Muse Glimmer vs DeepSeek V4 Pro: オープンウェイトの両極

DeepSeek V4 Proのリリースに添付された細かい注釈のどこかに、安価なオープンウェイトと高度なエージェント型コーディングを同じものだと考えている人なら誰でも気になるはずの数字がある。ソフトウェアエンジニアリング評価を悩ませるトレーニングデータへの不正操作に耐性を持つよう設計された汚染フリーのベンチマークであるDeepSWEにおいて、DeepSeek V4 Pro — 2026年4月24日にMITライセンスでリリースされた1.6兆パラメータのMixture-of-Expertsフラッグシップモデル — は8パーセントを記録した。同じテストでGPT-5.5は70点、Claude Opus 4.7は54点だった。これは、業界で最も成功した低価格モデルの物語に付随する、最もダメージの大きい独立したデータポイントであり、この対決にとっても重要である。なぜなら、Metaが2026年8月10日にApache 2.0ライセンスでリリースした300億パラメータのオープンウェイトエージェントモデルであるMuse Glimmerは、DeepSWEが測定する長期的なエージェント型作業を設計の全てとするオープンウェイトモデルであり、これまでのスコアはすべて開発元である同社が実施したものだからだ。

つまり、これはオープンウェイトのスペクトラムの両極端にある2つのモデルを比較したもので、サイズ以外にも多くの点で対照的だ。{{1}}ひとつは、わずかな費用でレンタルできるデータセンター向けMoE。もうひとつは、GPU以外は何もかからないデスクトップ向けダウンロードだ。ひとつは、破滅的なエージェント結果を含む独立した実績がある。もうひとつには、独立した実績がまったくない。{{/1}}この記事は両者の実態を正しく伝え、「ベンダー報告」と「独立検証」のギャップに語らせる。

気にするべき数字

DeepSWEは、主要な数値を確認する前に理解しておく価値がある。それは、暗記できるものには報酬を与えないテストだからだ。このテストは、モデルがトレーニング中にすでに目にしたデータで評価する「汚染」を避けるように設計されており、パターンを思い出すのではなく、継続的なマルチステップ実行を必要とする長時間の実世界ソフトウェアエンジニアリングタスクを実行する。DeepSeek V4 Proのそこでの8%は意見ではなく、独立した評価の測定結果であり、同じモデルがSWE-bench Verifiedで80.6、LiveCodeBenchで93.5、GPT-5の3,168を上回るCodeforcesレーティング3,206を記録するというベンダー自身の表が描く状況とはまったく異なる様相を示している。この2つの様相の隔たりこそが、「オープンウェイト、安価なトークン」と「エージェント型コーディングが得意」という評価を別々に検証しなければならない理由のすべてを物語っている。

Muse GlimmerにはDeepSWEスコアがありません。いかなる独立したスコアもありません。それは今朝リリースされたばかりで、そのベンチマーク表はすべてMeta自身のものであり、Metaが調整していないと認めた競合環境に対して実行されたものです。この記事にあるGlimmerの数値すべてに正直に付けるべきラベルは「ベンダー報告」です。しかし、このモデルの設計は、DeepSWEが露呈する障害モード、すなわち自律的な障害回復、複数ステップの計画、長期的なツール使用に、まさに向けられています。その設計が独立したテストと接触しても耐えられるかどうかがこの対決の未解決の問いであり、まだ誰もその答えを出すことはできません。

オープンウェイトの両端

まず、「オープン」がそれぞれにとって何を意味するのかを確認しよう。両者で意味が違うからだ。DeepSeek V4 Proは、総パラメータ数1.6TのMoE（Mixture of Experts）で、トークンあたり約49Bのパラメータがアクティブになり、コンテキストウィンドウは1Mトークン、出力トークンは最大384K、入力はテキストのみでビジョン（画像入力）には対応していない。そのウェイトはMITライセンスで自由に入手できるが、セルフホスティングはデータセンター級のプロジェクトになる。BF16チェックポイントはテラバイト規模に達するため、実際にはDeepSeek V4 Proは、DeepSeekのAPIかサードパーティのAPI経由でレンタルして使うものだ。一方、Muse Glimmerは、Apache 2.0の下で提供される30Bの高密度（dense）マルチモーダルモデルで、知覚エンコーダーを通じてテキストに加えて画像も処理する。その4ビットチェックポイントとDFlashドラフターを合わせても約19.5GBに収まる。一方はデプロイして使うオープンウェイトモデルであり、もう一方はダウンロードして24GBまたは32GBのGPUカード1枚、あるいはハイエンドのMシリーズMacで実行できるオープンウェイトモデルだ。どちらも本物のオープンウェイトである。だが、その使い方に関して両者に共通点はほとんどない。

巨人の分裂した人格

DeepSeek V4 Proの強みは、単独のベンチマークです。数学と知識：GPQA Diamond 90.1、AIME 2026 96.4、MMLU-Pro 87.5。管理された環境でのコーディング：SWE-bench Verified 80.6、LiveCodeBench 93.5。長文脈の「干し草の山から針」テストも強力で、1MトークンでのMRCR 83.5は、このテストではGemini 3.1 Proを上回ります。しかし、持続的なエージェント実行を測定する項目では、全体像に亀裂が入ります。Terminal-Bench 2.0は67.9、Toolathlonでのツール使用は51.8で、独立系アグリゲーターのランキングでは、推論スコアがトップクラスを維持しているにもかかわらず、標準ビルドはエージェントおよびコーディング部門で中位に位置しています。DeepSWEの8%という結果は、その亀裂を極限まで表したものです。

Muse Glimmerのベンダー報告による表は逆の方向を示している。最も強い行はエージェント系のものである。MCP-Atlas 75.5、DeepSearch QA 74.6、GAIA2 43.3、SWE-bench Verified 76.0、SWE-bench Pro 51.2、Terminal-Bench 2.1 51.7。DeepSeekの検証済みコーダーの数値（SWE-bench Verified 80.6、LiveCodeBench 93.5、GPQA Diamond 90.1）と比較すると、Glimmerはベンチマーク表が重視するほぼすべての行で負けている。これらのモデルは得意とする種類のことが異なり、Glimmerが得意だと主張する種類のことは、まさにDeepSeekの独立した記録が「安価な巨大モデルアプローチ」が間違えると示している種類のことである。

正直なところ、それぞれいくらかかるのか

DeepSeek V4 Proの公表リスト価格は、入力トークン100万個あたり1.74ドル、出力トークン100万個あたり3.48ドルで、キャッシュヒット時の入力は約0.145ドルです。DeepSeekの恒久割引（当初はプロモーションとして提示され、その後維持されたもの）により、実効レートは入力約0.44ドル、出力約0.87ドルとなり、トークン単価がほぼ決め手ではなくなるほど安く、業界の大部分にとってデフォルトの低予算選択肢である理由を説明できるほど手頃です。この価格はベンダー自身のAPIと複数のサードパーティプラットフォームで適用されており、OrcaRouterでは0%のマークアップで通過されます（プロバイダーのリスト価格のまま、追加マージンなし）。そのため、DeepSeekの値下げは実施当日にモデルページに反映され、カタログ内の他のモデルと比較する際の誠実な方法となっています。

Muse Glimmer はトークンあたりのコストがゼロで、実際のコストはハードウェアです。基準となる RTX 5090 を搭載した 24GB または 32GB の GPU、あるいは最大構成の M-series Mac が必要です。それを所有している場合、常時稼働のローカルエージェントの限界費用は電気代だけです。所有していない場合、GPU が費用項目になります。多くのチームにとって、その一度きりの購入費は、常時稼働エージェントの運用期間中の DeepSeek の割引料金よりも安くなります。一方、他のチームにとっては、トークン課金モデルが勝ります。なぜなら、19.5GB のローカルモデルでは保持できない 1M コンテキストと 384K 出力を必要とするからです。価格比較は、実際にどのデプロイ環境で運用するかを決めて初めて明確になります。

根底にある政治

文脈を明確にしておく価値はある。なぜなら、それが両ベンダーの表をどこまで信頼すべきかを左右するからだ。Muse Glimmerのリリースに添えられたザッカーバーグのエッセイ「The Future is for Everyone」は、DeepSeekをQwenやMoonshotと並べて、オープンウェイトの米国製リリースが競争せざるを得ない中国のオープンモデル研究所として明示的に名指しし、オープンソースAIに対する米国の規制緩和を求めた。MetaはGlimmerを、安価なオープンウェイトの波に対する国内での回答として位置づけている。その枠組みは現実のものであり、ベンダー主導のベンチマークが最も疑ってかかるべき状況がまさにこれだ。両陣営とも、モデルとともに国家的な物語を売り込んでいるのである。その対抗手段となるのは、DeepSeekについてはすでに存在する独立した測定値（8％を含む）であり、Glimmerについてはまだ存在しない独立した測定値である。

誰がどれを実行すべきか

この2つのモデルは代替関係にはなく、この選択は、本質的にはベンチマークという衣をまとったデプロイ環境（展開範囲）の問題である。ワークロードがトークンとコンテキストを大量に必要とするタイプ——大規模な入力、長い出力、大規模な数学・知識処理——であれば、DeepSeek V4 Proは割引価格で見た場合、カタログの中でも屈指のコストパフォーマンスを誇る。また、8%というDeepSWEの結果は、長期にわたるエージェント型コーディングが中心ではないワークロードでは重要度が低い。ワークロードが常時稼働のローカルエージェント——高頻度・プライベート・対話型・ツール呼び出し型——であれば、Muse Glimmerが答えの形となる。ただし、そのエージェント性能に関する主張はまだすべて自己申告であり、独立したテストが必要という点には留意が必要だ。ワークロードがその両方に該当する場合——実際のエージェントスタックのほとんどはそうである——この2つのモデルは、1つのシステムの2つの層である。高速でプライベートな高頻度経路にはローカルの30Bモデルを、長いコンテキストの重い処理にはレンタルのMoEを、という構成になる。

この比較を決着させる要素を、実現が速いと思われる順に挙げると、次のようになる。DeepSWEのような汚染のない長期ホライズンテストにおける独立したGlimmerの結果——これはこの対戦に欠けている中で最も有用な数値だ。DeepSeekの8パーセントがセットアップの偶然ではなかったことを確認するための、2つ目の独立した再現。そして、最初のプロバイダーがGlimmerエンドポイントを立ち上げること——これは、ローカルとレンタルの併用が仮説でなくなり、1つのキーで接続できる実際のものになる瞬間だ。それまでは、正直な要約は短い。DeepSeek V4 Proは、実証済みの低コストトークンの実績と、具体的で測定可能な弱点を備えたオープンウェイトの巨人だ。Muse Glimmerは、その弱点に正確に狙いを定めた売り込みを行うオープンウェイトの新参者であり、これまでのところその証拠は自社の言葉だけだ。