SWE-2 Flash 対 DeepSeek V4 Flash：一方には料金表があり、もう一方には比率がある

最初に崩れるのは、SWE-2 FlashとDeepSeek V4 Flashを並べたときの単位だ。DeepSeek は100万トークンあたりのドル価格と、ダウンロードできるチェックポイントを公開している。Cognition が公開するのは分数——SWE-2の5分の1——と、Devin 内のシートだ。一方はその上に構築できるモデルであり、もう一方は使うためのモデルだ。これ以降のあらゆる比較はこの非対称性に耐えなければならないが、ローンチ当日に出回った比較のほとんどは耐えられていなかった。

それは比較を省く理由にはならない。むしろ、慎重に比較する価値がある理由こそがそれだ。この2つのモデルは同じ購買層を狙っている——最先端の価格を払わずに、最先端に迫るコーディング性能を求めるチームだ。そして両者は、その購買層がそれをどう受け取りたいかについて、正反対の賭けに出ている。一方の賭けは分散型だ。重み、API、公開されたコンテキストウィンドウ、そして予測できる請求額。もう一方は統合型である。特定のハーネス向けに調整されたモデルを、別のモデルのコストのほんの一部として販売し、その数字にはサービングスタックも含まれている。

それぞれが実際に何なのか、そしてチェックポイントの罠

SWE-2 Flashは2026年11月4日に発表されました。Thinking Machinesの合計276B、アクティブ12BのMixtureであるInkling-Smallからポストトレーニングされており、Devin DesktopとDevin CLIで利用できます。そこでは11月30日まで無料です。APIはなく、公開された重みもなく、公開されたコンテキストウィンドウもありません。

DeepSeek V4 Flashは、MITライセンスの下で提供される合計284B、アクティブ約13BのMixtureモデルで、100万トークンのコンテキストウィンドウと最大384,000出力トークンを備えています。テキストのみを扱い、ビジョン版は別の実験用IDです。OpenAI互換APIで提供され、春から利用可能で、エージェント型コーディングの作業の大部分を担った再ポストトレーニング済みの0731チェックポイントを備えています。

次に罠だ。DeepSeek自身のモデル・価格ページを2026年11月5日に読むと、deepseek-v4-flashがAPIで引き続き受け付けられるレガシー名の一つとして記載され、現在はDeepSeek-V4.1-Flash-1017によって提供されていると書かれている。それは別の、より大きなモデルだ。Cognitionの比較表では、V4.1 Flash 1017は総パラメータ763B、アクティブ16Bとされている。したがって「DeepSeek V4 Flash」は、誰が話しているかによって少なくとも3つのものを指す。4月のビルド、0731チェックポイント、あるいはこのIDが現在指している10月のV4.1チェックポイントだ。OrcaRouterではピン留めされたIDが別々のルートになっており、比較がそもそも再現可能であり得る唯一の理由はそこにある。

これは揚げ足取りではない。どのベンチマーク行を引用してよいかが変わるのだ。「DeepSeek V4 Flash」の公開リーダーボードの数値は0731ビルドで測定された。Cognitionの表はV4.1 Flash 1017を測定した。両者は同じモデルではなく、数値もそれに応じて異なる。

価格——各ベンダーが実際に公表している2つの単位で

DeepSeekの料金表は算術だ。deepseek-flash IDが現在提供するモデル——ページに明記されているDeepSeek-V4.1-Flash-1017——の100万トークンあたりの料金は、2026年11月5日時点で次のとおり。入力はオフピークが$0.15、ピーク時間帯が$0.30、出力はオフピークが$0.60、ピークが$1.20、キャッシュ入力は$0.003と$0.006。ピークはUTCの01:00～04:00および06:00～10:00で、月曜日から金曜日、中国の祝日を除く。それ以外の時間帯はより安い料金が適用される。

固定された古いチェックポイントは価格設定が異なります。OrcaRouter のカタログでは、deepseek/deepseek-v4-flash を入力トークン100万あたり $0.22、出力トークン100万あたり $0.66 で提供しており、ピーク料金層のない一律料金です。これが再現性の代価です。現行モデルを呼び出す代わりに4月系譜のモデルを固定すると、公開ベンチマークの行の大半が実際に測定されたモデルと引き換えに、より多く支払うことになります。どちらの選択も間違いではありません。異なる問いに答えているのです。

Cognitionのカードは比較に基づいている。「はるかに大型の兄弟モデルと比べて価格は5分の1、速度は3倍」が公開されている説明のすべてであり、絶対的な数値は示されておらず、さらに11月30日までは無料で利用できる。公開情報だけからSWE-2 Flashでタスクにかかるコストを計算するすべはない。分母となるモデル自体のトークン単価もまた、一度も公表されていないからだ。

そこから二つの帰結が導かれるが、どちらも衒学的というより実用的なものである。

• 予測可能性 — DeepSeekの100万トークンあたりのコストは、ピーク時の倍率も含めて1セント単位まで把握できる。SWE-2 Flashのコストは、すでに支払っているサブスクリプションの中で、未公開の数値の割合としてしか把握できない。

• フラット見積は誤解を招く — 固定された V4 Flash ルートは単一のフラット料金だが、ベンダーの現在のカードは 2 段階制だ。したがって、フラットな数値は週の一部では誤りであり、ほとんどのベンチマーク行が示すものとは異なるチェックポイントを表している。計画はベンダーカードに合わせ、再現は固定ルートに合わせること。

どちらも見た目以上に重要だ。数千の短い呼び出しを実行するエージェントにとって、ピーク時の倍率は設計で回避できるスケジューリングの問題であり、少数の長いセッションを実行するコーディングエージェントにとっては丸め誤差にすぎない。あなたがどちらに当たるかによって、DeepSeekの料金カードが2つの価格なのか1つの価格なのかが決まる。

速度：測定値と照らし合わせたリプレイ

Cognitionの毎秒200トークンは実測タイミングではない。投稿で説明されている。各モデル自身のTerminal-Bench 4.0のgsea-proteomicsタスクでの実行を「毎秒200トークンと60トークンのシミュレーションで再生」し、トランスクリプトを同じ長さに短縮したものだ。SWE-2の60 tok/sも同じ再生から来ている。これはCognitionが目標とするサービングプロファイルを説明したもので、公開するのは妥当だが、2つのエンドポイントをストップウォッチで計測したものではない。

Artificial Analysis は、現在のモデルページで DeepSeek V4 Flash を毎秒112出力トークン、最初の回答トークンまでの時間32.41秒と測定している。これは、プロバイダーが行うキューイングを含む、稼働中のAPIの測定値である。この2つの数値は比較可能ではなく、差し引くことは無意味だろう。一方は製品内でのシミュレーション再生であり、他方は公開エンドポイント全体で観測された提供レートである。

但し書きを差し引いても残るのは方向性だ。12BアクティブのモデルがDevin内で実際に約200 tok/sで提供される一方、13Bアクティブのモデルが公開API上で112 tok/sと計測されるなら、アクティブパラメータが小さいモデルが明らかに速いわけではない——サービングスタックがアーキテクチャと同程度の仕事をしている。それは統合製品に有利で、パラメータ数から速度を読み取ることには不利な点だ。

同じテーブルを使った唯一の実行と、それを実行した人物

Cognitionのローンチ表にはDeepSeekのモデルが直接含まれている。その列はDeepSeek V4.1 Flash 1017——現在deepseek-v4-flash IDが解決されるチェックポイント——であり、これによりこの2モデルの比較は同一環境下で作成された唯一のものとなる。以下のすべての数値はCognitionによるもので、Cognitionのベンチマークに基づいており、ハーネスは公表されていない。

• FrontierCode 2.0 — SWE-2 Flash 24.0 対 DeepSeek V4.1 Flash 1017 19.3

• FrontierCode 1.1 メイン — 45.5 対 43.9

• DeepSWE 1.1 — 60.1 対 77.0

• Terminal-Bench 4.0 — 20.0 対 42.3

• Terminal-Bench 2.1 — 89.2 対 91.0

• SWE-Atlas QA — 50.0 対 71.0

• SWE-Bench Pro v2 ハード — 89.9 対 86.3

• ExploitBench — 34.8 対 31.1

内訳はそれぞれ4行ずつで、その差は決して対称的ではない。SWE-2 FlashはFrontierCode 2.0を4.7ポイント、FrontierCode 1.1 Mainを1.6ポイント、SWE-Bench Pro v2 Hardを3.6ポイント、ExploitBenchを3.7ポイント上回る。DeepSeekはDeepSWE 1.1を16.9ポイント、Terminal-Bench 4.0を22.3ポイント、SWE-Atlas QAを21.0ポイント、Terminal-Bench 2.1を1.8ポイント上回る。Flashの勝利はどれも数ポイント差だ。DeepSeekの勝利のうち2つは20を超えている。

比較を勝ち数ではなく差で重み付けすると、もはや僅差ではなくなる。FlashはFrontierCodeでは真に競争力がある。これは書かれた仕様に対する範囲の定まったパッチを評価するもので、一方、ターミナルエージェントがタスクを完了まで遂行することを測るTerminal-Bench 4.0では大きく遅れを取っている。この項目こそ、他の陣営が分かれるところでもある。GLM 5.3 Flashは同じベンチマークで41.8、Claude Haiku 5.5は39.2を記録しており、Flashの20.0と対照的だ。

ただし、同時に述べておくべき注意点がある。これは競合他社の表だ。FrontierCode は Cognition 自身のツールであり、Cognition がそれを採点している。この投稿はハーネスも、エフォート設定も、実行回数も開示していない。したがって「同じ表」は「同じ条件」と同じではない——それはあるベンダーの方法論を一律に適用したものであり、何もしないよりはましだが、独立した評価よりは劣る。そして DeepSeek の列は V4.1 Flash 1017 であり、多くの公開数値が説明している 0731 ビルドではない。

計測ツールがどれほど重要かについて、有用な妥当性確認がある。Artificial Analysis による DeepSeek V4 Flash の 0731 ビルドの評価は、最後に実行されたのが 2026年7月31日で、Terminal-Bench 4.0 で 12.1% と記録している。Cognition の表では、V4.1 Flash 1017 チェックポイントについて 42.3% と記録している。同じ名前のベンチマークで30ポイントの差だ。その一部はチェックポイントによるもの——V4.1 は別の、より大きなモデル——であり、一部はハーネスによる。一方は標準化された第三者による実行で、他方はベンダー自身によるものだからだ。いずれにせよ、この比較のどの単一行もモデル単独の特性ではなく、2社のベンダーが最も大きく食い違う行こそ、最も緩く受け止めるべきものだ。

コンテキスト、重み、そして構築できるもの

• コンテキストウィンドウ — DeepSeek は1,048,576トークン公表済み、SWE-2 Flash は未公表

• 最大出力 — DeepSeek 384,000トークン、SWE-2 Flash は未公開

• 重み — DeepSeek は MIT、ダウンロード可能なのに対し、SWE-2 Flash はアクセス制限付きで、パートナープログラムは「数週間以内」と約束

• モダリティ — DeepSeek V4 Flash はテキスト専用で、ビジョンは V4.1 チェックポイントおよび別の実験用 ID で提供予定。SWE-2 Flash との比較は記載なし

• 提供形態 — DeepSeek APIとサードパーティ製プラットフォーム vs Devin DesktopとDevin CLIのみ

• エフォート制御 — DeepSeekの思考モードと非思考モード対SWE-2 Flashの比較は未文書化

• ファインチューニングのライセンス — DeepSeek は可、SWE-2 Flash は不可（まだ）

チームでプロダクトを作っているなら、その7行のうち5行はそれだけで失格だ。未公開のコンテキストウィンドウを前提に検索パイプラインを計画することはできないし、手元にない重みをファインチューニングすることもできないし、誰かのIDEの中にしか存在しない依存関係をアーキテクチャに組み込むこともできない。SWE-2 Flashはその枠を争っているのではない。開発者がすでに座っている席を争っているのだ。

Flashに優位性がある唯一の項目は、Cognitionが最も明確にしていない項目でもある。タスクあたりのコストだ。SWE-2の価格の5分の1が、仕事を1件こなすコストの5分の1になるなら、Devin内でのインタラクティブな作業ではDeepSeekのトークン単位の料金表より優れる。サブスクリプションはすでに支払い済みだからだ。タスクあたりにより多くのトークンを生成するモデルで、それがトークン単価の5分の1であるなら、優位性は小さくなる。Cognitionはどちらなのか判断できるだけの情報を公開していない。

ルーターが計算を変える場面

DeepSeek V4 FlashはOrcaRouter上でdeepseek/deepseek-v4-flashとして、プロバイダーの定価のまま上乗せなしでルーティングされています。これは価格が1日に2回変わるモデルにとって重要な点です。ベンダーの値下げやピーク時間帯の変更が、プラットフォームが価格を付け直すのを待つことなく、そのままルートに反映されるからです。同じキーで200以上のモデルにアクセスできるため、この比較の賢明なやり方——自分のキューをDeepSeek V4 Flash、GLM 5.3 Flash、Kimi K3に対して実行し、自分のタスクが実際にどれを好むかを見る——は、3つの契約ではなくモデルIDの変更だけで済みます。プロバイダー間の自動フェイルオーバーがもう半分です。DeepSeekのピーク時間帯こそ、2つ目のルートがその価値を発揮するときであり、フォールバックチェーンはページャーへのアラートより安上がりです。

SWE-2 FlashはOrcaRouterには存在せず、存在し得ない。ルーティング先のエンドポイントが存在しない——これがこの対決全体についての率直な要約だ。それが欲しいなら、Devinを買うことになる。自社ソフトウェアからコーディングモデルを呼び出したいなら、その選択はベンチマークが公開される前にすでに済んでいた。

どちらを選ぶべきですか

本番環境でコーディングモデルが必要なら——API、見積もり可能なコンテキストウィンドウ、固定できる重み、予測できる請求額——その2つのうち条件を満たすのはDeepSeek V4 Flashだけであり、固定すべきは10月のチェックポイントです。ピーク時間帯の割引は設計に織り込む価値があり、1Mコンテキストはめったに使い切らないとしても、用意しておく価値があります。

Devin にすでに料金を支払っているなら、SWE-2 Flash は 11月30日までほぼ無料の選択肢に近いものです。キューのうち範囲が限定された端の作業でそれを実行し、DeepSWE ギャップが示す多段階の作業には SWE-2 を残し、無料期間は、それが本来そうである評価期間として扱ってください。リスクは、それが悪いことではありません。リスクは、測定を行うべきところで比率が使われていることです。

チームを1つのコーディングモデルに標準化しようとしているなら、これを決めるための対決ではない。一方の候補はテストでき、もう一方はテストできない。片側しか観測できない比較は、ベンチマークの衣をまとった分布上の決定にすぎない。測定できる方を選び、Cognitionがエンドポイントや、重みを手の届く場所に置くパートナープログラムを提供したら再検討せよ。