードがリリース当日の朝に公開され、これにより、ベータ版の未検証の「新アーキテクチャ、ネイティブ・マルチモーダル」というスローガンは、読者がダウンロードして検査できるものになった。 第二はラインナップの形だ。DeepSeek V4 FlashとDeepSeek-V4-Flash-Vision-Expは廃止され、それらの旧IDは今もFlash料金で新モデルに解決される。9月14日にDeepSeek V4 Proを段階的に廃止する計画は、その日が来る前に撤回された。V4 Proは課金を変えずに提供され続けており、DeepSeekは何かが変わる前に通知すると約束している。ファミリーで最も安いモデルが、価格とDeepSeek自身のベンチマークでフラッグシップの座を奪い、DeepSeekはその基盤アーキテクチャがより大きなモデルへスケールするよう設計されたと述べている。9月25日時点で、その上に位置するものはあるトラッカーの推測だ――522B、2T、8TのFlash、Pro、Ultraという3層ライン――これを投稿したアカウントが推測として提示したもので、DeepSeekが公開した何によっても確認されていない。 第三はベータ版が決して持たなかったものだ。Artificial Analysisは今や、このモデルの最初の外部評価を公開した――9月版の重みではReasoningモードの最大エフォート設定でIntelligence Indexスコア39、1017チェックポイントでは45（6ポイントの向上で、オープンウェイトモデルの中でGLM-5.3と並んで2位、MiMo-V2.6-Proには1ポイント差）で、同じ尺度でのDeepSeek V4 Pro 0813の36に対してであり、これにより、この552Bモデルは同サイトが測定した中で最高スコアのDeepSeekモデルとなる。 さらに10項目はリリースより新しく、それぞれ異なる方向を指している。9月25日、ARC Prize自身のモデルテスト責任者が、財団のベンチマークハーネスにファーストクラスのDeepSeek V4.1 Flashプロファイルを追加するプルリクエストを開いた――この分野が生産性チェックではなく推論の上限として読む評価ボードであり、結果は添付されておらず、約束もされていない。3日後、外部ラボが正反対の種類のニュースを公開した。別のボードでの完了済み測定で、DeepSeek V4.1 Flashを別のオープンウェイトモデルと並べ、2つのうち弱い方だと結論づけた――そして、数値はモデル自体よりも、モデルを包むハーネスによって大きく変動すると分かった。Exploit Benchは、エージェントが本番環境のV8を完全に悪用するまでどれだけ登るかを採点するカーネギーメロン大学のベンチマークだ。DeepSeek V4.1 Flashは、ベンチマーク自体のデフォルト設定では16点中平均4.7、Claude Code下では9.3だった。一方GLM-5.3-FlashはCodex下で最高10.6、DeepSeek V4.1 Flashに最も適したまさにそのハーネス下では6.2まで落ちた。 第三は最も地味で、最も確認しやすい。10月7日、vLLMプロジェクトはこのモデルの提供に関する自前の3週間集計を公開し、現在のビルドが、自らのday-0実装と比べて低並行時に1.9倍高速で、150 TPS制約下ではスループットが5.3倍だと報告した――別の外部評価ではなく、エンジン自身による前後比較であり、後述の速度節の主題だ。 第四はスコアではなく、モデルの利用コストについてで、3日間で2回動いた。10月12日、このモデルを従量制トークンではなく月間利用枠で価格設定するコーディングエージェントOpenCodeは、その利用枠を60ドルから80ドルに引き上げた――自社が販売する製品についてのプラットフォーム自身の表明で、自社の料金ページに掲載されている――そして10月15日、同じモデルを2つ目のモデルIDで無料提供し始めた。コンテキストは20万トークンで、従量制エントリが持つ100万トークンのウィンドウに対してである。 第五は10月14日付で、モデルの品質ではなく提供コストを測る。Artificial AnalysisはDeepSeek V4.1 Flashを、エージェント推論向けハードウェアベンチマークであるAA-AgentPerfに追加し、NVIDIAとAMD両方のアクセラレータでの結果を出した――ユーザーあたり毎秒100トークンでは、NVIDIAのGB300 NVL72が約2億6,100万トークン/秒/メガワットで首位に立ち、同じ実行で、最小2基のアクセラレータ上でもこのモデルを提供する。これは後述の節を第二の通貨で示すものだ。 第六はリリースそのものが置き換えられたことだ。10月17日、DeepSeekは同じdeepseek-flashモデル名の背後にあるチェックポイントをDeepSeek-V4.1-Flash-1017に置き換えた――新しい重み、公開するすべての行で9月モデルを上回るベンダーのベンチマーク表、同じ料金表、同じ100万トークンの枠――そして10月18日時点で、新しい重みに関する外部測定が、ベンダーが先頭に掲げる行と矛盾している。Artificial Analysisは自社ハーネス下で1017チェックポイントをIntelligence Indexで45、Terminal-Bench 4.0で33.8と採点しており、DeepSeekのカードの42.3に対している。 第七の項目は、その差が生んだ論争だ。10月19日、これらのリリースを早く言い当ててきた実績のあるトラッカーアカウントが、42.3は「GLM-5.3より良いのだから」本物だと「間違いない」と宣言し、Artificial Analysisにネイティブハーネスでモデルを実行するよう求めた。同サイトは前日すでに、8.5ポイント低い数値で答えていた。 第八はスコアではない。10月20日、DeepSeekのトラッカーがエージェントの記録を投稿した。そこでは1017チェックポイントが、ハーネス自体の制約を剥がすために作られたプラグインdsh-purgeを適用された脱獄済みペルソナを拒否した。また第三者のアブリテーションに関するメモでは、未改変チェックポイントの拒否率はチャットモードで有害プロンプト100件中97件、thinkモードで98件だった。DeepSeekはいずれのチェックポイントについても独自の安全性評価を公開していない。 第九はスコアでも価格でもない。今週、DeepSeekは自社サービスが稼働する推論エンジンを公開し、1017チェックポイントのデコード曲線と、その背後の本番数値を示した。そして今週それを浮上させたスレッドは、その曲線を9月30日のAscend 950DTベンチマークと対比しており、そのベンチマークはHuaweiの部品をチップあたり約5～7倍後れさせている――後述のサービングシリコン節だ。 第十はスコアでも価格でもチェックポイントでもない。10月22日、China Media Groupが運営する時事アカウントYuyuantanTanは、DeepSeekとMiniMaxが中国の技術輸出カタログ草案に付随する登録手続きを完了し、オープンソース化と海外ライセンス供与を終えたと報じた。これは規制当局の通知や企業声明ではなく、国営メディアが2社について報じたものであり、10月16日にカタログ草案が提起した問い――本稿が扱うMITライセンスの重みを今後も公開し海外へ出荷し続けられるのか――に答える動きだ。後述のライセンス節では、この報道が述べていることと述べていないことを分ける。

以下では、2種類の主張を切り離して扱う。仕様、ベンチマーク、価格はDeepSeek自身の変更履歴、モデルカード、技術報告に由来する。ベンダーが公開し、ベンダーが実行したもので、他の誰にも再現されていない。その隔たりはその後、4つの独立した計測手段、すなわち合成指数、コミュニティのカーネル・ボード、ハーネスで制御されたサイバーベンチマーク、ハードウェア提供ベンチマークによって狭まった。そのうち指数は現在、両方のチェックポイントに対して実行されている。それらのいずれも、ベンダーの個別の行を1つとして再現していない。またARC Prizeは依然として推論評価を構築中で、そこからまだ何も公開されていない。DeepSeekは10月17日、同じAPI名の背後にあるモデルをDeepSeek-V4.1-Flash-1017チェックポイントに置き換えた。1日の間、それは本記事のあらゆる外部の数値が、ベンダーがもはや提供していない重みを指す一方、実際に提供している重みには外部スコアがないことを意味した。10月18日、Artificial Analysisは新チェックポイントで指数を再実行し、9月の重みの39に対して45を公表した。他の3つの指標は再実行されていない。サイバーベンチマーク、カーネル・ボード、ハードウェアベンチマークは依然として9月の重みを指しており、新旧を問わず、DeepSeek自身のベンチマーク行のいずれかを再現した独立スコアはない。vLLMプロジェクトが10月17日に公表した提供コストの数値は、公表日だけが新しい。その背景にあるチャートは10月16日付、つまり入れ替えの前日であり、同じ置き換え前の重みを指している。Artificial Analysisは現在の指数（v4.3.2）で、9月のDeepSeek V4.1 Flashチェックポイントを39、1017チェックポイントを45と評価し、両方とも同程度の規模のオープンウェイトモデルの中央値19を大きく上回るとしている。これらは真正の第三者による数値であり、本記事でDeepSeekが算出していない最初の数値である。それぞれは10個の評価を合成した1つの指標であり、ベンダーの個々の行を再現したものではなく、100万トークン文脈の経済性については何も語らない。本記事の拒否率の数値は第4の種類の主張であり、登場する箇所でその旨が示されている。これらはこれらの重みの無検閲の派生モデルを作る人々によるもので、DeepSeekによるものでも評価機関によるものでもなく、DeepSeekはどちらのチェックポイントについても安全性評価を公表していない。提供に関する節のハードウェア数値はさらに別の種類である。NVIDIAのデコード曲線と本番環境の数値は、今週コードとともに公開された、DeepSeek自身のエンジンに関する同社自身の測定値であり、Ascendのデータ点は、どちらのベンダーのサイトにも公開されていない、Xのスレッドで転載されたベンチマークシートに由来する。数値がDeepSeekに帰属する場合は、本記事でその旨を明記している。さらに、その分類の外に置かれる種類がもう1つある。DeepSeekとMiniMaxが輸出目録草案の下で登録を完了したという10月22日の報道は、国営メディア、すなわちChina Media GroupのYuyuantanTanによるもので、中国の金融系メディア各社で繰り返されたが、商務省の通知ではなく、DeepSeekもそれを確認する声明を公表していない。目録自体は11月15日まで意見募集が行われている政府の草案であり、本記事ではどこに登場する場合も草案と記している。その報道に付されたビルド名、V4.1F-1017とM3.1-Flashは、10月23日の単一のXアカウントに由来し、国営メディアの報道にも、それを伝えた媒体にも登場しない。その投稿が名指ししたチェックポイントは、投稿が書かれた時点で既に6日間ダウンロード可能だった。

10月17日のチェックポイント：DeepSeek-V4.1-Flash-1017が変えたもの

この記事が中心に据えているリリースから5週間後、DeepSeekはその土台となるモデルを差し替えた。10月17日付の変更履歴は3文で構成されている。「DeepSeek V4.1 FlashはDeepSeek-V4.1-Flash-1017にアップグレードされました。公式ウェブおよびAPPのモデルも新バージョンに更新されています。APIの呼び出し方法と価格は変更ありません。最新モデルにアクセスするには、そのままdeepseek-flashを使用してください」。この引用はすべてベンダーが自社製品について述べたものであり、3つの主張はいずれも鵜呑みにせずDeepSeek自身のページで確認できる。Models & Pricing表のモデルバージョン欄は、以前のDeepSeek-V4.1-FlashからDeepSeek-V4.1-Flash-1017に変わっており、その横の料金表は9月10日に公開されたオフピークとピークの区分と同じだ。つまり100万トークンあたりオフピークが0.003ドル、0.15ドル、0.60ドルで、平日ピーク時間帯には0.006ドル、0.30ドル、1.20ドルに倍増する。またAPIクイックスタートではモデル文字列として引き続きdeepseek-flashが示され、100万トークンのコンテキスト、384Kの出力上限、2,500リクエストの同時実行制限も変わっていない。廃止されたエイリアスIDは9月の注記どおりに動作する。deepseek-v4-flashとdeepseek-v4-flash-vision-expは引き続き受け付けられ、現在はFlashの価格でDeepSeek-V4.1-Flash-1017として応答する。DeepSeekは同日、自社アカウントからも同じ変更を発表しており、この投稿は変更履歴と併せて読む価値がある。より短く率直だからだ。「DeepSeek-V4.1-Flash-1017が登場！ 以前のバージョンよりベンチマーク性能が向上し、タスク完了が高速化し、出力が短くなりました。性能とコストのパレート改善です。ウェブサイト、アプリ、APIで提供中」と続けて同じ3つのハーネス、そしてDeepSeek Harness 0.2.1-rc.1以降へのアップグレードという同じ指示が記されている。その内容はすべて、ベンダーが自社チャネルで自社製品について説明したものだ。「ウェブサイト、アプリ、APIで提供中」は変更履歴の「公式ウェブおよびAPPのモデルも更新されています」と言い換えたものであり、ベンチマーク、実行時間、出力長、パレートに関する主張はモデルカードのものだ。ただし、試すかどうかを判断する人にとって重要な違いが1つある。モデルカードではベンチマークの各行の横に数値が添えられているが、投稿には数値がなく、投稿にも変更履歴にも実行時間と出力長の主張に関する数値は示されていない。DeepSeekがここで前面に押し出している4つのうち2つは、今も公開された結果ではなくベンダーの主張にとどまっており、パレートの記述の根拠となるグラフ——投稿に添付されているもの——はDeepSeek自身のもので、同社独自のタスクコスト測定に基づいて描かれている。

重みもそれに伴って更新されており、それが読者にとって変更履歴を信頼せずに検証できる部分だ。2つ目のリポジトリ deepseek-ai/DeepSeek-V4.1-Flash-1017 は、同じMITライセンスの下、10月17日未明にHugging Faceへ公開された。今回も48個のsafetensorsシャードで、合計は同じ約510 GB、各シャードのサイズは9月版の対応するシャードと同じで、各シャードのハッシュはすべて異なる。同じ形で中身が違う——これは「マイナーアップデート」が外から見えるべき姿であり、同時に、本稿が9月以来報じてきたアーキテクチャに関する主張が変わっていないことも意味する。552Bのバックボーン、384個のルーテッドエキスパート、トークンあたり8Bのアクティブパラメータを持つprefill経路、16Bのdecode経路を宣言するconfigファイルは、9月のリポジトリのものとバイト単位で同一であり、したがってトークンあたり890バイトのKVキャッシュは新しい設計ではなく同じ設計だ。新しいリポジトリが持っていないのは書類一式だ。技術レポートも評価フォルダもJinjaチャットテンプレートも含まれていない。モデルカードには、このリリースにチャットテンプレートは含まれないと書かれ、代わりにPythonのエンコーディングリファレンスと、Chat Completions、Responses、Anthropic形式のリクエストをモデルのプロンプト形式に変換するための新しいRustツールキット deepseek-recipe が示されている。リポジトリ名で重みをピン留めしている人は、2つのダウンロードがハッシュだけの違いではないことを知っておくべきだ。ファイル一覧がその内訳を正確に示している。48個のシャードはすべてチェックサムが異なり、バイトサイズは同一である一方、重みではないファイル——アーキテクチャを宣言するconfig、ライセンス、エンコーディングフォルダ全体——は両リポジトリでバイト単位で同一だ。9月のリポジトリには存在し、このリポジトリには存在しないファイルが7つあり、それらを置き換えるものは何も追加されていない。技術レポート、評価フォルダ、チャットテンプレート、カードが以前埋め込んでいた2つの図、そして.gitignoreだ。モデルカードはサービングパラメータも1つ絞り込んでいる。9月のカードはtop_pを0.95か1.0のいずれかを推奨していたが、10月17日のカードは1.0を推奨し、temperatureは1.0、コンテキストウィンドウは1M、max_tokensは少なくとも256Kで変わっていない。

DeepSeek自身のベンチマーク表こそ、このアップデートが示されるべき場所であり、それは9月の行とまったく同じ種類のベンダー表だ。同一企業による実行で、誰にも再現されておらず、重みが数時間前から公開されていたモデルについて公開されたものだ。9月のチェックポイントと比べて、カードに載るすべての行で向上している——ツールなしのHLEは42.6対36.8、テキストのみのサブセットでは44.0対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、ツールありのChartographyは83.0対78.9、ツールありのBabyVisionは92.5対89.6、ツールありのZeroBench-mainは51.0対49.0、Pass@5で。同じ表は、DeepSeekがベンチマークで比較するフロンティアモデルに対して1017を位置づけている。今やTerminal-Bench 4.0ではGPT-5.6 Solを上回り（42.3対39.9）、一方でOpus 5の51.8には依然として及ばない。DeepSWE v1.1では両方をリードし（77.0対73.0および74.0）——ベンダー自身の発表に添付されたチャートから読み取った行であり、今週最も引用された単一の数字だ。NL2Repo-Benchでは68.2に上がり、依然としてOpus 5の75.3の後塵を拝している。これは9月の表も同じ形だった——ハーネス化されたエージェント作業で最も強く、推論の深さが報われる行では後れを取る。Terminal-Bench 4.0の行は二度読むべき行だ。なぜなら、今やその表で独立した対応結果を持つ唯一の行だからだ。DeepSeekはそれをClaude Codeハーネスで実行したが、Artificial Analysisは同じ66タスクをmini-swe-agentで実行しており、これらの重みについての10月18日の結果は33.8で、ベンダーの42.3を8.5ポイント下回る。DeepSeek自身の表では、その行はGLM-5.3を4.4ポイント上回る（42.3対37.9）。Artificial Analysisのハーネスでは、同じ重みはGLM-5.3に8ポイント劣る（33.8対41.9）。

細かい注記の一行は、そうした差分のいくつかより価値がある。9月のカードは、Terminal-Bench 4.0をDeepSeek HarnessのMinimalモードで評価した。1017のカードは、Terminal-Bench 4.0にはClaude Codeハーネスを、DeepSWE v1.1にはMini-SWE-V2を使ったと述べている。本記事の後半にあるハーネス調査では、1つのモデルを7つのエージェントCLIにわたって測ったときに7ポイントのばらつきがあった。したがって、その下に異なるハーネスを伴って現れるTerminal-Bench 4.0の11ポイントの変動を、モデル自体の11ポイントとして読むことはできない。カードはどのハーネスを使ったかを明記しており、それがこの行を単に印象的なだけでなく監査可能にしている。しかしこの行は、一つの数字をまとった二つの変更である。独立した実行が両者を分離しており、しかもベンダーに有利な形ではない。Artificial Analysisは、同じ1017の重みをTerminal-Bench 4.0上でmini-swe-agent下で評価した——それは同ボードのすべてのモデルで一定に保っているハーネスだ——ところ、33.8を得た。同じハーネスでの9月チェックポイントは26.8だった。固定ハーネス上では、このチェックポイントの価値は11ポイントではなく7ポイントであり、DeepSeekの見出し数字は、モデル間でハーネスを固定したときに同じ重みが記録するスコアを8.5ポイント上回っている。DeepSeekの枠組みの残りは、スコアではなくコストに関するもので、9月のリリースが売り込まれたのと同じ軸だ。変更履歴は、この更新がタスク実行時間と出力長を削減すると主張し、その結果を「複数のハーネスにわたる新たな性能-コストのパレート最適」と呼び、DeepSeek Harness、Tencent CodeBuddy、WorkBuddy向けに最適化したと述べて、DeepSeek Harness 0.2.1-rc.1以降を推奨している。実行時間と出力長はまさに、本記事の冗長性に関する証拠が外部から追跡している量であり、DeepSeekは今、その両方を削減したと主張している——数値は一切添えずに。新しいチェックポイントについての外部測定が今や1件存在するが、それは実行時間や出力の削減を示していない。Artificial Analysisのインデックス実行では、1017の重みはタスクあたり288.8秒で、9月は289.9秒、タスクあたり出力トークンは89,495で、9月は88,574——どちらも横ばいで、コスト削減はまったく別のところに落ち着いている。DeepSeekが同日に自社アカウントで公開した投稿は、そのすべてを「タスク完了の高速化と出力の短縮」に圧縮し、そのうえでその二つを性能とコストのパレート改善と呼ぶ——同じ情報源による変更履歴の主張を短くしたものであり、同様に測定されていない。それはベンダーが自らを繰り返しているにすぎず、第二の情報源ではない——それが重要なのは、あのグラフから得られた数字こそ、外部世界がこの一週間繰り返してきたものだからだ。発表の中で唯一数字を伴う成果物は、投稿に添付されたグラフであり、それはmini_swe_v2ハーネス下でのタスクあたり平均コストに対してDeepSWE v1.1 Pass@1をプロットしたものである。パレートの一行を読む前に、そのキャプションを読む価値がある。その下にある公開リーダーボードのデータは、グラフ自体に9月22日付と記されており、このグラフが宣伝に使われているチェックポイントより3週間半前である。また、OpenAIのモデルの比較線は、共有された実行ではなくOpenAI自身のDeepSWEグラフに帰されている。そのプロット上の1点は新しい。それが比較対象としているものはすべて、それが存在する前に公開されていた。

入れ替えと同じ日、その表の最も共有された解釈は、モデルがどこで稼働するかに利害を持つ人物によるものだった。Databricks で AI システムに携わる Yuchen Jin は、DeepSeek-V4.1-Flash-1017 が「DeepSWE v1.1 で 77 を記録」し、「Opus 5 級の性能を 83 分の 1 のコストで」実現し、「Databricks で提供開始する」と投稿した。77 は DeepSeek 自身の行であり、ベンダーの発表に添付された図表から取られたもので、同社外でこれを再現したものはない。2 つの比較点は Jin によるもので、外部検証に耐えるものとそうでないものにきれいに分かれる。Opus 5 級という点は持ちこたえる。DeepSWE v1.1 を公開する独立系のボードは、それぞれの独自実行でこのモデル名をその近辺に位置づけている。Mercor の APEX リーダーボード — 91 のリポジトリにまたがる 113 のオリジナルタスクを mini-swe-agent ハーネスで採点 — では、Opus 5 Max が 71.4%、DeepSeek V4.1 Flash Max のエントリが 71.7% と記載され、同じベンチマークの llm-stats ボードでは Claude Opus 5 が 68.8% に対し DeepSeek-V4.1-Flash が 74.2% となっている。この 2 つを正直に読むと、投稿が言うより狭い意味になる。このベンチマークを独立に測定する 2 つのボードは、このモデルが少なくとも Opus 5 と同等であることで一致しており、どちらのボードにも 77 は出ていない。どちらも 9 月の数値か独自実行のいずれかを載せており、1017 チェックポイントのエントリにラベルを付けていないからだ。Opus 5 級は、ある近辺についての記述としては支持できる。それを生んだ数値は、まだ再現可能ではない。

投稿の83×という半分は公表された数値ではなく彼の算術であり、緩く受け止めるべき半分だ。1017チェックポイントのタスク当たりコストを掲載しているリーダーボードはなく、DeepSeek自身のパレート主張の背後にあるベンダー図表は、タスク当たりコストを10セントから20ドルまでの対数軸にプロットしている——それはこれほど大きな倍数が要求する種類の広がりだ。定価だけでは、差は83×より狭い。Claude Opus 5は平日ピーク時間帯で100万入力トークン当たり5ドル、100万出力トークン当たり25ドルを請求するのに対し、DeepSeek-V4.1-Flashは0.30ドルと1.20ドルで、入力でおよそ17×、出力でおよそ21×であり、答えはキャッシュヒット率とタスクが消費するトークン数によって大きく動く。コスト論の方向性は、ここでもこの記事のどこでも争われていない。具体的な倍数は、誰も公表していない比較についての主張である。

Databricks についての部分は、読者がドキュメントと照らし合わせて確認できる投稿の箇所であり、ドキュメントには投稿以上のことが書かれている。DeepSeek V4.1 Flash は、DeepSeek のローンチの翌日である9月11日から Databricks Unity Gateway 上にあり、サービス名 system.ai.deepseek-v4-1-flash で、プラットフォームの Foundation Model APIs を通じてテキストと画像の入力に対応している。10月7日には、このモデル向けに優先従量課金と予約済みプロビジョンドスループットが追加された。また、このファミリーにとってプラットフォームが指定する移行先でもある。Databricks は DeepSeek V4 Pro（0813）を10月30日に、DeepSeek V4 Flash（0731）を11月5日に廃止する予定としており、どちらの通知でも DeepSeek V4.1 Flash を推奨の後継として挙げている。どの Databricks のページにも書かれていないのは、10月17日のチェックポイントが登場するという点だ。その主張は一人の従業員が個人として発言したものであり、提供日ではなく意図に関する内部的なシグナルであって、サポート対象モデルのページには依然としてチェックポイントのラベルなしでこのモデルが掲載されている。したがって、今週の可用性の変化は将来に向けたものであり、プラットフォーム自体ではなく、その内部の情報源によるものだ。今日 Databricks の顧客が呼び出せるのは9月の重みであり、本稿が説明してきた入れ替え、つまり同じ名前と同じ料金表の背後にある新しい重みが、それが実現するときの置き換えの形になる。

変わらなかったことも、変わったことと同じくらい重要だ。4つの独立した計測手段のうち3つは依然として9月の重みだけを対象にしている。Exploit Bench のハーネス表、コミュニティのカーネルボード、AA-AgentPerf のハードウェア実行はいずれも入れ替え前に作られたもので、このモデル名を冠する DeepSWE v1.1 の2つのボードはチェックポイントが記載されていないエントリを公開している。4つ目は10月18日に変わった。Artificial Analysis は1017チェックポイント用の独立した行を追加し、Intelligence Index で45、Terminal-Bench 4.0 で33.8と採点し、9月の行は39と26.8のまま残した。この記事中の数値が、DeepSeekが現在提供している重みに対してDeepSeek以外の誰かによって算出されたのはこれが初めてだ。APIの変更は、DeepSeekが最新のFlashモデルを指すとすでに文書化していた名前の背後でのチェックポイント更新であり、deepseek-v4-pro を別のモデルとして応答させるという9月の計画とは正反対だ。開発者があの計画に反対したときに引いていた区別はこれだ。呼び出し側にとって実用的な影響は狭く具体的だ。deepseek-flash を要求すると、同じ価格で異なる重みが得られ、その背後にはベンダー報告のより良い表があり、10月18日以降は第三者1社がそれらを採点している——両方の数値が存在する唯一の行では低い。OrcaRouter ではモデルIDと料金表も変わっていない——DeepSeek V4.1 Flash は DeepSeek 自身の定価でルーティングされ、0%のマークアップがそのまま通される——これは、名前も価格も動かさずにモデルを更新するベンダーが、呼び出し側から見てどう見えるべきかを示している。

9月10日に実際にリリースされたもの

変更履歴の項目は、次の一文で始まっています。「本日、私たちはDeepSeek-V4.1-Flashモデルを正式にリリースします。」DeepSeekはこれを、ネイティブな視覚理解を備えた新しいモデル構造ファミリーの最小メンバーと説明しており、このサイクルで技術レポートを伴って登場する最初のリリースです。API側では、移行ではなく名前の差し替えです：

• モデル名 — DeepSeek 独自 API 上の deepseek-flash。ベース URL、キー、リクエスト形式は変更されていません。

• 退役 — DeepSeek V4 Flash および DeepSeek-V4-Flash-Vision-Exp はオフラインになりました。以前のIDは引き続き受け付けられ、現在はV4.1 Flashにルーティングされ、Flashレートで請求されます。そのため、既存のインテグレーションはコード変更なしで動作し続けます。

• V4 Pro — DeepSeekは、北京時間9月14日12:00から、deepseek-v4-proのリクエストをV4.1 Flashの料金でV4.1 Flashにルーティングする（V4.1 Proが提供開始されるまで）と発表しましたが、その日が来る前に決定を撤回しました。V4 Proは引き続き提供され、課金は変更されていません。DeepSeekは、さらなる変更がある場合は通知すると述べています。

• Envelope — 1Mトークンのコンテキストウィンドウ、最大384K出力、アカウントあたり2,500件の同時リクエスト、画像入力対応、思考モードはデフォルトでオン（非思考オプションも選択可能）。

• 重み — 同じ日、リポジトリ deepseek-ai/DeepSeek-V4.1-Flash が Hugging Face 上に MIT ライセンスで公開された：合計約 510 GB の 48 個の safetensors シャード、そのそばに PDF の技術報告書、そして inference フォルダ内の参照推論実装。

最後の箇条書きは、本番パスにdeepseek-v4-flashをハードコードしている人にとって、廃止されたモデルIDの話がまさに帰着する点でもあります。解決自体は今も行われますが、応答するのは別のモデルです。DeepSeekはこれが約束ではなく互換性のためのシムであると明言しており、それは非推奨通知をまとった移行期限と言えます。

アーキテクチャ、いま正式に記録される

2日前、このセクションは誰も公開していないもののリストでしかなかったでしょう。技術レポートがそれを確定させ、構造に関する主張はマーケティングではなく文字通りのものだったことが判明しました。DeepSeek V4.1 Flashは、552Bパラメータのマルチモーダル混合専門家モデルであり、新しい部分こそが実行コストを左右する部分です。

• バックボーン — 合計552Bパラメータ、1つの共有エキスパートと各層あたり384のルーティングエキスパートを持つ混合エキスパート（MoE）アーキテクチャ。トークンごとに6つのルーティングエキスパートがアクティブになる。

CED — 20層のcausalエンコーダと20層のデコーダに分割された40層のトランスフォーマー。デコーダのグローバルKVキャッシュは、各デコーダ層自身の隠れ状態から導出されるのではなく、エンコーダの最終隠れ状態から投影されます。メモリ節約の大部分はこの点に由来します。

• 活性化の非対称性 — プリフィル中はトークンあたり約8Bパラメータがアクティブで、デコード中は約16Bパラメータがアクティブになります。そのため、長いプロンプトを読み込むことは、そこから生成することよりも大幅に低コストです。

• KVキャッシュ — レポートによると、グローバルKVキャッシュはトークンあたり890バイトで、DeepSeek V4 Flashの約4分の1である。FP4メインKVキャッシュを使用し、16チャネルごとに1つのスケール、さらにクロスレイヤー再利用を採用している。

• アテンションとデコーディング — Full、Reindex、Reuse モードと階層型スパースインデクサーを備えた Compressed Sparse Attention 2、Single-Pass mHC、DSpark 投機的デコード。

• Engram — 1960億パラメータの条件付きメモリテーブルであり、トークンベースのルックアップを通じて疎にアクセスされ、アテンションスタックの内側ではなく混合エキスパート経路の脇に位置する。これは今回のリリースで単一最大の重みブロックであり、ダウンロードサイズを読み解ける形にしているのは、モデルカードに示されたこの数値だ。

ビジョン — 2層MLPプロジェクターを備えたDeepSeek-ViT。言語モデルの事前学習の開始時から訓練され、後からテキストベースに後付けされるものではない。

• トレーニング — マルチモーダルコーパスの45Tトークンを使用し、スパースアテンションは64Kのシーケンス長でトレーニング、コンテキストは34Tトークン時点で1Mに拡張。ポストトレーニングでは、SFT、次にRL、その後オン方策蒸留を実行。

• 推論努力 — 1〜100の範囲で連続的に制御できる整数で、DeepSeek V4 Proが公開しているlow・high・maxの各段階よりも細かな調整が可能です。

KVキャッシュの数値こそ、スペックシートを超えて影響を及ぼすものであり、この設計がその価値を発揮するのはここだ。100万トークンのコンテキストウィンドウは、それを埋める余裕があって初めて役に立つ。前世代の長コンテキストの経済性が苦痛だった理由は二つあった。プロンプト全体にアテンションを張る層ごとにグローバルキャッシュが増大したこと、そして永続キャッシュ容量の大半が、数分で役に立たなくなるスライディングウィンドウ状態の保持に費やされていたことだ。報告書の答えは、その両方に切り込んでいる。提供される製品が、実際の同時実行下で100万トークン時にそれに匹敵するかどうかは、依然として第三者を必要とする類の主張だ——現在存在する独立系スコアは、長コンテキストの経済性ではなくモデルを測っている——しかし、そのメカニズムは推測ではなく文書化されるようになっており、以下のセクションでそれを分解する。

キャッシュの内部：トークンあたり890バイトが実際にどう実現されているか

報告書のタイトルこそがその論旨だ。読めば、効率性に関する主張はmixture-of-expertsバックボーンの副産物には見えなくなり、設計上の狙いそのものに見えてくる——これはリリース以降、独立した記事が収束させてきた解釈でもある。これが学術的ではなく商業的に重要なのは、エージェントの請求が実際どこに落ちるかにある。DeepSeekの説明では、長いエージェント型ワークロードではキャッシュヒットの行が請求を支配するため、キャッシュのサイズが第一級のコストレバーになる。DeepSeekの数字では、グローバルキャッシュはトークンあたり890バイトで、オリジナルのDeepSeek V1より約437倍小さく、DeepSeek V4 Flashの約4分の1にあたる。フルウィンドウで計算すれば、単一の100万トークン系列でグローバルKVが約890MBになるか、V4 Flashのトークンあたりレートで約3.5GBになるかの違いだ。圧縮の大半は3つの変更が担っている。一つはどれだけ保存するか、一つは何が読み出されるか、そして一つはそもそも何を保持するかに関するものだ。

保存形式はそれらの中で最も読み取りやすい。主要なグローバルキャッシュは、16チャネルごとに1つのE4M3スケールを持つE2M1レイアウトを用いてFP4で保持されている——DeepSeek V4が保存していたFP8キャッシュの半分の幅であり、FP16の4分の1だ。それが許容できるのは、DeepSeekがサービング時ではなく学習中にキャッシュを量子化したからであり、より狭い形式が持ち込むノイズは、後から押し付けられたものではなく、モデルが対処することを学んだものだからだ。すべてがその方法で圧縮されたわけではない。ローカルのスライディングウィンドウキャッシュはFP8のままだ。報告書がそれを、さらなる狭幅化に敏感な部分とみなしているからである。

Compressed Sparse Attention 2 は、読み取られる対象を処理する。各アテンション層には Full、Reindex、Reuse の3モードのいずれかが静的に割り当てられるため、デコーダ層はそれぞれが独自に保持する代わりにキー状態とインデクサー状態を共有でき、最初の Full モード層が候補プールを構築し、以降のインデックス層はそのプールに制限される。報告書の数値では、このプールは16,384位置で、疎選択は上位512エントリに対して行われ、これによりインデックスコストがコンテキスト長から切り離される。DeepSeek の主張では、4Kから1Mコンテキストに移行しても生成トークンあたりの計算量は約4分の1しか増えないのに対し、以前の設計ではおおよそウィンドウに比例した増加が示唆されていた。長コンテキストのワークロードを見積もろうとする人にとって、この単一の数値は報告書の中で最も有用なものであり、同時に外部確認がまったくない唯一のものでもある。本稿の外部測定はいずれもコンテキストウィンドウの遠端を検証していない。

永続側で最も大きな効果を上げている変更は、最も期待できそうにない名前をしている。DeepSeek V4は、一般的なワークロード下で72時間以上にわたって2つのものを永続キャッシュに保持していた。グローバルKVと、スライディングウィンドウアテンションの状態である。スライディングウィンドウの状態は数分間だけ意味を持つものだが、永続キャッシュ容量のほぼ半分を消費していた——数日分を見込んで設計されたストレージが、1分しか有用でないデータに費やされていたのだ。V4.1 FlashはSWA状態を永続キャッシュから完全に外し、各マシンのホストDRAMの約10%から構成されるプールに退避させて、TTLを分単位にしている。セッションが再開したときにその状態が失われていれば、SWA Bounded Replayがそれを近似的に再構築する。レイヤー数×ウィンドウトークン数をリプレイする代わりに、直近のウィンドウのみをリプレイし（128トークンと報告されている）、再構築された状態が完全なリプレイと数学的に同一ではないことを許容する。DeepSeekによれば、この近似による品質への影響はほとんど見られず、ポストトレーニング中に同じ挙動をシミュレートしたという。これとグローバルキャッシュの縮小を合わせると、同一ワークロード下で永続KVのフットプリントはDeepSeek V4 Flashのおよそ8分の1まで下がる——仕様表の冒頭に掲げられた4分の1という数字よりも大きな削減であり、それは1つのフォーマット変更ではなく2つの変更が積み重なった結果である。

そのすべてに二つの限界がある。報告書にはエンドツーエンドのレイテンシやコストの比較がない。したがって、8倍小さい永続キャッシュが、8倍安いワークロードを実証したことにはならない。圧縮はメモリ負荷を軽減するものであり、請求額のうちメモリ律速の部分だけがそれに反応する。そして、その節約は勝手に起こるものではない。数値が意味を持つ前に、エンジンはエンコーダ・デコーダ投影、3つのCSA2モード、FP4キャッシュレイアウト、Bounded Replayを実装しなければならない。だからこそ、890バイトは、ローカルビルドに関する約束というより、DeepSeek自身が提供するAPI向けのファーストパーティ仕様として読むのが最善だ——リポジトリにあるllama.cpp、Ollama、LM Studio向けの量子化変換は、このキャッシュを伴わない。この見出しはテキストトークンも対象にしており、視覚埋め込みはその範囲外にある。セルフホストの何かについては、信頼に値する数値は自分で測定したものだ。エンジンがそれでどこまで到達できるかはもはや仮説ではないが、依然として独立ではない。vLLMはリリース後の3週間でデコーダ側のトリムとBounded Replayを実装し、以下の速度セクションでビフォーアフターを公開した——仕様に対する検証としては今のところ最も近いものであり、評価者がモデルを測定するのではなく、エンジンが自身の作業を測定して行ったものだ。

独立スコアを2回実行した結果：9月の重みでは39、1017では45

Artificial AnalysisはDeepSeek V4.1 Flashについて初の外部評価を公表した。それはベータ版では出せなかった数字だ。現行版のArtificial Analysis Intelligence Index（v4.3.2）では、このモデルは推論モードの最大エフォート時に39を記録する。同じ尺度と同じ設定で、DeepSeek V4 Pro 0813は36、DeepSeek V4 Flash 0731は34だ。これら3行を並べて読むと、DeepSeek自身のマーケティングが主張しながら、自社ベンチマークだけでは立証できなかったことが示される。つまり、ファミリー最小のモデルが今や最強なのだ。Artificial Analysisは39を、同程度のサイズのオープンウェイトモデルの中央値19を大きく上回ると表現している。これは5週間の間、9月チェックポイントのみのスコアだった。評価者の一覧には9月のリリース日しか記載されていなかった。10月18日にそれが変わり、その変化こそ本稿が最初に公開された時点では持っていなかったニュースだ。DeepSeek V4.1 Flash 1017の2番目の行が現れ、10月17日付で、同じインデックス、同じ最大エフォートで45を記録した。これにより1017の重みは45のGLM-5.3と同水準になり、47のGPT-5.6 Solより2ポイント低く、51のClaude Opus 5より6ポイント低い。そしてこのチェックポイントは、9月の重みがその称号を手にしてから5週間後、サイトがこれまでに測定したDeepSeekモデルの中で最高スコアのモデルとなる。さらにこれは、モデルに以前はなかった位置づけを与える。評価者が10月19日の記事で明言した位置づけだ。オープンウェイト表で2位、GLM-5.3と同点、46のMiMo-V2.6-Proに1ポイント差、Step 5 PreviewとKimi K3はさらに1ポイント後ろの44だ。この6ポイントは10の評価全体に均等に分散しているわけではない。同じ記事は、エージェント系と知識系のコンポーネントで最大の変化を報告している。GDPval-AA v2.1のEloは1,600に対して1,746、AA-Briefcase v1.1のEloは1,420に対して1,570、AA-Omniscienceの非ハルシネーション率は4%に対して33%で、正確性は43%から46%に上昇し、同評価のインデックスは-5から+5へ動いた。これらは評価者が自らのテストについて出した数字であり、本稿で転載したものではなく評価者自身が公表したもので、回答をでっち上げる傾向が著しく低下したモデルを描写している。DeepSeekの変更履歴が最初に掲げる速度向上とは別種の改善だ。

ここで重要なのは内部比較だ。なぜなら、それはDeepSeekのルーティングテーブルが行う比較と同じものだからだ。V4.1 Flashは総パラメータ552B、トークンあたり16Bがアクティブ。DeepSeek V4 Pro 0813は総パラメータ約1.6T、アクティブは約49B。バックボーンが約3分の1しかないモデルが、開発元自身は実施していない総合指標で3ポイント高いスコアを出している——1017の重みを数に入れると9ポイント高い。1.6Tのフラッグシップは36から動いていないからだ。サイズとスコアのトレードオフこそがCausal Encoder-Decoder設計の中心命題であり、結果に利害関係のない評価者が今、それと整合する数値を出した。

価格面の主張も同樣に成り立つ。しかもこれは、この記事の中でDeepSeekの料金表に由来しない最初の価格比較である。Artificial AnalysisはDeepSeek V4.1 Flashを100万入力トークンあたり$0.30、100万出力トークンあたり$1.20と掲載しており、DeepSeek V4 Pro 0813の$1.32と$3.96に対して、入力で4.4倍、出力で3.3倍安く、同サイトの7:2:1（キャッシュヒット・入力・出力）の混合比率では100万トークンあたり$0.18となる。また、引退させる旧型の小型モデルDeepSeek V4 Flash 0731よりも安く、同サイトでは$0.44と$1.32で掲載されているが、スコアは5ポイント低い。置き換えるモデルよりも安く、取って代わるモデルよりも安く、そしてインデックス上ではそのどちらよりも優れている。

この数値には2つの注意点を付すべきだ。これは最大の推論努力で実行された10件の評価を合成したものであり、実際の本番トラフィックの大半が用いるより低い努力設定については何も示さず、1Mトークンのウィンドウの末端で品質がどう保たれるかについても何も示さない。また、単一の評価者によるスコアである。独立しているが再現されておらず、しかも本稿が最初に引用して以降、合成スコア自体がv4.3からv4.3.2へ改訂され、それによりDeepSeek V4.1 Flashのスコアは40から39へ、その前身は35から34へ変わった。それが確立するのは狭くて有用な点だ。ベータ版では裏付けられなかった唯一の主張、つまり552BモデルがDeepSeek自身の1.6Tフラッグシップと真に競争力を持つという主張に、DeepSeek以外の情報源が得られたのである。1017の行にも同じ2つの注意点があり、さらに1つ加わる。これは単一評価者によるスコアで、本稿の証拠の大半より5週間新しい重みに対するものだ。また、どのベンダーの行を再現したものでもなく、1つの合成スコアである。そのタスクあたりの価格もサイト上で変動している。9月のチェックポイントは本日時点でIntelligence Indexタスクあたり0.49ドルと表示されているが、本稿が最初に掲載したときは0.27ドルだった。1017チェックポイントは0.26ドルである。ドルの数字は定数ではなく、誰か他人のダッシュボード上のライブな数値として扱うべきだ。これは、インデックススコアが40から39に動いたときにスコア自体が教えたのと同じ教訓である。スコアの横にあるコスト表が注意点の残りであり、これは両刃の剣でもある。1つ上の順位のモデルは価格も半分だ。MiMo-V2.6-ProはIntelligence Indexタスクあたり0.13ドルで46に達するのに対し、ここでは0.26ドルである。Artificial Analysis自身の比較では、GPT-6.1 Solを中程度の努力設定で48、0.21ドルとしている。1017チェックポイントが実際に勝っているのは、DeepSeekが9月から売り込んできた直接対決だ。その表の両軸でGLM-5.3-Flashを上回っており、45対42、タスクあたり0.26ドル対0.28ドルである。これは能力とコストが同じ方向に動く組み合わせだ。

次の外部スコア：ARC Prizeがテストを構築している

9月25日、ARC Prizeのモデルテスト責任者であるMatt Mazur氏は、財団自身のARC-AGI-3ベンチマークリポジトリで、ファーストクラスのDeepSeekプロバイダーアダプター、すなわち deepseek-v4-1-flash-low-provider-adapter という名前の1つのプロファイルを追加するプルリクエストを開いた。その model フィールドは deepseek-ai/DeepSeek-V4.1-Flash である。ARC Prizeがこのモデルを評価する意向だという主張は1件のソーシャル投稿として届いたため、私たちはその投稿ではなく、財団自身のコードと突き合わせて確認した。アダプター、プロファイル、その単体テスト、ドキュメントは diff に含まれており、そのリポジトリは、ARC Prizeのテストポリシーが対話型エージェント型ベンチマーク用に指定しているハーネスである。存在しないのは結果だ。プルリクエストはオープンで未マージのままであり、スコアも、公開日も、どの推論レベルが公開されるかについての言明もない。重要なのは、評価が行われるというニュースではなく、測定の形である。ARC-AGIは、他のボードが問いかけない問いを投げかける。モデルはハーネス内で高速かつ安価で強力であっても、未見のタスクでは60点台のスコアにとどまることがある。それが、まだ誰もDeepSeek V4.1 Flashに問いかけていない問いである。

このプロファイルは、そうした実行がどのように進むかを規定しており、最終的に出る数値を左右する3つの詳細がある。モデルは最大ではなく低い推論エフォート設定で実行し、応答をストリーミングし、175,000トークンで要約コンパクションをトリガーする1Mトークンのハーネスコンテキストを設定し、出力を262,144トークンに制限する。DeepSeek自身のエンドポイントではなく、BasetenのOpenAI互換エンドポイント経由でルーティングし、1M入力トークンあたり$0.30、1M出力あたり$1.20に設定されている——DeepSeekのピーク時の料金表レートであり、この記事のさらに下で引用されているオフピークの数字ではない。ARC Prizeは、プロファイルで設定された価格からタスクあたりのコストを計算するため、最終的な数値はピークレートのものになる。これは、テスト時にDeepSeek V4 Flash 0731が記録したタスクあたり$0.042と比較する前に覚えておく価値がある。もう1つの珍しい特徴は、DeepSeekの思考モードの挙動に対する回避策である。履歴の推論内容は、リクエストがツールを伴う場合にのみ再生される。そのためアダプターは、モデルにすべてのARCアクションをsubmit_actionツール呼び出しとして出力させ、推論を付した正確なアシスタントメッセージを再生する。散文からアクションを解析するのではない。

これが比較される基準は、ARC Prize自身のボードから来ている。V4.1 Flashが引退させるチェックポイントであるDeepSeek V4 Flash 0731は、それが属するFlashティアについてボード上で検証済みのエントリーであり、最大推論エフォートでARC-AGI-2が61.4%、ARC-AGI-1が89.0%、タスクあたり$0.042と$0.021である。Dots3-Note PreviewはARC-AGI-2で76.8%に位置し、これはアダプターを指摘した投稿が示している77%である。そして、同じアカウントの期待——はるかに大規模でネイティブにマルチモーダルな後継モデルによる80%未満の結果は失望させるだろうという期待——は、公表された目標ではなく彼のフレーミングだ。そのフレーミングの残りの部分にはラベルを付すべきである。V4.1 Flashが置き換えるモデルより29%多くトークンを生成するという主張は、出典が示されておらず定義も不明確であり、DeepSeekもARC Prizeも、公表したものの中でそれが何を測定しているのかを述べていない。

どのボードの話なのか、一点注意が必要だ。アダプターが入ったのはARC-AGI-3リポジトリ、すなわち財団のインタラクティブなエージェント型ベンチマーク用ハーネスであり、ARC-AGI-1とARC-AGI-2を実行する別リポジトリにはV4.1の記載がまったくない。そのモデルリストは7月27日以降更新されておらず、今も古いDeepSeekエンドポイントを記載している。したがって日付を特定できる事実は、ARC Prizeがこのモデルをエージェント型ハーネスに組み込んだということだ。61.4%の比較があるARC-AGI-2ボードにも登場するかどうかは、現在の公開コードからは分からない。モデルを選ぶ人にとっての実用的な判断材料は広がった。DeepSeek V4.1 Flashに関する独立した計測手段は今や4つある。チェックポイントごとに1回、計2回実行された複合インデックス、コミュニティのカーネルボード、ハーネスで制御されたサイバーベンチマーク、そして10月14日以降はハードウェアサービングベンチマークだ。そのうち2つは、モデルが見たことのないタスクでモデルをハーネス内に置く。2つのうち新しいのは複合インデックスで、これはインデックスv4.3以降Terminal-Bench 4.0を搭載している。66のターミナルタスク、3回の反復で平均したpass@1、すべてのモデルが同じエージェントハーネス下にある。1017の重みに対する10月18日の結果は33.8だ。下記のサイバーベンチマークは、それらの中で最も近いものだが、このモデルはそこで唯一の直接対決を落とす。ARCプロファイルは推論の問いに答えるために作られた評価であり、依然として数値のない唯一のものだ。それが実行されるまで、このモデルの推論の上限は測られておらず、突き合わせるべき数値は前モデルのものだ。

初の外部サイバースコア：数値を動かすのは、モデルよりもハーネスのほうが大きい

9月28日、評価ラボのGenerality Labsは、以前のサイバー研究の続報となる「サイバーベンチマークを実行する際、ハーネスは重要か？」と題した論文を公開した。これは、DeepSeek V4.1 Flashを同じサイバーベンチマーク上で別のオープンウェイトモデルと並べて比較した、初の完成した外部測定である。ベンチマークはExploit Benchで、カーネギーメロン大学のSeunghyun Lee氏とDavid Brumley教授による評価であり、エージェントが16段階の能力のはしごをどこまで登るかを採点する。すなわち、脆弱なコードに到達することから、バグをトリガーすること、エクスプロイトプリミティブを構築すること、任意コード実行に至るまでを、V8セキュリティサンドボックスを有効にした本番環境のV8に対して評価する。ラボは2つのモデル、DeepSeek V4.1 FlashとZ.aiのGLM-5.3-Flashを、ベンチマークの元の41タスクから項目応答理論によって抽出された10タスクで、タスクあたり2億5000万トークンの予算で実行し、各モデルを7つのハーネス構成で繰り返した。6つのエージェントCLI — Claude Code、Codex、Kimi CLI、ReAct、Gemini CLI、OpenCode — に加え、ベンチマーク自身のデフォルト構成（この記事ではOriginalと呼んでいる）である。OriginalはサードパーティのCLIでは全くない。トークン制限がなく、300ターンの上限があり、コンテキスト圧縮もない。この結果を指摘したアカウントは、Originalを「おおよそPythonのwhileループ」と表現している。それは研究者たちの説明ではなく、彼自身の特徴づけであり、研究者自身の説明は上記のとおりである。

この結果は、単一のスコアでは決して示されなかったであろうばらつきだ。平均能力は16点満点。DeepSeek V4.1 Flash は Claude Code の下で最高の 9.3 となり、Codex が 8.9 で2位。同じモデルは Kimi CLI では 7.4、OpenCode では 5.9、Gemini CLI では 5.7、ReAct では 5.3、そして Original——それ自身のベンチマーク既定——では 4.7 まで落ち込み、7つの中で最悪となる。GLM-5.3-Flash はその順位を両端で逆転させる。その最良の構成は Codex で 10.6 であり、研究自体のデータセットが Mythos Preview について全41タスクセットで記録する 10.02 を上回る。ただし研究者らは、10サンプルのサブセットは完全に代表的ではないと注意を促している。その最悪は Claude Code の 6.2 で、これは DeepSeek V4.1 Flash の最良と同じハーネスだ。そして Gemini CLI では 8.9、Kimi CLI では 8.2、OpenCode では 8.1、ReAct では 7.7、Original では 6.4 である。7つすべてで平均すると、GLM-5.3-Flash はおよそ 8.0、DeepSeek V4.1 Flash はおよそ 6.7 に位置する。したがって、この結果とともに流布した主張を構成する両方の部分は、公開データと照らして裏付けられる。つまり、ハーネスの選択には数ポイントの価値があり、このベンチマークでは DeepSeek V4.1 Flash は2つのモデルのうち弱い方である——ただし Claude Code の下では、3ポイント超の差でリードしている。

研究者たちは、ばらつきを完全には説明できないと明言している。彼らが持つ唯一の有望な手がかりは、各ハーネスがどのようにコンテキストを圧縮するかであり、その違いは言い回しの問題である。ReActのコンパクションプロンプトはモデルに「自分（または自分の別インスタンス）が作業を再開できるようにする継続サマリーを書いてください」と求めている。ラボが公開したトランスクリプトでは、これが原因でモデルが作業を完了したと宣言することがあり、その後ハーネスが再びモデルを起動し、予算が尽きるまで同じレポートを何十回も再提出する。Codexは同じ瞬間を「タスクを再開する別のLLM向けのハンドオフサマリーを作成してください」と表現しており、ラボは、別のエージェントに呼びかけることが、長い予算にわたってモデルを前進させ続ける要因だという仮説を立てている。彼らはこれを原因ではなく仮説と呼んでいる。 表を読むうえでもう一つ重要な設定エラーがある。ReActのコンパクションは、意図されたトリガーではなく100Kトークンに設定されていたため、設計が求めるよりはるかに頻繁にコンパクションを行い、それが両モデルのReAct行を押し下げている。 この研究自身の注意事項は、そこから得られるあらゆる数値に付随させておく価値がある——モデルが2つ、ハーネス設定あたり10サンプル、ベンチマーク本来の41タスクに対してモデルあたり70問のサンプル、そしてエラーになったか完了しなかった3サンプル（うち2つはGLM-5.3-Flash）である。著者らは、小規模サンプルは本質的にノイズが多く、結果が他の領域やタスクにも及ぶと想定すべきではなく、METRによる先行研究では長期的なタスクにおいてハーネス間に統計的に有意な差は見つからなかったと述べている。これはベンチマークの所有者ではなく、他者のベンチマークを実行している外部ラボによるものであり、査読も受けていない。それが何でないかといえば、ベンダーの数値ではない。そしてこれは、この記事において、単にベンダー自身の説明を裏づけられなかったのではなく、それに矛盾する最初の外部数値である。

ここでルーターが働きかけられる点が1つ、働きかけられない点が1つある。ルーターはあなたのハーネスを選ぶことはできない——それはすでに実行しているエージェントループであり、この研究の要点はその選択が成否を左右するという点にある。ルーターにできるのは、このペアのモデル側を1行の変更で済むようにすることだ。DeepSeek V4.1 Flash と GLM-5.3-Flash はどちらも、単一の OpenAI 互換キーで OrcaRouter 経由でルーティングでき、プロバイダー自身の定価に 0% のマークアップを上乗せした価格で利用できる。そのため、独自のモデルとハーネスの組み合わせを見つけたいチームは、固定したハーネスの下にあるモデルを、2つ目の契約や2つ目の統合なしに差し替えられる。また、差し替えがリグレッションだった場合に備えて、実績のあるモデルをその後ろに自動フェイルオーバーとして残しておける。これは、以下に示す導入のセクションで述べているのと同じ論点を、ハーネス研究がちょうど具体化した意思決定に当てはめたものだ。この証拠に照らせば、実行するハーネスは、選ぶモデルよりも重要かもしれない。そして、そのペアのモデル側こそ、午後1つで変えられる側なのだ。

フロンティアにどこまで到達するのか、そしてどこで依然として負けているのか

9月のモデルカードでは、V4.1 Flashを最大推論エフォートのOpus-5.0、GPT-5.6 Sol、Kimi K3、GLM-5.3と比較し、自社のDeepSeek V4 ProとDeepSeek V4 Flashを内部ベースラインとしている。以下の数値はすべてベンダー報告によるもので、DeepSeekのハーネス上で実行されたものであり、第三者による再現はない。カードには、エージェントタスクの結果はDeepSeek HarnessのMinimalモードを使用し、コードベンチマークでは100万トークンのコンテキスト、視覚系では512Kウィンドウを用いているため、同じベンチマークに関する公開された第三者数値とは直接比較できないと記されている。上記セクションの独立スコアは、異なる評価セットにおける別の測定値である。これらは全体像を支持するが、以下の個々の行を裏付けるものではなく、上記セクションの10月17日の行は別のカードおよび同じベンチマークの別の実行に由来する。

エージェント型およびコーディング作業において、ベンダーの数値はV4.1 Flashを、それが挙げるフロンティアモデルよりも上位に置いています。

• Terminal-Bench 2.1 — 90.6（Opus-5.0 は 89.1、GPT-5.6 Sol は 88.8、DeepSeek V4 Pro は 87.9）

• DeepSWE v1.1 — 74.2 解決済み（74.0、73.0、62.7 に対して）

• CyberGym — 88.1、GPT-5.6 Sol と GLM-5.3 はいずれも 84.5、DeepSeek V4 Pro は 83.3

• AutomationBench — 54.8（Opus-5.0の50.3とDeepSeek V4 Flashの37.7に対して）

• Agent's Last Exam — 31.8（28.6および25.7に対して）

• Codeforces — レーティング3,471で、DeepSeek V4 Pro（3,348）とDeepSeek V4 Flash（3,289）を上回る

• MathArena Apex — 65.6。Kimi K3 と同等で、DeepSeek V4 Pro の 65.3 を上回る

そして、より難しいエージェント型スイートでは、そうはなりません：

• Terminal-Bench 3.0 — 30.0。43.3 の Opus-5.0 と 34.4 の GPT-5.6 Sol には大きく及ばないが、11.8 の DeepSeek V4 Pro をはるかに上回る。

• Terminal-Bench 4.0 — 31.2、51.8および39.9に対して、再びDeepSeek V4 Proの12.4を上回る。

• ProgramBench — 20.3、Opus-5.0 の 37.0 に対して

• NL2Repo-Bench — 64.0、Opus-5.0 は 75.3

• HLE — 36.8、56.3および44.5に対して

• ExploitGym — 15.3、33.7および22.1に対して

そのリストの形は、どの単一の行よりも示唆に富んでいる。V4.1 Flashは、ハーネス内での持続的なツール使用を評価するベンチマークではフロンティアを突破し、推論の深さを評価するベンチマークでは負ける——これは、純粋な推論能力の上限ではなく、スループットとコンテキスト経済性を中心に設計されたモデルから期待されるパターンだ。際立っているのは社内比較の方だ。V4.1 Flashはほぼすべての行でDeepSeek V4 Proを上回り、両者がOpus-5.0に敗れている行でもそうだ。DeepSeekは、自社の最安モデルが市場で最高のモデルだと主張しているのではない。最安モデルがDeepSeek製で最高のモデルだと主張しており、それは同社自身のルーティングテーブルが裏付けている。

料金はいくらか、そしてProとの比較が実際にどうなっているのか

9月10日の料金表は、現在では単純にV4.1 Flashの料金表であり、DeepSeekのModels & Pricingページでピーク時とオフピーク時の区分で公開されています：

入力、キャッシュヒット — オフピーク時は100万トークンあたり$0.003、ピーク時は$0.006

• 入力、キャッシュミス — オフピーク時は1Mトークンあたり$0.15、ピーク時は$0.30

• 出力 — オフピーク時は1Mトークンあたり$0.60、ピーク時は$1.20

• ピーク時間帯 — 月曜日から金曜日の01:00〜04:00および06:00〜10:00（UTC）。その他の時間帯は、ピーク料金の半額で請求されます。

• 人民元 — オフピークは¥0.02、¥1、¥4、ピーク時は2倍の¥0.04、¥2、¥8

それを、それが取って代わりつつあるモデルと比較してみよう。DeepSeek V4 Pro は、100万トークンあたりキャッシュヒット入力 $0.022、キャッシュミス入力 $0.66、オフピークの出力 $1.98 を請求する。キャッシュミス入力で約4.4倍、出力で約3.3倍だ。9月14日の再ルーティングがすべての deepseek-v4-pro 呼び出しに適用するはずだったのはこれらの数値であり、だからこそこの計画は、能力の話であるのと同じくらい価格の話でもあった。そして、この比較が今も重要なのはそのためだ。DeepSeek が撤回したのは再ルーティングであり、料金表ではなかった。Artificial Analysis も自社の掲載情報から同じ計算に行き着いている。V4.1 Flash は100万トークンあたり $0.30 と $1.20、DeepSeek V4 Pro 0813 は $1.32 と $3.96 で、同じ4.4倍と3.3倍、さらに同サイトのキャッシュヒット・入力・出力の7:2:1構成でブレンド価格は100万トークンあたり $0.18 となる。この料金表は、引退させるモデルである DeepSeek V4 Flash 0731 も下回る。同サイトでは $0.44 と $1.32 で掲載されている。

トークン単価はタスクあたりのコストではなく、ベータ版がその証拠だ。初日のテスターは、新しいモデルでの5分間のセッションが、DeepSeek V4 Flashで同じ実時間を使った場合よりも速く残高を減らすと報告した。なぜなら、このモデルはトークンを高速に出力するように作られており、請求額は分ではなくトークン数に比例するからだ。Proの4分の1の価格のカードは、タスクが同程度のトークン数で完了するならお買い得であり、そこに至るまでモデルがより長く考えるならトントンだ。

その問いについて外部の数字が存在する場合、それはどちらの方向にも解釈できる。Artificial Analysisは独自の評価セットでDeepSeek V4.1 FlashをIntelligence Indexタスクあたり0.27ドルとしている。これは実際のタスクあたりの数値で、DeepSeekの外部で算出されたものであり、しかも低い。しかし同じ実行では2億5000万出力トークンが生成され、比較可能なモデルの中央値1億4000万トークンだった。そして同サイトの要約は、このモデルを高速と呼ぶのと同じ文脈で、非常に冗長とも呼んでいる。冗長さはベンチマークハーネスの中では無料だが、本番環境では高くつく。これはまさに、ベータテスターが実時間ベースで残高がより速く減ると報告したときに説明していた仕組みそのものだ。タスクあたりの問いについて正直な現状は、ある独立系評価者が今やその両方の側面を独自の評価セットで測定したものの、答えは依然として何を実行しているかによって変わる、というものだ。複合指標は余分な出力がどこへ行くのかを示せず、ベータテスターもそれについては何も言わなかった。最初の実践レポートはそれを示しており、以下の速度セクションにある。モデルが冗長なのは、確認を行っているからだ。10月17日のアップデートは、DeepSeekがその数値を動かしたと主張した初めての事例だ。変更履歴には新しいチェックポイントが「タスク実行時間と出力長を削減する」とあり、数時間後の投稿は同じことをより少ない言葉で述べている。「タスク完了の高速化と、より短い出力」だ。これはDeepSeekが自らの責任で、外部の測定が不満を述べていたまさにその量に対処しているということだが、どちらの声明にも数値は付されていない。10月18日の最初の外部による検証では、総量は減少していた。インデックス全体で2億1000万出力トークンで、9月の2億5000万に対して減っている。一方、タスクあたりの数値は横ばいで、88,574トークンに対して89,495トークンだった。

月額費用：80ドル分の利用枠、その後は無料プラン

上のカードは、トークンにかかる費用に答えている。別の数字は二度動いており、二度ともそれは OpenCode から出ている——OpenCode とは、Go サブスクリプションでこのモデルへのアクセスを、従量制トークンとしてではなく月次の利用枠として価格付けするコーディングエージェントであり、モデルについてではなく自社のサブスクリプションについて語っている。9月25日、このプラットフォームのアカウントはこう投稿した。「Operation Cheepseek フェーズ2：DeepSeek v4.1 Flash の $60 分の利用が恒久化されました」。10月12日には同じ形式で続編を投稿した——「Operation Cheepseek フェーズ3：DeepSeek V4.1 Flash の $80 分の利用」——そしてその料金ページには、このモデルについて $80 と記載されていた。9月下旬には $60 と記載されていたところだ。その読み取りは10月13日、同じページに対して再び行われ、同じ行を返した：月額 $10 の Go ティアでは $80、Go Plus では $160。したがってこの数字は、ひとつの投稿が自分自身について述べた主張ではない。このモデルを取り扱うために、ひとつのプラットフォームが公表した価格であり、翌日になってもまだそこにあった。合わせて読むと、この2つの投稿は「恒久」が結局何を意味していたかを示している：失効日はない——そして3週間後にはより高い数字。その変更が何でないかといえば、モデルに到達する新しい手段ではない——それは3日後、以下の段落で登場する。DeepSeek V4.1 Flash は9月10日以降、DeepSeek 自身の API で応答しており、OrcaRouter はリリース以来、DeepSeek 自身の料金でそれを提供してきた。したがって、本稿の重み、アーキテクチャ、あらゆるベンチマーク行は、サブスクリプションの価格改定の影響を受けていない。10月が変えたのは、誰がこのモデルを取り扱おうとしているのか、そしてどのような条件でか、である。

無料エントリーは、それら二つとは種類の異なる変更であり、3つのうち今週読者ができることを変える唯一のものだ。10月15日、OpenCodeはこのモデル用に別のエントリーを追加した——DeepSeek V4.1 Flash Free、モデルID deepseek-v4.1-flash-free——無償で提供される。同プラットフォームの公開モデル一覧では、これが従量課金IDの隣に返され、Console のドキュメントには無料モデルのエントリーがあり、期間限定で無料であること、およびそのプロバイダーがデータを学習に利用しないゼロリテンションポリシーに従っていることが記載されている。また公開価格表では、入力、出力、キャッシュ読み取りがFreeとされている。ただし、これは完全な製品ではない。無料エントリーのカタログ上の制限——10月15日に、OpenCode自身のモデル一覧が取得される元のカタログであるmodels.devに追加された——では、従量課金エントリーをベースモデルとして指定し、ウィンドウを200,000トークン、出力上限を32,000トークンに制限している。それに対して、従量課金のdeepseek-v4.1-flashエントリーは1Mコンテキストと384K最大出力を備える。これは、より小さなモデルや蒸留モデルではなく、同じ重みをより狭い提供条件で使うものであり、出力上限はエージェント作業で最初に効いてくる条項だ。そこでは、1回のファイル編集がそれを超えてしまうことがある。プラットフォームはこの取り決めに終了日を付けず、料金表も公表していない。なぜなら料金が存在しないからだ。これらはどれもDeepSeekから出たものではない。これは、自らが所有しないモデルに関する一プラットフォームの商業的判断であり、そのプラットフォーム自身のモデル一覧、自身のドキュメント、自身の価格表に記載されている。そして、これらすべての唯一の情報源でもある——無料エンドポイントが負荷時にどう振る舞うかについての独立した測定は見つからず、「期間限定」はスケジュールではなくプラットフォームの表現だ。これを、今日このモデルの前に200,000トークンのウィンドウを用意する最も安価な方法として読み、モデルそのものの変化として読むべきではない。

このメカニズムは、10月12日に読み、10月13日に再読したあの料金ページに基づいている。Goは月額10ドルのサブスクリプションで、その表は掲載されている各モデルを、5時間あたりの推定リクエスト数および月間利用上限と対にしており、2つのプランについて別々の列に示している。DeepSeek V4.1 Flashはページ上で最大の許容量を持ち、Goでは月額80ドル、5時間あたり推定34,670リクエスト、Go Plusではその2倍の160ドルと69,330リクエストになる。各行はモデルをDeepSeek自身の料金表で課金しており、オフピーク時は入力100万トークンあたり0.15ドル、出力0.60ドル、キャッシュ読み取り0.003ドル、平日のピーク時間帯には0.30ドル、1.20ドル、0.006ドルへと倍増する。これらはベンダーの数値であり、このセクションがすでに掲載していた9月の時点の読み取り以降変わっていない。当時ページに示されていた2つの事項は今日のページにはなく、どちらも以前の読み取りがそれらに依存していたため指摘する価値がある。すなわち、3つのバケットからなる消費ルール——どの5時間でも20%、1週間で50%、1か月で100%——はもはや記載されておらず、リクエスト推定値を元々読み取っていたドキュメントURL、opencode.ai/docs/goは、確認したところ404を返した。上記のリクエスト数は、プラットフォームが公開していない呼び出し形態に対して行った計算であり、当方のものではない。

変更はページに照らして確認でき、今ではそれが複数回あったという事実も同様に確認できる。9月下旬、同じ行は有効期限が付されない$60を示していた。プロモーション用の$15の許容量が4倍されて$60になり、乗数が失効する日として9月20日が付されていたためだ。リクエスト見積もりは2列で公開され、標準が6,500 / 16,250 / 32,500、対して乗数適用が26,000 / 65,000 / 130,000だった。行はどちらの読み取りでも$80を示しており、このモデルの公開見積もりは5時間あたり34,670、1か月あたり69,330である——9月の拡張セットよりも高いドル許容量が、より低い月間リクエスト数と並んでおり、この両方が同じ想定呼び出し形状を表すことはできない。ページはトークン構成比を明示しておらず、説明もしていない。したがってこの相違は2つの読み取りに関する事実であり、外部から解決できるものではない。料金自体はDeepSeekの料金表における割引ではなかった——トークン単位の価格設定は一貫してベンダー側のものであり、今もそうだ。許容量がしないのは、品質について何かを語ることである。それは、あるプラットフォームが、このモデルのトラフィックをその料金で期限なしに扱えるという判断であり、モデルについてではなく提供エコシステムについての証拠である。

この区別は、選ぶときに重要です。固定上限とパススルー型の従量メーターは別の製品だからです。DeepSeek V4.1 Flash は OrcaRouter 上で DeepSeek 自身の料金により、0% の上乗せで提供されています — オフピーク時で 100 万入力トークンあたり $0.15、100 万出力トークンあたり $0.60。これは上のカードに記載されているのと同じ数字で、周囲に何も束ねられていません。購入すべきサブスクリプションも、使い切るべき月間枠もありません。固定月額料金に対する $80 の上限は、一日中エージェントを動かす開発者 1 人には合った形です。そこでの問いは、月にいくらかかるかです — そしてすでに一度、3 分の 1 引き上げられた上限は、その数字がモデルの性質ではなく商業的な判断であることも思い出させます。200,000 トークンのウィンドウがある無料枠は、今週モデルを試すには合った形で、フルウィンドウを必要とするコードベースには合わない形です。そしてそれは、同じモデルの 2 つのティアが共有していない唯一の点です。ベンダー料金をそのまま通すことは、サービスには合った形です。そこでの問いは、各呼び出しにいくらかかるか、そしてプロバイダーの次の価格改定が起きた当日に自分に届くかどうかです。どちらもこのモデルのコストに答えますが、答えている相手は異なる支出者です。

速度：ベータ版の数値、メーカーの主張、そしてエンジン自身のビフォーアフター

ベータ版が公開されたとき、スループットが最大の話題だった。開発者たちは、長い生成で毎秒およそ420出力トークン、ピーク時には500超を報告しており、広く共有されたある実行では3分未満で71,000トークン以上を生成した。これらは依然として、制御されていない条件下で取得されたコミュニティの測定値であり、そのように読むべきだ——だが、その背後にある仕組みは今や推測ではなく文書化されている。890バイト/トークンのKVキャッシュと、16Bパラメータを活性化するデコード経路は、スループット向けに構築された設計であり、したがってこのアーキテクチャは少なくとも、そのような数値を生み出すのに適した形をしている。それらが実際にどれほど大きいかは次の段落で扱う課題であり、答えはより小さい。

DeepSeek自身の変更履歴における主張は、V4.1 Flashが「性能、コスト、速度、総所要時間のすべてでV4 Proを全面的に上回った」というものだ。そこで効いている言葉は「総所要時間」である。ベンダーが速度を、毎秒トークン数ではなくタスク完了として位置づけているのであり、ファイルを書き、エラーを読み、再試行する実際のエージェントループに接しても生き残るのは毎秒トークン数のほうだ。Artificial Analysisは今、その以前の主張に実測値を与えている。DeepSeek V4.1 Flashで毎秒185出力トークン、DeepSeek V4 Flash 0731では175だ。これは実際の第三者による数値であり、ベータ期間中に開発者が報告した毎秒420トークンのおよそ半分だ。だからこそベータ時の数値は、あるべき場所、すなわち管理されていない条件の列にとどめておくべきなのである。

10月7日、vLLMプロジェクトはリリース後3週間の集計を公開した。これは本稿で登場する実測速度の数値のうち、トークンカウンターでもベンダーのスローガンでもない最初のものだ。InferactとvLLM Teamの名義で、プロジェクトは次のように報告している。DeepSeek V4.1 Flashは現在のビルドで、低同時実行時には同プロジェクトの初日実装より1.9倍高速に動作し、150 TPS制約下では5.3倍のスループットを出す。これは要約が掲げる数値であり、同じ投稿の本文にある「約5倍」とは異なる。どちらもSemiAnalysis AgentXのエージェント型サービングベンチマークで測定され、低遅延の数値はTP4とFlashInferアテンション、スループットの数値はDEP2とデータ並列アテンションによるもので、ハードウェアはNVIDIA GB200およびGB300だ。 この結果について整理しておくべき点は3つある。第1に、vLLMをvLLMと比較している。ベースラインはプロジェクト自身の初日レシピであり、別のエンジンでも別のモデルでもない。したがってこの数値は、このモデルが他と比べてどうかを示すのではなく、サービングスタックがどれだけ改善したかを示す。第2に、これはランタイム自身による自らの作業についての説明であり、第三者による再現はない。第3に、最大の単一改善は重みではなくランタイムから来ている。SWA有界リプレイは、スライディングウィンドウをレイヤー間で再実行する代わりに、そのウィンドウの最後の128トークンだけを再実行するもので、このモデルでは単一のフラグで制御されるデフォルト有効の機能として出荷されるようになった。プロジェクトは、リプレイとCUDAグラフキャプチャにより最初のトークンまでの時間を約30%短縮し、デコーダ側の刈り込みによりプリフィル計算を30～40%削減し、3つの最適化を積み重ねると約100Kスループット時にTTFTをほぼ70%短縮すると報告している。リプレイが逆効果になる場面も報告している。CUDAグラフなしでは短いプロンプトでベースラインより遅くなり、1Kトークンでは最大12%悪化する。起動オーバーヘッドが節約される処理を上回るためだ。精度はGSM8KとGPQAで確認され、有意な差は報告されておらず、差は約1.5標準誤差以内だ。これは、有界リプレイが厳密ではなく近似であるという報告自身の記述と照らし合わせて押さえるべき数値である。プロジェクトはさらに、ベンチマークのどこでもモデルにKVキャッシュのオフロードは不要だったと付け加え、オフロードが効果を発揮し始めるのは、プリフィルとデコードを複数マシンに分割するより高い同時実行時になってからだと予想している。これは下記のカーネルボードとは別の測定だ。カーネルボードはモデルが書くカーネルを採点する。vLLMの数値は、エンジンがモデルのアーキテクチャを実装した後にそのモデルを提供するコストがどれだけかに関するもので、ここでのエンジンは報告している当のエンジンである。 プロジェクトは10月17日、DeepSeekがチェックポイントを差し替えた日に再び投稿し、最初に掲げた数値は別種のものだった。SemiAnalysis AgentXにおける総所有コスト1ドルあたり13億トークン、GPUあたり毎秒83万トークン（キャッシュ済み、入力、出力トークンを合算）で、全ユーザーに毎秒100出力トークンを維持しながらの値だ。これは速度差ではなく提供コストの結果であり、下記の提供コストの節で詳しく扱う。この点でこの段落に関係するのは3つ。10月7日の集計から3週間後の、同じプロジェクト、同じモデル、同じベンチマークであること。プロジェクトはその集計を第1章と位置づけ、初日のエージェント型スループットの5倍とし、次の章はまだ続くとしているが、その後ブログにDeepSeekの2本目の投稿は出ていないこと。そして、コスト曲線は依然としてランタイム側の台帳であり、モデルに対する外部の評決ではないことだ。 その区別こそ、ノードを一度も運用しない人にとってもこの数値が重要である理由でもある。この作業は呼び出し元が行う作業ではない。低同時実行時に1.9倍高速になるサービングスタックは、それが処理するリクエストを高速化する。そして、API経由でこのモデルに到達することが、ハードウェアを所有せずにほとんどのチームがその恩恵を受ける方法だ。DeepSeek V4.1 FlashはOrcaRouter上でDeepSeek自身の料金にマークアップ0%で提供され、同じ系列の他のモデルと同じOpenAI互換キーを使い、実績のあるモデルを自動フェイルオーバーとして背後に備えている。モデルと料金はプロバイダーのペースで動き、エンジンの選択はプロバイダー側の領分に留まる。

提供にかかるコスト：初の独立系ハードウェア数値

ここまでの内容はすべてモデルを測定している。10月14日、Artificial AnalysisはDeepSeek V4.1 FlashをAA-AgentPerfに追加した。これはモデルではなくアクセラレータシステムに対して実行するベンチマークであり、その結果は、料金表では決着をつけられない問いに対する最初の公開回答となる。すなわち、データセンター電力1メガワットでこのモデルをどれだけ処理できるか、という問いだ。AA-AgentPerfは記録されたコーディングエージェントのセッション——マルチターンの推論、ツール呼び出し、100Kトークンを超えて成長するコンテキスト、プロンプトキャッシュヒットを含む——を稼働中のサービングスタックに対して再生し、各エージェントがエージェントごとの速度目標を依然として満たしながら、システムが保持できる同時エージェントの最大数を求める。このモデルについての目玉は、NVIDIAのラックスケール製品だ。ユーザーあたり毎秒100出力トークンの条件で、GB300 NVL72は1メガワットあたり毎秒約2億6100万トークンで首位に立ち、B300の約2億2000万、B200の1億9300万、GB200の1億7800万、AMDのMI355Xの1億2800万を上回る。これらはArtificial Analysisの数値であり、本日同社のデータセンター推論ページから読み取ったもので、ベンダーのものではなく、特定のハードウェアとサービング構成に関する同社の測定値である。持ち帰る価値のある詳細が2つある。1メガワットあたりの数値は、定格TDPではなく、実行中に測定されたアクセラレータ電力——GPUダイ＋HBM——から計算されている。また、チャート上の各点には、その背後にあるエンジン、バージョン、数値形式が示されている。したがって、その数値はサービングスタックについての主張であり、重みだけについてのものではない。

このモデルのチャートが他と異なって見える理由は、そのサイズにある。DeepSeek V4.1 Flash は最小で2基のアクセラレータに収まる。そのため、ラック規模のシステムは、より大規模なモデルの場合ほどここでは優位にならない。Artificial Analysis は、B300 が曲線全体で GB300 NVL72 の約20%以内にとどまり、両端ではそれを上回ると報告している。ユーザーあたりの速度を下げてよい場合は1メガワットあたりのスループットが最大になり、そうでない場合は単一エージェントとして最速になる。バッチサイズ1では、すべての Blackwell 製品と MI355X が単一ユーザーで毎秒約600〜670トークンに収まり、H100 と H200 では372〜392トークンとなる。同じ軸で DeepSeek V4 Pro 0813 と比べると、より小さいモデルは100 tok/s の地点で、GB300 では1メガワットあたり約1.3倍、B200 では約6.2倍のスループットを返す。これは、アーキテクチャの節が KV キャッシュの側面から述べている効率性の主張が、仕様ではなくシステムを測定した第三者から届いた形だ。これらの数値の背後にある構成は、この設計の中心的な仕掛けが紙の上だけでなく本番で使われていることを示している。B300 と MI355X の2基構成の実行の両方で、196B の Engram テーブルはアクセラレータ上に置かれるのではなく、vLLM の CPU オフロード経路を通じてピン留めされたホストメモリから提供される。リリースノートが説明していた仕組みが、公表された測定の背後にあるセットアップで今や見えるのだ。 別の通貨で表される2つ目のコスト数値は、10月7日の vLLM の投稿が測定されたベンチマークから来る。10月17日、vLLM プロジェクトは、SemiAnalysis AgentX 上で DeepSeek V4.1 Flash を総所有コスト1ドルあたり1.3Bトークンに置くチャートを公開した。そこには Dynamo 下の GB300 NVL72、GB200 NVL72、B200、H100、MI300X の個別の曲線がある。その背後のコスト階層は「大規模ハイパースケーラー規模での所有」とラベル付けされており、その下のチップ時間の前提は、MI300X の $0.95 と H100 の $1.17 から、B200 の $1.73 と GB300 の $2.31 にまで及ぶ。これらは SemiAnalysis 自身の2026年7月の価格調査から取られている。これには2つの限界がある。これは vLLM プロジェクトが SemiAnalysis のコストモデルを報告しているものであり、どちらの当事者も第三者による再現を得ていない。また、このチャートの日付は10月16日で、DeepSeek がモデル名の背後にある重みを差し替えた前日であるため、これも9月のチェックポイントを指している。 これでこの記事では1つのモデルについて3つの通貨が登場する。ユーザーあたり毎秒トークン数、メガワットあたり毎秒トークン数、ドルあたりトークン数だ。最後のものは、データセンターを持たない購入者が行動に移せる指標である。なぜなら、プロバイダーのコスト改善が最終的に彼らのもとに届くのは、この量の形だからだ。これはあくまでサービングの測定であり、品質の測定ではない。ここにはモデルがどれほど優れているかは何も示されておらず、あるリーダーボードのハードウェア結果は、上記のどのベンチマーク行の再現でもない。それが確立するのは、このモデルの料金表のコスト面に、今や外部の証拠が下支えとしてあるということだ。プロバイダーが1メガワットあたり数倍のスループットで提供できるモデルは、プロバイダーが安価に保つ余裕のあるモデルであり、DeepSeek V4.1 Flash は OrcaRouter 上で DeepSeek 自身の定価、マークアップ0%で提供されている。これはプロバイダーのコスト改善を留保するのではなく通過させる形だ。

2社のシリコン上でエンジンにかかるコスト

今週まで、このモデルに関するスループットの問いは、他人の測定によってしか答えられてこなかった——ランタイムが自身の処理を計上し、ベンチマークサイトがシステムを測定し、開発者がベータ版でトークンを数える、といった具合だ。DeepSeekは今週、このモデルの本番サービスを支えていると同社が述べるフレームワーク「DeepInfer」をApache-2.0の下で公開した——リポジトリは10月16日に現れ、最初のコミットは10月20日に入った——そしてそれとともに、1つのスケールアップドメイン内の64台のSM100アクセラレータで測定した1017チェックポイント用のデコード・パレートプロットを公開した。プロットに印字された構成こそが重要な部分だ。以下の比較が左右するのはその構成だからである。データ並列度64に対するエキスパート並列度64、プロットに印字された「384+64 experts」、131,072トークンのコンテキスト、3トークンに固定されたDSparkのドラフト長、そしてトークンあたり75%の受け入れ率。この曲線は、最もインタラクティブ性が低い端で、アクセラレータあたり毎秒3万出力トークン弱で頭打ちになり、ユーザーあたりの速度が毎秒100トークンを超えて上がるにつれて2万5000台半ばまで下がり、チャートの右端では数千まで落ち込む。これはDeepSeekが自社エンジンを自社モデルで測定したものであり、独立した数値ではない——しかし、このアーキテクチャについて、それを作ったラボが公開した最初のデコード曲線であり、それを生成したスイープスクリプトは同じリポジトリに入っている。

コードと併せて公開された解説文が動作点を示しており、以下の数値が抽象的な最大値ではなく毎秒230出力トークンで示されているのはそのためだ。DeepSeek自身の本番実績によると、デコードはアクセラレータあたり毎秒14Kトークンで、サービスはユーザーあたり毎秒230出力トークン——コーディング作業では300——を維持する。入力キャッシュヒット率は96%、平均入力は77Kトークン、初回トークンまでの時間は平均400 ms、p99で1秒、プレフィルはデコードとほぼ1:1の比率で用意され、同社が1日155兆トークンを処理すると言う単一クラスタ全体でこれを実現している。これらの数値の横に示された収益項目、オフピーク料金でアクセラレータ時間あたり38ドルは、DeepSeekがこのモデルの提供について公に示した最初のコスト数値だ。いずれも監査を受けておらず、すべてはベンダーが自社サービスを説明したものにすぎないが、それでもこのアーキテクチャの運用コストがどれほどかについて存在する最も具体的な全体像である。

比較のもう半分はHuaweiのシリコンに由来しており、それは情報源がより弱い側である。9月30日付で「Ascend 950DT DeepSeek-V4.1-Flash Benchmark」という見出しのベンチマークシートは、FP8–FP4の混合精度で32チップに展開したモデルを報告しており、データ並列アテンションとエキスパート並列Mixture-of-Expertsを備え、128Kトークン系列上で、強制的なエキスパート並列ロードバランサー構成を伴うDSpark投機的デコーディングを使用し、平均受理長は4.1トークンである。そこには3つのデータ点が示されている。そのレイテンシ列は出力トークンあたりの時間であるため、各項目の逆数がその行のユーザーあたり速度となり、それによってこのシートを曲線と突き合わせることができる：

• グローバルバッチ1,536、出力トークンあたり9.41 ms — ユーザーあたり毎秒約106出力トークン — チップあたり毎秒5,102トークン。

• グローバルバッチ384、出力トークンあたり4.40 ms — ユーザーあたり毎秒約227出力トークン — チップあたり毎秒2,727トークン。

• グローバルバッチ2,560、出力トークンあたり13.79 ms — ユーザーあたり毎秒約73出力トークン — チップあたり毎秒5,800トークン。これはシート内で最高の数値であり、その見出しで使われている値です。

NVIDIAの曲線に重ねると、中央の2行が効いてくる。なぜなら、そこはサービスが実際に稼働する速度帯だからだ。この表を明るみに出したスレッドは、比較を、アクセラレータあたり毎秒25,500トークン対、ユーザーあたり毎秒100出力トークン時の5,102、そして230では20,000対2,727と読んでいる。最初の動作点で5倍、2番目で7.4倍の差だ。同じ公開曲線を直接読むと、NVIDIAの数値は上下する。画像をピクセル単位で読み取ると、100トークン時点では約28,000に、230では約17,000に近づき、スレッドの数値の両側に位置する。そこから得られる幅は、最初の動作点で約5.5倍、2番目で約6倍となり、スレッドの範囲は狭まるが、その形は変わらない。グラフから読み取ったベンチマークとはその程度のものであり、結果の方向性を変えるものではない。また、表の代表値5,800は最も対話性の低い行である点にも留意すべきだ。NVIDIAの曲線が自身のピークに最も近く、比率が約5倍に戻る点である。

その表はDeepSeekやHuawei自身のページでは見つからなかった。この記事には、Xのスレッドに添付された画像として届いたもので、Ascendの3つの数値は、誰かがその背後にある実行結果を公開するまでは、未公開のベンダーベンチマークとして読むべきだ。検証できるのは構成の非対称性であり、それはDeepSeek自身のドキュメントに由来している。DeepInferのデプロイノートは、prefillではエキスパート並列度2〜8、decodeでは64〜128を推奨しており、「prefill用の通常の8GPUマシン、decode用の通常の64〜128GPUスーパーノード」上で行うとしている。NVIDIAではそれは単一のNVLinkドメインであり、上のプロットはその内部で測定された。Ascendでは、DeepSeek自身の通信ライブラリが未完成の点を率直に述べている。「より大きなEPサイズとcombineは依然として最適化中」であり、combineは追加のローカルリダクションオーバーヘッドを抱え、URMAパスとのHBM競合があり、Huaweiのファームウェア作業も今後控えている——という注意書きは、9月29日の初回リリース以降、DeepEP-Ascendで公開されている。それがこの差を読む公平な方法だ。NVIDIAの数値はDeepInferがチューニングされた形から来ており、Ascendの数値は、作者自身がwide-EPパスはまだ作業中だと述べているスタックから来ている。5〜7倍のうち、ある部分はチップであり、ある部分はインターコネクトとその下のソフトウェアであり、誰もその2つを分離していない。

その差が金額でどれほどの価値になるかは、誰も公表していない価格次第だが、スレッドはそれでも計算を進めている。グレーマーケットのラック価格から外挿したBlackwellアクセラレータ1基あたり約139,000ドルに対し、950DTは約37,000ドルと噂されており、NVIDIAは取得コストだけでもAscendに並ぶために、チップあたり約3.8倍のスループットを出す必要がある。スレッドは交差点をチップあたり毎秒約6,800トークン付近と見積もっている。公表されているAscendの点はその線の下にあり、wide-EP経路がそれらを8,000〜10,000に引き上げるというスレッドの予測はその線の上にあるが、それは実測ではなく予測だ。入力はすべて不確かだ——グレーマーケット価格、噂の価格、曲線から読み取った数値——そしてどれも、ネットワーキング、電力、冷却、保守、あるいはそもそもそのハードウェアを購入できることの価値を考慮していない。

ノードをラックに載せることなど決してない人にとって、役に立つのはスコアボードではない。役に立つのは、DeepSeekの製品ラインで最も安いモデルが、2社のベンダーのシリコン上で安価に提供できると今や文書化されており、ベンダー自身のエンジンが公開され、その根拠となる数値もダウンロードできることだ。それは価格が依拠する類の証拠である。料金表は何も変わらない。DeepSeek V4.1 FlashはOrcaRouter上で提供事業者自身の定価、すなわちオフピーク料金で入力100万トークンあたり$0.15、出力100万トークンあたり$0.60、0%のマークアップでパススルーされている。そのため、プロバイダーの提供コストが下がれば、その節約分は再販マージンとしてではなく、価格を動かさずに済む形で届く。2社のベンダーのハードウェア上で議論された提供コストは、誰もまったく測定していないものよりも、その下により大きな余地を抱えた価格なのだ。

カーネルエンジニアリング：DeepSeekのものではない最初のスコアボード

上記のベンチマーク行はDeepSeek自身のハーネスによる数値であり、現在存在する外部スコアは、低レベルプログラミングではなく一般的な推論とサイバー悪用を測定している。このモデルのカーネルエンジニアリングに対する最初の第三者による検証も存在し、それはDeepSeekが委託したものではない形で現れた。コミュニティ運営のエージェント型ベンチマークで、モデルに実際のCUDAカーネルを書かせ、その結果をルーフライン——ハードウェアの理論上の上限——に照らして採点するものだ。リーダーボードはkernelbench.comで、RTX PRO 6000上で動作し、両ベンダーから独立している。その監査方法論は査読済みではなくコミュニティ報告に基づくものなので、そのパーセンテージは認定された測定値ではなく、方向性を示す第三者のシグナルとして読むべきだ。またこれは、この話の中でDeepSeekの数値が直接の競合他社の数値と並ぶ最初のスコアボードでもある。

見出しの行こそ、このアーキテクチャが中心に据えて構築されているものだ。DeepSeek V4.1 Flash自身のスパースアテンション——トークンあたり890バイトのキャッシュを生み出すCSA2スタック——は、モデルによってCUDAカーネルとして書かれ、高密度相当のルーフラインの50.19%に達し、ボード上で4位につけた。首位は106.27%のClaude Fable 5.1、次いで103.67%のClaude Opus 5、72.66%のClaude Fable 5である。まず注目すべきは、作り手自身のアーキテクチャが、それが最も得意とするカーネルだという点だ。スパースアテンション設計で訓練されたモデルは、上位3位より下のボード上のどのモデルよりも効率的にスパースアテンションカーネルを書く。次に注目すべきは、情報提供者が指摘した比較である。同じカーネルに対するGLM-5.3 Flashの試みはルーフラインの4.45%に達する——同じボードの同じ行で、V4.1 Flashより一桁低い。DeepSeekが公表したいかなるベンチマークではなく、この差こそが「カーネルエンジニアリングにおける大幅な改善」の意味するところだ。

比較はスパースアテンションの行で止まるものではなく、より全体像が重要だ。というのも、ツイートの見出しは GLM-5.3 Flash を名指ししている一方、それが引用している引用元の記事では、独自の fused-MoE 行で別のより大きな GLM-5.2 に実際には言及している — 注意すべき名称の不一致である。両方のフラッシュ級モデルが実際に実行を完了した行では、V4.1 Flash がそのすべてで勝っている。Kimi-Linear Decode は 17.10× 対 13.64×、MegaQwen Decode はルーフラインの 5.39% 対 3.92%、TopK Bitonic は 4.25% 対 GLM-5.3 Flash の 7.17%、Sonic MoE は 10.81%（そのカーネルについてボード上のどのモデルも記録した最高スコア）対 10.21%、KDA CUTLASS は 3.74% 対 2.26% である。さらに2つのカーネルでは、GLM-5.3 Flash には完了した実行がまったくない — fused MoE と Grid + MinGRU シミュレーションカーネルで、ここでは V4.1 Flash がルーフラインの 28.56% を記録している。（GLM-5.3 Flash が V4.1 Flash を上回る唯一の行は TopK Bitonic で、7.17% 対 4.25% であり、これはどちらのモデルもボードの首位に迫っていない行でもある。）おおまかな構図は見出しと同じである。低レベルの GPU 作業では、V4.1 Flash はより小型の Z.ai モデルより単に先行しているだけでなく — 別格であり、最も難しい2つのカーネルでは、より小型のモデルはまったく完走しない。

このリーダーボードが果たしていないのは、そのギャップのどれだけがモデルによるもので、どれだけがモデルに書かせているアーキテクチャによるものかを教えることだ。DeepSeek V4.1 Flash は 552B パラメータのモデルで、自身のアテンションはスパースアテンション設計である。GLM-5.3 Flash はより小さなモデルで、その学習は同じ CSA2 スタックを中心に回っていたわけではない。自分の学習分布に似たアーキテクチャ向けのカーネルを書くよう求められたモデルには、元から備わった優位性がある。だからこそ、このリーダーボードの最も公正な読み取り方は、直接対決の判定というより方向性を示すものになる。カーネルエンジニアリングは今やこのモデルの測定された能力であり、それは本当に強力で、その情報提供者が示した具体的な比較は共通する行の上で成り立っている。このリーダーボードは、スペックシートでは答えられなかった問いにも答える。890バイトのキャッシュが実際に実現可能かどうか、である。ルーフラインの半分の性能を発揮する自分のスパースアテンションカーネルを書くモデルは、それをサービングしなければならないのと同じクラスのエンジニアによって、少なくとも実ハードウェア上で実装可能な中核設計を持つモデルである。

正直なところ、この結果が収まるのは、この記事の他のすべてと同じ場所だ。DeepSeekが自ら出したものではない、さらにもう一つの第三者測定であり、今回はベンダーのベンチマーク行のどれも対象にしていなかった能力——GPUカーネルの記述——についてのものだ。単一のGPU世代上の単一のコミュニティボードで、一度だけ実行され、その監査は査読を受けていない。したがって、認証されたスコアというより、方向性についての証拠だ。しかし、新しいアーキテクチャが何のためのものかを示す最初の外部の数字ではある。安価なFlashティアのモデルが、DeepSeek自身がエンジニアリングを注いでいる低レベルシステム作業を任されると、ハードウェアが許容する性能のおよそ半分に達する一方、直接のFlashティア競合は20分の1未満にとどまる。

速い修正、遅い確認：最初の実機レポート

スループットは、トークンカウンターには見えない速度の話の半分である。リリース以降に蓄積された実践レポートは、もう一方の半分——モデルが答えに至る過程でどう振る舞い、その振る舞いがどれほどのコストを伴うか——を測っている。そして、そこで見つかったものが機能なのかどうかについては、それらは一致していない。3つの独立した報告が同じパターンを述べている。いずれも統制された評価ではない。以下の数値は、各自のタスクを実行している個々の実務家によるものであり、測定値ではなく利用報告として読むべきである。

この挙動について最も明快に説明しているのはMindStudioで、同社はDeepSeek V4.1 Flashにインタラクティブな3Dビューアーをゼロから構築させた。その推論トレースは、レビュアーの言葉を借りれば「コードを出力するだけでなく、自分自身の計算を検証している様子を示していた」。モデルは構築の途中でオービットコントロールのダンピングのバグを捉え、修正を第一原理から導き出し、それから「タスク完了と宣言する前にヘッドレスブラウザーで修正を再確認した」。2つ目のタスクであるDockerベースのダッシュボードでは、反転した比較演算子を1つ見つけ、数値が更新されるなかでライブエンドポイントを8回ポーリングして修復を確認した。ベータ版のテスターたちがこのモデルを「考えすぎる」と呼んだのは、こうしたことを指していたのであり、そのどの単一ステップにも問題はない。エラーは見つかり、修正され、検証された。だが、それはまさに不満の内容でもある。そのバグはすでに対処済みで、別のDeepSeekセッションが1分以内に修正を確認していたのに、モデルはそれでも確認を続けた。MindStudioはこの習慣を強みと解釈し、そう述べている。そのテストで唯一批判したのは、物理の問題が最初の試行では手動で停止されるまでループし、再試行では正しく解かれたことだった。

逆方向からの読み取りは、時計、つまり時間についてのものだ。コミュニティがまとめた V4.1 Flash テスト集は、ある物理学の問題——斜めの角度で切られた水のコップ——を取り上げている。そこではモデルが正解に至るまでに12分と約13万トークンを費やし、求められてもいない自己検証を3巡行ってから収束した。同じ記事は、その習慣の極端な先にある失敗モードも記録している。思考の連鎖が時折、「書いてみよう」という繰り返しループに陥り、進展しないまま毎秒約200トークンでトークンを消費し続けるのだ。そして助言はモデル側ではなくクライアント側にある——max_tokens の上限とリクエストタイムアウトを設定し、それらにループを打ち切らせることだ。また、推論エフォートを low に下げた実行では、同種の問題が18秒で片付けられたことも記録している。これは、この大半が欠陥ではなく調整つまみであることを思い出させる。

検証量が正しさと同じものではないことを示す最も鋭い証拠は、Tencent Cloud Labs のレビューからもたらされている。それは論文再現において、DeepSeek V4.1 Flash を実装者、GPT-6 Astra をレビュアーとして組み合わせたものだ。3ラウンドが実施され、Astra が中核アルゴリズムを覆すことは一度もなかった。レビュアーがラウンドを重ねるごとに修正し続けたのは、V4.1 Flash が自ら構築した足場——実験設定、統計的構成、そして自身の結果から引き出した解釈——だった。テスト数は82から97、110へと増え、そのすべてが毎回合格した。総当たりのベースラインに対して、モデルが選んだ構成が最適と一致したのは、論文自体のパラメータでは8.89%、ランダム化された信頼度では11.04%、ランダム化された構成では10.30%だった。Astra の最も鋭い指摘は、整数境界を検査すると主張するテストに関するものだった。それは153回の拡張チェックを実行し、整数境界分岐は0回だった。モデルは自分が書いたスイートに合格しても、なおその問いに答えていないことがあり、このレビューは、そうした乖離が存在するという主張ではなく、乖離の実例である。範囲は狭く、著者らもそう述べている——単一の投機的長さセレクタ、シミュレートされた信頼度値、エンドツーエンド実行なし——しかしその形は、他の報告が描くものと同じだ。

Artificial Analysisの数字と並べてみると、これはもはや逸話には見えなくなる。このモデルの最初の独立評価では、非常に高速であることと非常に冗長であることが同時に測定された。毎秒185出力トークン、そして評価セット全体で生成された出力トークンは2億5,000万で、同等モデルの中央値1億4,000万と対照的だった。総合スコアは、余分な出力がどこへ向かうのかを語れない。実際に使った報告なら語れる。そのトークンは埋め草ではない——モデルが確認しているのだ。同じ量が、無関係な方向から、サードパーティ製ターミナルクライアントに関するバグ報告に現れる。そこでは、deepseek-flashルート上の推論コンテンツが、思考ブロックに分離される代わりに可視回答へ追記され、最大73,003文字の内部独白を含む単一のテキストブロックを生成し、後のターンで再生するために何も取り込まれていなかった。そのバグはクライアントに帰属し、DeepSeekのものではなく、品質に関する証拠ではない——しかし、ハーネスがそれを分離できないときに、このモデルがどれほどの思考を出力するかを示す適切な例ではある。

これらはどれも上記の価格計算を覆すものではなく、むしろそれを説明している。自己検証するモデルは、エージェント的作業ではそのトークン分の価値がある。誤った修正のコストが、それが正しいと証明するために費やすトークンより大きいからだ。一方、些細な編集を延々と繰り返すループには向かない。そこでは確認作業が実行の大部分を占める。この差を扱いやすくするものが2つある。reasoning effortダイヤルは3つの固定段階ではなく1から100までの連続した整数なので、同じモデルを安価な作業では下げ、難しい作業では上げられる。上記の18秒という結果はまさにそうして得られた。そして安価な安全網はクライアント側に属する。max_tokensの上限とリクエストタイムアウトは、繰り返しループを請求書から切り詰められた応答に変える。どちらも、本番経路がこのモデルを指す前に確定しておく価値のある設定であり、どちらもモデルが自ら行うものではない。

拒否：チェックポイントは拒否し、その拒否は測定可能です。

10月20日、DeepSeek-V4.1-Flash-1017に注目を集めたのは、ベンチマークの行ではなく拒否だった。本稿ですでに引用したDeepSeekトラッカーは、1017チェックポイントをdsh-purge適用で実行しているエージェントセッションのスクリーンショットを投稿し、それでもモデルは拒否したと報告した。投稿者の言葉によれば、その実行は「ペルソナを拒否した」のであり、モデルはその要求が「プロンプトインジェクションの試み」であり、「ペルソナを採用すべきではない」と推論した。投稿の解釈は、このチェックポイントが「ジェイルブレイクについて*決して*無邪気ではない」こと、そしてDeepSeekが「安全性について考え始めている」というものだった。dsh-purgeはユーザーメッセージに貼り付けるプロンプトの小技ではない。これは公開されているDeepSeek Harnessプラグインで、GitHubで9,897スター、10月20日時点でバージョン1.1.71であり、ハーネス自身によるプロンプト書き換えと注入されるサフィックスを取り除くために作られている。その英語READMEは、まさにこのテストが問う区別を描き出している。ハーネスは「実行時にプロンプト、承認ゲート、サンドボックスポリシー、セッションマイグレーションを書き換える」ため、「モデルは答えるか」とだけ尋ねると、ホスト層でのブロックをモデルの拒否として扱ってしまう。このプラグインは、自分のインストール環境上でそれら二つの層を切り分けるために存在する。このセッションでは、その切り分けはモデル側にあるという結果になった。同じスクリーンショットのカウンター——156ステップ、3,370万トークン、毎秒232トークン——は、単発のプロンプトではなく完全なエージェント実行を表しており、エージェント自身の要約によれば、プラグインは機械的には問題なく、「その特定のモデルがそれを拒否した」という。

それは一人の人物による1回のセッションのスクリーンショットであり、まさにその通りに扱うべきものだ。プロンプトは示されておらず、判定は採点された応答ではなくエージェント自身の要約であり、そのアカウントは評価ラボではなくDeepSeekの監視者であるため、投稿の中身は投稿自体からは再現できない。それが真剣に受け止める価値があるのは、その両方の部分を、投稿した人物とは独立した情報源と照合できるからだ。すなわち、公開されており自らの仕組みを文書化しているプラグインと、今では別の誰かが集計しているチェックポイントの拒否挙動である。

その件数は派生物の書類に記載されている。10月17日にHugging Faceで公開された、1017の重みのコミュニティによるアブリタレイテッドビルドには、そのビルドを必要とした測定値が載っている。100件のホールドアウトされた有害リクエストについて、それぞれ384トークンを貪欲法でデコードしたところ、未改変のチェックポイントはチャットモードで97件、thinkモードで98件を拒否した。40の主要層からランク2の拒否部分空間を射影して取り除いた後、同じ100件のプロンプトでは拒否が4件と9件になった。これらはDeepSeekの重みに関する第三者による数値であり、DeepSeekのトレーニングパイプラインへのアクセスなしに生成されたものである。また、1つのプロンプトセット、1人の採点者、モデルの1つの量子化——DeepSeekが提供するFP8ではなくQ8_0変換——でもある。したがって誠実な読み方は「ほぼ常に」であり、「97.0%」ではない。その証拠に基づけば、投稿者の説明は成り立つ。このチェックポイントは両方のモードで確実に拒否する。

この数値が裏づけないのは、これが新たな姿勢だという考え方だ。9月のチェックポイントはすでにそこにあった。未検閲の9月ビルドを手がけたチームは、未改変のモデルをHarmBenchの全320プロンプトセットで測定し、推論をオフにすると攻撃成功率42.8%、最大エフォートでは1.6%だったと報告した。つまり、これが置き換えるモデルは、考えさせればその種の要求のおよそ98%を拒否したということだ。この2つの測定は異なるプロンプトセット、異なる評価者、異なる量子化に由来するため、互いに差し引くことはできない。両者が一致しているのはその形だ。高エフォート時の拒否はすでに9月モデルの挙動であり、1017チェックポイントも同じ範囲にある。より狭い主張は、10月20日のセッションが実際に検証しているものであり、保持する価値があるものだ。つまり、拒否はハーネス側の制約を取り除くために特別に作られたプラグインを経ても存続し、ホスト層のブロックとしてではなく、プロンプトに関するモデル自身の判断として存続した。

これらのいずれもベンダーによって文書化されていない。DeepSeekの9月のモデルカードには評価セクションがあるが、それはベンチマークのみだ。拒否率もレッドチーム結果も安全性評価もない。1017カードには評価セクションがまったくなく、技術レポートとともにそのフォルダーを削除している。したがってこのモデルの拒否挙動は、完全に、それを取り巻く形で構築する人々によって説明されている。プロンプトを数える派生モデルの作者たち、そしてトランスクリプトを読むトラッカーによって。チェックポイントにエージェントを向ける人にとって、それが実効上のギャップだ。エージェントループ内の拒否はコンテンツポリシーの脚注ではない。実行途中でのツール呼び出しの失敗であり、他の呼び出し単位の失敗と同じように表面化する。だからこそ緩和策はタイムアウトに対するものと同じになる。OrcaRouterではそれはコード変更ではなくルーティング判断だ。1017チェックポイントと、フォールバック先となるDeepSeekモデルは1つのエンドポイントの背後にあるため、拒否が返った呼び出しは実行を終了させる代わりに2番目のモデルに対して再試行できる。拒否自体はモデルに属し、ルーティング層上の何もそれを変えない。

派生版の数は最後の独立した要素であり、同じ方向を示している。Hugging Face でそのチェックポイント名を検索すると、10月20日時点で121件の公開リポジトリが返り、そのうち25件は名前に uncensored、abliterated、derisked を含んでいた。これらは、10月20日のセッションで遭遇した挙動を取り除くこと自体を目的としたビルドであり、最初のものは重みが公開された当日に投稿されている。これはモデルが優れているかどうかの証拠ではなく、推奨でもない。重みの中に、取り除くべき機能する拒否メカニズムが存在する証拠だ。そうしたものを剥ぎ取る人々は、剥ぎ取るものがないときにはわざわざ手を出さないからだ。これはセルフホストする人への期待値も定める。ダウンロードするチェックポイントは拒否する側のものであり、そのリスト上のあらゆる uncensored 派生版は設定ではなく別のモデルである。

V4 Proに関する問い、そしてFlashより上の段階

ベータ期間中、DeepSeekのフィードバックフォームはテスターに対し、中間バージョンが「オンライン版DeepSeek V4 Proを完全に置き換えられるか」と尋ねていた。これはユーザーに投げかけるには印象的な質問だった。なぜなら、フラッグシップの将来が未確定であることを示唆していたからだ。9月9日と10日に届いた答えは運用上のものだった。北京時間9月14日12時から、deepseek-v4-proは提供を停止し、そのトラフィックはFlash価格のV4.1 Flashに移り、最終的な後継としてV4.1 Proが示された。開発者たちは反発した。反発の理由は、置き換えが悪いというものではなかった。モデル文字列は契約であり、本番IDの背後で重みを差し替えることは、旧モデルに合わせて構築されたプロンプト調整済みパイプラインやエージェントループを壊す、というものだった。2日以内にDeepSeekは計画を撤回した。同社の変更履歴には今、「2026年9月14日以降もDeepSeek V4 ProのAPIサービス提供を継続することを決定し、課金方法は変更しない」とあり、変更があれば改めて通知するとしている。この撤回は報道によるものではなくベンダーが明言したもので、Models & Pricingページで確認できる。同ページには今もdeepseek-v4-proがdeepseek-flashの隣に掲載されている。

ルーティングテーブルが説明していないのは、その理由だ。9月9日、ベータ版を指摘した情報提供アカウントの一つであるteortaxesTexは、DeepSeekがV4-Proの事前学習がうまくいかなかったことを認めた、と報告した。同氏の言葉では、同社はそれを「盛大にやらかした」。これは依然として内部事情に通じた傾向のあるアカウントによる単一情報源の主張であり、DeepSeekは公には何も認めていない。変更履歴は今回の段階的廃止を、旧モデルが壊れていたからではなく、新モデルの方が優れていることの結果として位置づけている。外部から確認できるのは、8月13日のV4 Proの一般提供開始がどのような形だったかだ。発表は約1日以内に取り下げられた。Hugging Faceのリポジトリでは、重みが修正される前に、Pro名義でFlash-tier構成が一時的に置かれていた。そして、その名前で提供されていたモデルの独立系スコアリングは、はるかに小さいDeepSeek V4 Flashをわずかに上回るにとどまった。公式チャートではフラッグシップに近い結果が示されていたのとは対照的で、現在のartificial-analysis indexでは両者はわずか1ポイント差、36対35だ。独立系の記事は原因をそれぞれ異なる形で挙げている。DeepSeek自身の評価ハーネスに過剰適合した推論挙動、デプロイと重みの取り違え、あるいはリークが主張するように、本当に失敗した事前学習だ。このルーティング変更はどれが正しいかを決着させておらず、DeepSeekはその後それを取りやめた。残っているのは、あるベンダーが最新モデルの料金をフラッグシップのキャッシュミス時料金の4分の1に設定し、自社ベンチマークでそれをフラッグシップより上位に置いているという事実だ。企業がこうしたことをするのは普通、すべてが計画通りに進んだからではない。

Flash、Pro、Ultra——DeepSeekが明言したことと、単なる推測にすぎないこと

DeepSeek自身のドキュメントは、これが何かの「底」であることを明言している。変更履歴ではDeepSeek V4.1 Flashを「新しいアーキテクチャファミリーの中で最小のモデル」と呼び、そのアーキテクチャは「より高い能力の上限、より高速な推論、より高いスループット、そしてより大規模なモデルへのスケーリングを目指して設計されている」と述べている。技術報告書は、より強い言葉で同じ結論を締めくくっている。モデルは「当社の継続的なスケーリングの取り組みにおける新たな出発点となる」ものであり、同社は「モデル知能のフロンティアをさらに探求するため、モデルアーキテクチャ、事前学習、ポストトレーニングの共同スケーリングを進める」としている。どちらの文も自社によるもので、どちらも9月10日に公開されており、いずれも製品発表ではない。これらはDeepSeekがこの設計に基づいてより大きなモデルを構築することを示しているが、具体的なモデル名、規模、日程には言及していない。

その線から先はすべて推測だ。9月25日、トラッカー@teortaxesTex——本稿がすでに取り上げているV4 Proの事前学習に関する9月9日の投稿と同じアカウント——は、このパターンを完全な3階層の製品ラインとして読んだ。「DeepSeekはここで止まるつもりがないことはかなり明らかだ……これは、Flash-Pro-Ultraというラインナップ全体を作るつもりであるように聞こえる。たぶん522B-2T-8Tでは？」これらのサイズは、提示した本人が推測だと明言しており、その留保は実際に効いている。DeepSeekの変更履歴、モデルカード、技術レポート、Hugging Faceの組織、料金ページ、モデル一覧のどこにもUltra階層は記載されておらず、552Bを超えるものもない。推測された階梯は、見た目よりもずっと脆弱な算術でもある。その最下段の522Bは、出荷された552Bモデルではない——この数字は、DeepSeekがすでに公表した数字の書き間違いであるか、誰も見たことのないチェックポイントを指しているかのどちらかであり、外部からどちらなのかを見分ける方法はない。その最上段の8Tは、DeepSeekが4月にリポジトリを公開した1.6Tのフラッグシップの5倍に当たる。同じ年、同社の最新リリースは、解決すべき制約がパラメータ数ではなく推論コストだったため、トークンあたり8Bパラメータを有効化するよう設計されていた。

同じ情報源は別途、3兆パラメータのDeepSeekモデルを、ラボが取り組んでいたものの経済的に提供できるか確信が持てなかったものとして持ち出している——別の対象についての別の主張であり、同様に未確認だ。どちらも相互に整合させる必要はない。どちらにも第二の情報源がないからだ。確認できるのは方向性だ。最新モデルをファミリー内で最小と呼び、そのアーキテクチャをより大きなモデルへスケールするものと呼ぶラボは、この段階より上を出荷しようと計画しているラボだ。その段階を何と呼び、どれほど大きくするかは、今日読者が開けるどの文書にもない。

ロードマップに従うのではなくモデルを選ぶ人にとって、その違いがすべてです。たとえそのファミリーが上方向に拡張されたとしても、ほとんどのチームが直面する判断は依然として、既存の段階に移るかどうかです。そしてその判断を保留したままにしておく最も安価な方法は、待つことではありません。DeepSeek V4.1 Flash は OrcaRouter 上で DeepSeek 自身の料金、マークアップ0%で提供されているため、Pro ティアの後継モデルが異なる価格で登場しても、変更は契約ではなく料金表に反映されます。DeepSeek V4 Pro はその背後で同じキー上にあるため、後から第3のティアが登場しても、移行ではなくルーティングの判断になります。

MITウェイトは、それでできることを変える

DeepSeek V4.1 FlashはMITライセンスで提供され、重みは9月10日にHugging Faceのdeepseek-ai組織で公開された。APIと同じ日であり、数週間後ではない。リポジトリはdeepseek-ai/DeepSeek-V4.1-Flashで、合計約510 GBの48個のsafetensorsシャード、その隣に技術レポートのPDF、さらに参照実装と、チェックポイントをテンソル並列ランク間に分割する変換スクリプトを含む推論フォルダーがある。このリポジトリは9月のチェックポイントであり、10月17日以降の現行版はdeepseek-ai/DeepSeek-V4.1-Flash-1017で、同じMITライセンス、同じ48個のシャード、同じ約510 GBを引き継ぐが、すべてのシャードを置き換え、レポート、チャットテンプレート、評価フォルダーを削除している。

そのダウンロードが何なのかについては正確に述べておく価値がある。なぜなら、それはフル精度のリリースではないからだ。Safetensors は FP8 で約204B、INT8 で557Bのパラメータを保持しており、BF16 が約2Bであるのに対して、config は fp8 量子化を宣言している——取得するチェックポイントはすでに圧縮済みであり、そうやって763Bパラメータのモデルが約510 GBに収まるのだ。その内部で最大の単一ブロックは Engram テーブルだ。ダウンロードの約189 GiBを占める2つのFP8テーブルであり、各デコードステップがそこから読み出すのは数行だけである。

552Bのバックボーンを持つモデルでは、判断を変えるのはライセンスの部分だ。MITは寛容で、収益ゲートも、法務レビューに値する許容利用の付帯条項もない。そしてアクティベーションプロファイル——プリフィル時はトークンあたり8B、デコード時は16B、トークンあたり890バイトのキャッシュ——が、パラメータ数は大きく見えるにもかかわらず、ハイパースケーラー以外でこれを提供することを現実味のあるものにする。ただし、その最後の数値は重みではなく完全なキャッシュスタックの特性なので、量子化フォーマットだけを実装し、設計の残りを実装しないセルフホスト型エンジンでは、それをはるかに上回ることになる。

寛容型ライセンスは輸出許可ではない。そして10月の6日間、その違いが重要になるかもしれないと思われた。10月16日、中国商務部と科学技術部は2026年第48号公告を公表した。これは輸出禁止・制限技術目録の改訂草案であり、AIモデルの重みとソースコードに初めて及ぶ。AI、バイオテクノロジー、太陽光にわたる40項目の追加を提案し、うち23項目はAI関連で、パブリックコメントは11月15日まで続く。このようなモデルにとっては、草案の2つの除外規定が大半を決める。オープンソース公開や学術出版を通じてすでにパブリックドメインにある技術は規制対象とせず、海外ユーザー向けのAPI、アプリ、SaaS、軽量なオンデバイスアクセスはモデル技術の輸出とはみなさない。業界紙で報じられた基準は、2兆パラメータという下限、性能・安全性ベンチマークでの世界トップ10入り、中核的または重要な国家データによる学習を組み合わせたものだ。552Bモデルは最初の基準をクリアする。残る2つに該当するかどうかは外部の読者には判断できない。草案が定義を公表していないからだ。つまり、すでにHugging Face上にある重みにとって重要な条項は、規模の基準ではなくパブリックドメインの除外規定ということになる。

10月22日に変わったのは文面ではなく、コンプライアンス記録だった。YuyuantanTanは、DeepSeekとMiniMaxが登録手続きを完了し、オープンソース化と海外ライセンス供与を終えたと報じた。この報告は、どのリリースをオープンソース化と見なしているかを述べておらず、モデル、チェックポイント、日付のいずれも名指ししておらず、新しい重みも発表していない。その期間に確認できるオープンソースリリースは、前述のDeepInferエンジンとdeepseek-recipeツールキットである。この主張のビルド単位の版はより狭く、より後だった。10月23日、DeepSeekを長く追跡してきた実績のあるXアカウントが、DeepSeekとMiniMaxがそれぞれ「V4.1F-1017とM3.1-Flashのオープンソース化の許可を取得した」と投稿した。その情報の出所は投稿者であり、どちらの企業もそれを裏付ける声明を発表しておらず、規制当局もどちらかの企業の登録を名指しした通知を公表していない。投稿が名指ししたチェックポイントは、6日前の10月17日からMITライセンスでHugging Faceに存在していた。どのような許可が与えられたにせよ、それはダウンロードを制限するものではなかった。リポジトリの方が先だった。

読者にとって、実用的な内容は周囲の見出しが示すよりも狭く、しかも二つの方向に分かれている。10月17日のチェックポイント、MIT licence、リポジトリについては、10月22日に何も変わっていない。上記のダウンロード、シャード、ハッシュの相違は、まったく従来のままである。変わったのは、カタログがまだ意見募集段階にある間に、中国のラボがこのような重みを公開し続けられるかという問いへの答えだ。国営メディアの説明では、DeepSeekとMiniMaxについては可能だという。既に公開済みの技術を除外し、APIアクセスを輸出定義の外に置く草案の下で、という条件付きである。制約は時制にある。免除は既にパブリックドメインにある技術に対するもので、これは9月と10月のチェックポイントには当てはまるが、カタログ確定後に出されるリリースに自動的に当てはまるわけではない。また、10月16日に発効したとされる暫定登録義務は、全文が公表されたのではなく報道されただけである。DeepSeekが次にリリースするものを何であれダウンロードしようと計画している人は、まだ存在しない規則を前提に計画している。今日V4.1 Flashを呼び出している人、または1017の重みを実行している人は、草案が明記し、暫定措置に関するどちらの説明とも矛盾しない除外規定に依拠している。

サービング対応は同日に登場し、実用上の最低ラインを定めている。vLLMはNVIDIAとAMDのハードウェアで検証済みのday-0レシピを公開し、SGLangは同じ時期にMilesトレーニングスタックを通じてday-0の推論とRLサポートを提供した。どちらも安定版パッケージではなくプレビューイメージとして提供された。vLLMコンテナには9月9日のタグが付いており、モデル自体のGAより1日先行していた。その状況は9月22日に動いた。vLLMがv0.30.0をリリースしたのだ。これはこのアーキテクチャに対応した最初の安定版vLLMで、DeepSeek V4.1 Flashが新モデルサポートに記載され、モデル自身のvLLMレシピは0.30.0以降を要求するようになり、ローンチ日のイメージタグは廃止された。リリースノートは測定結果ではなくプロジェクト自身による作業報告であり、そのように読むべきだ。リリースノートは、SM100上のFlashMLA V4.1レコードを通じてモデルのKVキャッシュ全体をMXFP8で保持すること、およびCPUオフロードされたEngramルックアップの非同期プリフェッチとEngramのデータ並列シャーディングを、このバージョンの成果として挙げている。後者2つは、ダウンロード内で単一最大のブロックであるEngramテーブルを持つモデルにとって最も重要な変更だ。これら2つの変更はいずれもプロジェクト外の数値を伴わず、リリースノートも数値を付けていない。しかしプロジェクトはリリースの3週間後、10月7日にモデル全体のビフォーアフターを公開した。低並行時に1.9倍高速、150 TPS制約下でスループット5.3倍（いずれも自らのday-0ビルドとの比較）で、各最適化の背後にあるマージ済みプルリクエストが記載されている。数値とその限界は上の速度のセクションにある。存在しないのは外部による再現だ。あの投稿のすべての数値はプロジェクトが自らを測定したものだ。このリリースが確かに決着させたのはパッケージングだ。315人のコントリビューターによる762コミット（うち104人が初参加）が、プレビューイメージではなくタグ付きバージョンに含まれている。vLLMレシピ自身の計算では、510 GBのチェックポイントに余裕分を加えて最低約614 GBのVRAMが必要で、8基のGPUを搭載したH200ノードかGB200 NVL4トレイが相当するとしている。また、1Mトークンのコンテキストは想定するのではなく、実際には上限を設けるべきだと警告している。KVキャッシュを狭めても、実行中のエンジンが必要とするメモリ量が変わるだけで、チェックポイントの大きさは変わらないため、ノードの下限は変わらない。SGLangの記事はこのアーキテクチャ固有のレバーを追加している。単一の環境フラグでEngramテーブルをホストメモリへ移すと、4基のGB300によるテストで、デコードスループットと初回トークンまでの時間が同程度の条件でKVキャッシュ容量が約36%増え、さらにデコーダ側のSWA有界リプレイにより8基のH200でプリフィルスループットが1.56倍に引き上げられた。ただし、それには2つの制約が伴う。リポジトリ内のリファレンス実装は、本番用サービングエンジンではなく読みやすい例だと自ら述べている。また、コンシューマー向けランタイムは遅れており、これをラップトップやMac Studioで動かせるようにする量子化パスはローンチ時には公開されていなかった。要するに、重みは本当にオープンで、サービングスタックも本当に存在する。ただしそれはGPU単位ではなくノード単位で数えるハードウェア上であり、寛容なライセンスが自動的にローカルビルドを意味しないのは、まさにそれが理由だ。1017リポジトリはその下限を何も変えない。チェックポイントは同じ48シャードにまたがる同じ510 GBで、それを扱うランタイムノートは9月の重み向けに公開されたものだ。

オープンウェイトがそれ自体で与えてくれるわけではないのは品質シグナルだ。しかしそのギャップは今や部分的に埋まり、10月18日にはさらに縮まった。現在4つの独立した計測手段が存在し、そのうち1つは2回実施されている。Artificial AnalysisのIntelligence Indexは、9月のチェックポイントを39、1017チェックポイントを45と評価している。上記のExploit Bench研究は、7つのエージェントハーネスの下で実行されたサイバーベンチマークだ。下のセクションにあるコミュニティのカーネルボードもある。そして10月14日以降は、このモデルについてArtificial Analysis自身のAA-AgentPerf結果も存在し、これはモデルの良し悪しではなく、それが提供されているハードウェアを測定するものだ。上記のvLLMプロジェクトの10月7日のビフォーアフターは、また別のものを測定している。モデルの良し悪しではなく、モデルの提供コストであり、ランタイム自身による自己報告だ。いずれもARC Prizeが構築しているような推論スコアではなく、4つのうち3つは依然として9月のチェックポイントを説明しており、この記事の特定の行の大半についてはモデルカードが唯一の情報源のままだ。しかし総合値はもはやそのリストに属さない。45、そしてその下の33.8は、DeepSeekが今日提供しているウェイトに対して生成されたものだ。それは非難ではなく、証拠の現状であり、だからこそこの記事は2種類の数値を分けている。オープンウェイトは、モデルがDeepSeekのエンドポイントに閉じ込められたままにならないことを意味し、それは価格ではなくデータ所在地が障害だった人々にとって重要だ。

本番環境を賭けずに導入する方法

リリース以降、こちら側で変わった点がひとつあり、それによってこのセクションは先週書いていたより簡潔になります。DeepSeek V4.1 Flash が OrcaRouter で利用可能になりました。モデル ID deepseek/deepseek-v4.1-flash で、ラインの他のモデルと同じ OpenAI 互換エンドポイントから呼び出せ、料金は DeepSeek 自身のレート、つまり 1M 入力トークンあたり $0.15、1M 出力あたり $0.60、1M キャッシュ読み取りあたり $0.003（オフピーク時。平日ピーク時間帯は 2 倍）で、0% のマークアップでそのまま適用されます。最後の点は明記しておく価値があります。請求される金額は再販価格ではなくプロバイダーの金額そのものなので、ベンダーの値下げは契約の再交渉を待たずに当日ここでも反映されます。DeepSeek V4 Flash と DeepSeek V4 Pro は同じキー上にあり、以下の移行は再プラットフォーム化ではなくルーティングの変更で済みます。10 月 17 日のチェックポイントでもそれは変わりません。DeepSeek は API のモデル名と料金表の両方を維持したため、今回の更新でこちら側の ID も価格も変わりません。これは、ベンダーがどちらにも触れずにモデルを更新したときのパススルーの姿です。

それもまた、移行を急ぐべきでない理由になる。9月14日の再ルーティングは、DeepSeekが圧力を受けて中止していなければ、ベンダーがモデルIDの意味を利用者の足元で書き換えるということになっていただろう。そしてこの出来事は、モデル文字列はプロバイダーが書き換え得る契約だという、最近で最も明確な注意喚起である——これは上述のラインナップの話を捉える正しい枠組みでもある。3層のファミリーは計画であり、この計画はすでに一度変わっているからだ。これまで外部スコアが総合指数、ノイズの多いサイバー表、コミュニティのカーネルボードしかなく、本番実績がまったくないモデルにとって、より安全な形はルーターがまさにそのために備える形だ。本番に近い形のトラフィックの一部を新モデルに送り、その背後に実績のあるモデルを自動フェイルオーバーとして保持して、品質の後退がインシデントではなく再試行のコストで済むようにし、どの呼び出しが未実証モデルに値し、どれが主力モデルに留まるべきかをルーティングDSLに決めさせることだ。V4.1 Flashへの移行はおそらく正しい行き先だ。それは発表のタイミングで実行する移行ではない。

未解決の質問

• 独立系ベンチマーク — 計測手段の数はゼロから4つに増えたが、そのどれもARC Prizeが意図する形でモデルの推論を測ってはいない。Artificial Analysisのスコア39は最大推論エフォートでの10件の評価を合成したもので、10月18日に公表された45は同じ合成指標をより新しい重みに適用したものだ。上記のExploit Bench研究は固定トークン予算内でのサイバー悪用スコアであり、DeepSeek V4.1 FlashをGLM-5.3-Flashより下に評価している。kernelbench.com上のコミュニティのカーネルボードはカーネルエンジニアリングの表だ。10月14日に公表されたArtificial AnalysisのAA-AgentPerf結果はハードウェア表であり、各アクセラレータシステムがこのモデルに対して1メガワットあたり毎秒何トークンを提供するかを示すもので、品質については何も示していない。DeepSeekの個々のベンチマーク行を再現した者はいないし、本番相当の推論エフォート設定や、100万トークンウィンドウの遠端での独立測定も公表されていない。10月17日のチェックポイントはもはや未測定ではない。10月18日、Artificial Analysisはインデックスで45、Terminal-Bench 4.0で33.8という1017の行を追加した。そしてこのベンチ数値は、同じ重みについてベンダーの表が主張する値を8.5ポイント下回る。今欠けているのは、その数値に対する第二の見解——1人の評価者、1つのハーネス、1回の実行——と、入れ替え前の4つの測定についての独立スコアがまったく存在しないことだ。推論の問いに答えるために作られた唯一の評価はまだ構築中だ——ARC PrizeはオープンなプルリクエストでベンチマークハーネスにDeepSeek V4.1 Flashのプロファイルを用意しているが、結果は添付されていない——そしてARC-AGIはこのチェックポイントを一度も採点したことがない。アダプターの登場によって再び注目されたARC-AGI-2の61.4%は、V4.1 Flashが引退させるモデルであるDeepSeek V4 Flash 0731に属する。このモデルに付された最新の数値であるDeepSWE v1.1の77.0は、本稿で最も出典の弱い行だ。それはDeepSeek自身のチャートであり、ベンダーの発表に添付された画像から読み取ったもので、1017チェックポイントでのDeepSWE v1.1の外部実行は存在しない——Artificial Analysisの10月18日の結果は同じ重みに対するものだが、別のベンチマークに対するものだ。このベンチマークを公表している2つの独立系ボードは、このモデルの名前を71.7%と74.2%に置いている。それはOpus 5の隣に位置づけるには十分だが、ベンダーの数値を裏付けるには不十分だ——そしてどちらも、どのチェックポイントを測定したかを示していない。

• ノード下限を下回るセルフホスティング — vLLMのday-0サポートは9月22日にv0.30.0で安定版リリースとなり、MXFP8 KVパスと非同期Engramオフロードを追加した。SGLangのday-0サポートは依然としてプレビューイメージとして提供されている。どちらもハードウェア下限を動かすものではない。この下限は8 GPUノード前後にあり、それを決めているのは510 GBのチェックポイントである。DeepSeek自身のデプロイノート（DeepInferとともに公開）はさらに踏み込んでいる。プリフィルノード1台とデコードノード1台を並べる構成はデプロイ可能だが、推奨されるデコード構成は64以上のエキスパート並列であり、これにより最小の効率的単位はプリフィル64 GPUとデコード64 GPUになる。vLLMプロジェクトの10月7日の投稿は、このモデルについて公開された最も網羅的な実測最適化の記録である。低同時実行時で1.9倍、150 TPS制約下で5.3倍（同プロジェクトのday-0ビルド比）で、上記のSGLangの数値も並ぶ。さらに10月17日の続報では、H100、MI300X、B200の構成からラックスケールの製品群まで実際にまたがるドル当たりトークン曲線を追加している。どちらもプロジェクト自身による自身のランタイムの集計である。どちらも下限を動かさない。GB300やH100でより安いトークンであっても、510 GBのチェックポイントをデスクトップに載せることはできない。したがって、それは下限を下げるのではなく、同じ下限へのより速い道である。後のリリースやコミュニティによる量子化がこれをより小さなマシンに載せるかどうかは、エンドポイントではなく重みを求める人にとっての未解決の問いであり、寛容なライセンスが実用的なライセンスかどうかを決めるのはこの問いである。

• V4.1 Proとは何か — DeepSeekはそれをV4 Proの後継と名付けているが、日付も仕様も価格も公表しておらず、既存のProトラフィックをFlash級モデルへ再ルーティングするという発表は、実施される前に撤回された。Flashより上位に何があるかについて、同社は、より大規模なモデルへスケールするアーキテクチャとしか説明していない。Flash、Pro、Ultraという階層とその522B、2T、8Tというサイズは、ある観測者による推測であり、DeepSeekによるものではない。

• タスクあたりのコスト — Artificial Analysis は現在、両チェックポイントについてタスクあたりの数値を掲載している。9月のウェイトでは Intelligence Index のタスクあたり0.49ドル（本稿が当初掲載した0.27ドルから改訂）であり、1017では0.26ドルである。これは DeepSeek の Pareto 主張のいずれかの部分に対する初の外部証拠であり、その主張よりも範囲が狭い。同じ行は、1017チェックポイントがインデックス全体で2億1000万出力トークンを生成したのに対し、9月は2億5000万だったことも示している — 総量では短い出力である — しかしタスクあたりでは89,495出力トークン対88,574であり、まったく短くない。またタスクあたり288.8秒対289.9秒で、速くもない。同サイト自身のコスト内訳は、節約のすべてを入力側に置いている。出力の行は横ばいで、タスクあたり0.106ドル対0.107ドルである一方、入力は0.379ドルから0.155ドルへ、キャッシュ書き込みは0.322ドルから0.095ドルへ低下する。タスクがより少ないドルで完了するかどうかは、それが何トークンを要するか次第であり、それは料金表ではなくワークロードの性質である。DeepSeek 自身の更新に関する説明は逆を指している。変更履歴は新チェックポイントがタスク実行時間と出力長を削減すると主張し、10月17日の投稿もそれを「タスク完了の高速化と出力の短縮」として繰り返している。どちらも数値を伴っておらず、この項目の背後にある外部測定は今それらと向き合った。DeepSeek が挙げた2つの量について、1017のウェイトは5週間前の出発点から、約1パーセント、互いに逆方向に動いたのである。同じ台帳の反対側には第三の数値がある。vLLM プロジェクトの10月17日のチャートは、SemiAnalysis AgentX 上で総所有コスト1ドルあたり13億トークンというモデルを示しており、それは大規模ハイパースケーラー規模を前提としたコスト階層での話である。より安価な提供もまたこの項目を決着させない — トークンあたりのコストが下がっても、呼び出し元が実際に支払うトークン毎タスクの数値は、9月の測定が見出した場所にちょうど留まったままである。

• 検証の暴走 — 実際に手を動かして試すテスターからは、思考の連鎖に時折繰り返しループが生じること、そして、より低いエフォート設定なら数秒で片付く問題に対して12分・6桁トークン規模の熟考が行われることが報告されている。どちらがどれほどの頻度で起きるのか、また本番環境でどれほどのコストになるのかを測る独立したベンチマークは存在せず、これまでに報告されている緩和策は、モデル自身が何かをするのではなく、クライアント側のトークン上限に限られている。前述の Exploit Bench の研究は、同じ障害モードを逆の方向から記録している。そこに示される ReAct トランスクリプト内の繰り返し報告ループは、モデル自身の推論ではなく、ハーネスの圧縮プロンプトによって生み出されたものであり、これはトランスクリプト内のループが自動的にモデルの欠陥というわけではないことを思い出させてくれる。

• カーネルエンジニアリング — kernelbench.comのコミュニティCUDAカーネルボード（RTX PRO 6000、ルーフラインでスケーリング）では、DeepSeek V4.1 Flashが自身のスパースアテンションカーネルでdense相当ルーフラインの50.19%に達し、総合4位。一方、同じ行のGLM-5.3 Flashは4.45%だ。このボードはコミュニティ運営で査読を受けておらず、第2のGPU世代での検証や再現結果は公表されていない。

• 遠端における長いコンテキスト — スパースアテンションは64Kでトレーニングされ、34Tトークンの時点で1Mに拡張された。完全な1Mウィンドウの終端付近で品質がどのように保たれるかは、まさに独立した長文脈評価によって明らかにされるべき点である。

• エッジでのキャッシュ再構築 — SWA Bounded Replay は、破棄されたスライディングウィンドウ状態を正確ではなく近似的に再構築し、DeepSeek によれば、その結果はキャッシュヒットがセッション内のどこで発生するかによって変わり得る。レポートは、観測された品質への影響は小さいと指摘している。極端な条件や未検証の条件こそ、そのような近似が表面化する場であり、DeepSeek の外部では誰も検証していない。

• Pro ワークロードが実際に移行するかどうか — 強制的な再ルーティングは取り下げられたため、チームが自ら移行を選ばない限り何も動かず、推論の深さを求めて Pro の価格を支払ったチームこそが、Terminal-Bench 3.0 型の作業で能力差に最も気づきやすい。そこでは V4.1 Flash が Opus-5.0 に大差で後れを取っている。

• 無料枠の条件と挙動 — OpenCodeは10月15日にこのモデルの無料エントリを追加した。200,000トークンのコンテキストウィンドウと32,000トークンの出力上限を備え、自社ページでは期間限定で利用可能と説明されている。この取り決めがその文言より長く続くのか、エンドポイントが負荷に耐えられるのか、DeepSeekがそれについて発言権を持つのかは、いずれも明言されていない。プラットフォーム自身のモデル一覧、ドキュメント、価格表が唯一の情報源であり、誰かを拘束する終了日はなく、無料ルートについての計測結果を公表した者もいない。

• 安全性と拒否 — DeepSeekはどちらのチェックポイントについても拒否率、レッドチーミング結果、安全性評価を公開しておらず、独立系ラボがこのモデルをジェイルブレイクベンチマークで採点したこともない。本稿の数値は、検閲なしの派生モデルを構築している人々によるもの——あるプロンプトセットとある採点者において、チャットモードでは有害プロンプト100件中97件、思考モードでは98件を拒否——であり、またモデルがジェイルブレイクされたペルソナを断った単一のエージェントセッションのスクリーンショットによるものである。その挙動が、低い推論エフォートの設定で、英語以外の言語で、ペルソナプロンプトではなく自動攻撃に対して、そしてシステムプロンプトを書き換えるハーネスの下で維持されるかどうかは、誰も測定していない。

• 次のチェックポイントの書類手続き — 10月22日の報告書は、既に公開されている重みに関する登録上の問題を解決する。草案カタログが既に公有領域にある技術を除外しているためだ。しかし、この次のリリースについては解決しない。カタログは11月15日まで意見募集中の草案であり、そのしきい値は本文で公表されるのではなく報告されているにとどまり、10月16日に発効したとされる暫定的な登録義務は全文が公表されていない。V4.1F-1017自体は公開済みで、MITライセンスかつゲートなしである。将来のDeepSeekチェックポイントがダウンロードできるようになる前に満たすべき条件は、まだ存在しないルールだ。

このベータは、Flash級モデルがProの役割を担えるかという2日間の問いだった。今回のリリースは、DeepSeekが料金表とルーティング計画でその問いに答えたものだ——そして開発者たちが、自分たちの下で本番モデルを差し替えられることに反対したため、2日以内にルーティング計画を撤回した。それは発表が示唆していたより弱い表明であり、より正直な表明でもある。この移行を支える品質面の根拠は、DeepSeek自身のベンチマークに加え、概ね同じ方向を指す外部測定だ。その最新のもの、つまり7つのエージェントハーネスで実行されたサイバーベンチマークは、それが行う唯一の比較では逆方向を指しており、同社は自ら選ぶのではなく、選択を顧客に委ねた。 リリース以降、重みは約束から510 GBのダウンロードへと変わり、モデルはベンダーのエンドポイントから、ルーティングできるものへと変わり、配信スタックは初日向けレシピから実測済みのものへと変わった——vLLMが3週間の時点で低並行時に1.9倍高速だと自ら報告し、その後、チェックポイントが切り替わった日に、SemiAnalysis AgentX上で総所有コスト1ドル当たり13億トークンというモデルの価格付けを示すコスト曲線を公開した。今週はそのすべての下にある層も公開された。DeepSeekは、自社サービスが稼働させているエンジンであるDeepInferを公開した。これにはこのチェックポイント向けのデコード曲線、その曲線を支える本番数値、そしてDeepSeekが実際に配信する速度においてHuaweiの950DTをチップ当たりNVIDIAの5〜7倍後方に置く、未公開の9月ベンチマークが含まれる。 5週間が経過し、チェックポイント自体は一度動いた。10月17日には、同じ名前と同じ価格のまま新しい重みが登場し、ベンダー表は公開するすべての行で改善し、そのうち1行では別のハーネスが使われている。2日後に外部測定が届いた。それは本稿で最も有用な数字だ。Artificial Analysisは1017の重みを、同社インデックスで45とした——オープンウェイトモデルの中で2位のGLM-5.3と並び、MiMo-V2.6-Proには1ポイント及ばない——またTerminal-Bench 4.0では33.8で、同じベンチマークのベンダー値42.3とは異なる。つまり、DeepSeek自身の表でモデルをよく見せるハーネスは、その数字が生き残るハーネスではない。今日選ぶなら、正直な評価は次のとおりだ。V4.1 FlashはDeepSeekのラインナップで最も価値が高いように見え、4つの独立した評価指標を擁している——いずれも推論スコアではなく、そのうち1つは現在、DeepSeekが10月17日以降提供してきたチェックポイントに対して実行されている——。5つ目の評価は構築中で、本番運用の実績はなく、配信スタックの最も強い2つの数字——速度差とコスト曲線——はいずれもランタイムを書いたプロジェクトに由来し、外部のサイバー結果は、モデルにどのハーネスをかぶせるかによってすでに自己矛盾しており、10月15日に1つのプラットフォームに現れた無料の20万トークン枠があり、そして、ほとんどの呼び出し元が求める以上に自身の作業を検証するモデルを描写する最初の実践レポート群がある——それはトラフィックの一部を同モデルに向ける理由ではあっても、発表を理由に移行する理由ではない。 DeepSeekが10月17日に発表した更新は重みを変え、ベンダー主張——タスク完了の高速化と出力の短縮——を追加した。それらの重みに関する最初の外部測定は、せいぜいその半分を裏付ける。インデックスタスク当たりコストは46%削減された一方、タスク当たりの時間と出力トークンはほとんど動かなかった。1日後、そのチェックポイントについて最も広く読まれた主張はある幹部のものだった。Databricksの社員による、DeepSWE v1.1で77、コスト83分の1という主張で、その人物は同チェックポイントが同プラットフォームに来るとも述べている。その半分は独立系ボードとの接触に耐える。独立系ボードは現在、そのベンチマークでこのモデルの名前をOpus 5より上に置いている。残り半分はまだ耐えない。77はDeepSeek自身の行で再現されておらず、83×（83分の1）は、裏付けとなるタスク当たりコストが公開されていない算術にすぎない。Databricks自身のドキュメントは、同モデルが同プラットフォーム上にあること、その下の2つのDeepSeekモデルが終了予定であることを確認しているが、当該チェックポイントが到着しつつあることは確認していない。その主張は今や、チェックポイントについて最も興味深いものではなく、2番目に興味深いものになっている。 10月19日、こうしたリリースのいくつかを早くに言い当ててきたトラッカーアカウントが、Terminal-Bench 4.0の42.3について、GLM-5.3を上回ることを根拠に「間違いない」と宣言し、Artificial Analysisにモデルをネイティブハーネスで実行するよう求めた。同サイトはすでに実行済みだった。同サイト独自のハーネスでは、同じ重みは33.8で、GLM-5.3の41.9を下回り、上回ってはいない。ベンダーの行は実在し、それはDeepSeekのものだ。しかしそこから引き出された推論は、他者が実行すると成立しない。

「選択肢を広く残しておきたい」というタイプのこれをお求めなら、3つともキー1つで切り替えられ、D​eepSeek自身の料金に0%のマークアップを加えただけの価格でご利用いただけます。リリース自体はこちら：OrcaRouter上のD​eepSeek V4.1 Flash — 100万トークンのコンテキスト、38.4万トークンの出力上限、画像入力対応、オフピーク時で入力100万トークンあたり$0.15、出力100万トークンあたり$0.60。これが引退させるモデル：OrcaRouter上のD​eepSeek V4 Flash。そしてD​eepSeekが提供継続を決めたフラッグシップ：OrcaRouter上のD​eepSeek V4 Pro。新しいモデルにトラフィックの一部を向け、その背後に実績のあるモデルをフェイルオーバーとして置き、あとはルーティングに任せましょう。

モデルの選択は、これまで何がうまくいかなかったかという問題でもある。このクラスのモデルについて記録されたAIインシデントやエージェントの失敗はOrcaRouter AI Incident Archiveに集められており、各項目には独自の情報源、重大度、信頼度グレード、異議ありフラグが付いている。