技術的テーゼ： DeepSeek V4-Flash 正式版は、4 月のプレビューと同じ 284B-MoE アーキテクチャだ。アーキテクチャの変更はゼロ。DeepSWE の 6.5 倍の改善は、すべてポストトレーニングによるものだ。この記事ではその仕組みと、それが今後のモデル評価に何を意味するかを解説する。
1. アーキテクチャ: 内部構造
Mixture of Experts、総パラメータ 284B、アクティブ 13B
V4-Flash はスパース MoE アーキテクチャを採用している。モデル全体は 2840 億のパラメータを持ち、複数のエキスパートサブネットワークに分散されている。各フォワードパスでアクティブになるのはわずか 130 億 — 全体の約 4.6% だ。これが基本的なトレードオフだ：巨大なモデルを訓練し、推論ははるかに小さいモデルのコストで実行する。
エキスパートのルーティングは事前学習中に学習される。各トークンは入力表現に基づいて少数のエキスパートに割り当てられる。ルーターはエキスパートと同時に訓練されるため、専門化は事前に指定されるのではなく、自然に創発する。
CSA + HCA: ハイブリッドスパースアテンション
アテンション機構は 2 つのスパースパターンを組み合わせている：
-
CSA（Chunked Sparse Attention）: シーケンスは固定サイズのチャンクに分割される。各トークンは自身のチャンク内の全トークンと、過去のチャンクからスパースに選択されたトークンにアテンドする。これにより、二次関数的なスケーリングなしで局所的な一貫性が得られる。
-
HCA（Hierarchical Compressed Attention）: 長距離依存関係は圧縮表現を通じて処理される。遠くのチャンクからのキー・バリューペアは少数のサマリーベクトルに集約され、全トークンがそれにアテンドできる。これが、完全アテンションのメモリ爆発なしに 100 万トークンのコンテキストウィンドウを可能にしている。
この組み合わせこそが 100 万トークンコンテキストウィンドウを実用的にしている理由だ：100 万トークン時、DeepSeek の報告によると KV キャッシュメモリは V3.2 のわずか 10%、推論計算量は V3.2 の 27% に抑えられている。
ネイティブ 100 万トークンコンテキスト
コンテキストウィンドウはネイティブに 100 万トークン — 位置補間や RoPE 拡張のトリックではない。つまり、アテンションパターンは最初からこの長さで訓練されており、長文書検索の精度に直結する。DeepSeek は 100 万トークンの文書で 97% の検索精度を主張している。
2. ベンチマークの真実: 何が変わり、何が変わらなかったか
事前学習は変わっていない
DeepSeek は明言している：「モデル構造、サイズ和预览版完全一致，仅重新进行了后训练」— モデル構造とサイズはプレビュー版と完全同一で、ポストトレーニングのみが再実施された。
つまり、事前学習コーパス、エキスパートルーティング、アテンションパターン、基礎知識はすべて 4 月のオリジナルチェックポイントのままだ。事実知識、言語理解、コード構文をエンコードする重みは変更されていない。
ポストトレーニングが狙ったもの
V4-Flash 正式版のポストトレーニングフェーズは 3 つの領域に集中した：
-
エージェントタスクの完遂。 モデルが計画、実行、結果観測、調整を行う多段階の自律ワークフロー。これが DeepSWE と Terminal Bench の測定対象だ。
-
ツール呼び出しの忠実度。 正しいパラメータ形式、適切なツール選択、連鎖 API 呼び出しにおけるエラー回復。これが Toolathlon の測定対象だ。
-
長文脈指示追従。 10 万トークンを超えるコンテキストでのタスク一貫性の維持。これが検索精度と長文書ベンチマークの改善分だ。
数字 — 手法ノート付き
| ベンチマーク | Flash 正式版 | Flash プレビュー | Pro プレビュー | 備考 |
|---|---|---|---|---|
| Terminal Bench 2.1 | 82.7 | — | 67.9 (TB 2.0) | テストセットバージョンが異なるため直接比較不可 |
| DeepSWE | 54.4 | 7.3 | — | 同一テストセット；6.5 倍の改善は本物 |
| Cybergym | 76.7 | — | — | セキュリティ自動化；本リリースの新規ベンチマーク |
| Toolathlon Verified | 70.3 | — | — | ツール呼び出し；検証済みサブセット |
| NL2Repo | 54.2 | — | — | リポジトリレベルのコード理解 |
| DSBench-FullStack | 68.7 | — | — | DeepSeek 内部ベンチマーク |
| DSBench-Hard | 59.6 | — | — | DeepSeek 内部ベンチマーク |
DeepSWE の比較が最もクリーンなシグナルだ：同一テストセット、同一アーキテクチャ、6.5 倍の改善。Terminal Bench の比較はテストセットバージョンが異なる（2.1 vs 2.0）ため、82.7 vs 67.9 の差は方向性として捉え、正確な大きさとして解釈すべきではない。
3. これがモデル評価にとって重要な理由
パラメータ数ヒューリスティックの終焉
アクティブ 13B のモデル（V4-Flash）が、エージェントタスクで 744B モデル（GLM-5.2）を上回った。アクティブ 13B のモデルが、アクティブ 300-400B と推定されるモデル（Claude Opus 4.6）に 2.3 ポイント差まで迫った。パラメータ数と能力の相関は以前から完璧ではなかったが、今や無視できない形で崩壊した。
ポストトレーニングが新たなフロンティア
事前学習がモデルの「知識」を決めるなら、ポストトレーニングはその知識で「何ができるか」を決める。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、ポストトレーニングの質が事前学習の規模を凌駕するということだ。適切に訓練された 13B モデルは、自律コーディングで重要なタスクにおいて、不十分に訓練された 1.6T モデルを上回る。
ベンチマークインフレは現実であり加速している
V4-Flash 正式版は Terminal Bench 2.1 で 82.7 を記録した。3 ヶ月前は 67.9 が印象的だった。天井は急速に上昇しており、4 月に「最先端」だったモデルは、今や新たなベースラインを下回る。チームに必要なのは継続的評価パイプラインであり、ポイントインタイムの比較ではない。
4. Harness: モデルではなく、インフラストラクチャ
DeepSeek の Agent Harness フレームワークが今回のリリースで正式に名称が付けられた。元 Jane Street のクオンツ Cui Tianyi が率いるチームは 2026 年 3 月に編成された。Harness が提供するもの：
- 反復的自己チェック付きの長期タスク計画
- ツール呼び出し失敗時の自動リトライ
- 多段階ワークフローにわたる状態管理
- Responses API フォーマットとの統合
これは重要だ。DeepSeek が単にモデルを提供しているのではなく、エージェントランタイムを提供していることを意味するからだ。モデル + Harness の組み合わせこそが製品であり、モデルの重みだけではない。
5. テストすべきこと
コーディングタスクで V4-Flash を評価するなら：
- 独自の DeepSWE 相当を実行せよ。 受け入れ基準付きの境界の明確なコーディングタスクを 10〜20 個定義する。ベンチマークを信じるな。自分のワークロードを信じろ。
- ツール呼び出しチェーンの長さを測定せよ。 エージェントワークフローが 5 回以上のツール呼び出しを連鎖させるなら、末尾でのコンテキストドリフトとパラメータ破損を特にテストせよ。
- 100 万トークンコンテキストをプロファイルせよ。 97% の検索精度の主張は心強いが、実際の文書タイプとクエリパターンで検証せよ。
- 受け入れタスクあたりのコストを比較せよ。 V4-Flash は GPT-4o の 1/10 のトークン単価だ。リトライが 2 倍必要でも、依然として 5 倍安い。実際の経済性を測定せよ。
もっと広い視点が欲しい？正面対決比較が V4-Flash を GPT-5.6、Claude、Kimi K3、GLM-5.2 と対決させ、後訓練分析がなぜ訓練方法論が今やパラメータ数より重要なのかを解説します。Pro が何を変えるかを含む完全なローンチの全体像は、完全版ローンチブリーフィングから始めてください。
アーキテクチャを読んだ。次はモデルを動かせ。
MonkeyCode はすでに V4-Flash-0731 をサポートしている。同日統合、毎日 3000 万トークン無料、ハードウェアの準備不要。