これはベンチマークレポートではない。 これは主張だ。DeepSeek V4-Flash 正式版は、単に自らのプレビュー版を超えただけではない —「より大きなモデルがより優れたモデルである」という前提を葬り去った。まだパラメータ数で AI を評価しているなら、すでに周回遅れだ。
パラダイムが崩壊した瞬間
2026 年 7 月 31 日。DeepSeek が V4-Flash 正式版をリリース。アーキテクチャは 4 月から変更なし。パラメータ数も変更なし：総パラメータ 284B、アクティブ 13B。事前学習も変更なし。変わったのはポストトレーニングだけだ。
そして結果は？DeepSWE が 6.5 倍に向上。Terminal Bench 2.1 で 82.7 — アクティブパラメータが 3.8 倍の V4-Pro プレビューを 3 ポイント上回る。アクティブ 13B のモデルがエージェントタスクで GLM-5.2（744B パラメータ）を上回る。
この事実をよく噛みしめてほしい。同じニューラルネットワークが、同じシナプス数で、同じデータで訓練されているのに、ポストトレーニングが異なるだけで — ソフトウェアエンジニアリング能力が 6.5 倍になったのだ。
これは漸進的な改善ではない。これは、モデル能力について我々が考えてきた枠組みそのものに対するカテゴリーエラーだ。
モデル評価の 3 つの時代
第 1 時代: パラメータ数（2020-2024）。 前提は単純だった：パラメータが多いほど能力が高い。GPT-3 は 175B。GPT-4 は推定 1.7T。より大きいことがより良いことだった。スケーリング則がそれを裏付けているように見えた。
第 2 時代: ベンチマークスコア（2024-2025）。 コミュニティはパラメータ数だけでは全体像を語れないことに気づいた。Mixtral のような Mixture of Experts モデルは、スパースアーキテクチャがアクティブパラメータのごく一部で密モデルに匹敵できることを示した。評価は MMLU、HumanEval、SWE-bench といったベンチマークスコアへと移行した。
第 3 時代: ポストトレーニングの質（2026-）。 V4-Flash の結果は、ベンチマークスコアがポストトレーニングの質の下流にあり、事前学習の規模の下流ではないことを示している。アクティブ 13B のモデルでも、適切に訓練されれば、アクティブ 49B の不十分に訓練されたモデルを上回る。アーキテクチャと事前学習は天井を決める。ポストトレーニングは、その天井にどれだけ近づけるかを決める。
ポストトレーニングが実際にやっていること
事前学習はモデルに事実、構文、パターンを教える。それは「What」だ — for ループとは何か、関数とは何か、レースコンディションとは何か。
ポストトレーニングはモデルに行動を教える。それは「How」だ — 多段階タスクをどう計画するか、ツール呼び出しの失敗からどう回復するか、10 万トークンにわたってどうコンテキストを維持するか、いつ完了したと判断するか。
V4-Flash の結果が示唆するのは、特にエージェントタスクにおいては、「How」が「What」よりもはるかに重要だということだ。知識がやや少なくても、はるかに優れた行動をとるモデルは、知識が多くても実行できないモデルを上回る。
これは AI を構築するすべてのチームに影響を与える：
-
モデル評価はおそらく間違っている。 パラメータ数や汎用ベンチマークスコアでモデルを選んでいるなら、間違ったものを測っている。実際のエージェントタスク、実際のツールチェーン、実際の受け入れ基準で評価する必要がある。
-
今日デプロイするモデルは、3 ヶ月後のモデルではない。 ポストトレーニングの改善には新しいハードウェアは不要だ。アーキテクチャの再設計も不要だ。必要なのはより良いトレーニングデータとより良い RLHF 戦略だ。同じモデルの重みは、推論コードを一行も変えずに劇的に改善できる。
-
堀（モート）は移動している。 1 年前、堀は事前学習の規模だった — 誰が最大のクラスターを買えるか。今日、堀はポストトレーニングの方法論だ — 誰が最も効果的にモデルの行動を形成できるか。明日、堀はエージェントインフラストラクチャになる — 誰が自律タスク実行のための最良のランタイムを構築できるか。
フロンティアラボへの厄介な問い
DeepSeek がポストトレーニングだけで DeepSWE を 6.5 倍改善でき、しかも競合の 1/10 のコストのモデルで実現したのなら、事前学習クラスターに投じられている数十億ドルは何を意味するのか？
事前学習が無価値だと言っているのではない。事前学習は参入条件（テーブルステークス）だと言っているのだ。今や誰もが優れた事前学習を持っている。差別化はその後に起こることにある。
ポストトレーニングを二次的な関心事 — 出荷前に急いで済ませる微調整ステップ — として扱うラボは、それを主要製品として扱うラボに負ける。DeepSeek は、同じモデルでもより良いポストトレーニングによって、重要なタスクにおいて「競争力なし」から「フロンティア」へと飛躍できることを証明した。
今すべきこと
- パラメータ数を引用するのをやめろ。 それは有用性を失った代理指標だ。実際のワークロードにおけるタスク固有のパフォーマンスを引用しろ。
- 継続的評価パイプラインを構築しろ。 先月評価したモデルは、今日評価するモデルではない。エージェントタスクを四半期ごとではなく、継続的に実行しろ。
- 独自のポストトレーニングに投資しろ。 プロダクションでコーディングエージェントを動かしているなら、何が「良い」かのデータを持っている。そのデータでファインチューニングしろ。レバレッジは計り知れない。
- エージェントインフラストラクチャの領域を注視しろ。 モデルはコモディティになりつつある。エージェントランタイム — Harness、ツールチェーン、ルーティングレイヤー — が製品になりつつある。
結論
「より大きなモデル = より良いモデル」の時代は 2026 年 7 月 31 日に終わった。「より良いトレーニング = より良いモデル」の時代が同じ日に始まった。ほとんどのチームはまだ気づいていない。気づいたチームは 6.5 倍のアドバンテージを得る。
ローンチ自体を見逃したなら、3 分ブリーフィングが主要な数字を、アーキテクチャ深掘りがその飛躍の背後にある仕組み——CSA+HCA アテンション、MoE ルーティング、ベンチマークが実際に測定するもの——を解説します。V4-Pro が何を変えるかを含む完全な全体像は、完全版ローンチブリーフィングから始めてください。
革命はすでに動いている。まだ乗っていないのはあなただけだ。
V4-Flash-0731 は 7 月 31 日に出荷。MonkeyCode は同日サポートを出荷。毎日 3000 万トークン無料。言い訳は通用しない。