DeepSeekは2026年9月10日、画像とテキストを扱う「DeepSeek-V4.1-Flash」を公開した。100万トークンの文脈に対応し、前世代のV4-Flashに対して、全体の文脈を保持するKVキャッシュを約4分の1、再利用のため長く保存するKVキャッシュを約8分の1に減らしたという。コードの修正とテストを繰り返すAIエージェントでは、処理が進むほど履歴が膨らみ、その保存や再読込にも費用がかかる。V4.1 Flashの新設計は、この負担をどこまで軽くし、開発者の支払額をどう変えるのか。

AD

なぜ入力処理を軽くするとエージェントに効くのか

V4.1 Flashは、入力を読むときに動かすパラメータを80億、出力を生成するときには160億とする非対称の構造を採った。技術レポートが示すのは、20層のエンコーダに20層のデコーダをつなぐ「Causal Encoder-Decoder（CED）」だ。デコーダが全体文脈の参照に使うKVを、エンコーダの最後の内部状態から作ることで、長い入力全体に対するデコーダ側の処理を省けるようにした。

たとえばエージェントがコードを修正し、テストを実行し、そのログを読んで再修正すると、モデルには新しいログと会話履歴が繰り返し入る。短い回答を一度返す場合と違い、何度も大量の入力を処理する。そのため、入力側を軽くする効果が積み重なる。

ただし、80億や160億という数字はモデルの保存容量を表さない。V4.1 Flashは、処理に使う部分を選ぶMoEモデルであり、本体のパラメータは5520億に増えた。前世代の2840億より大きい。さらに、トークンの並びに応じて情報を取り出す「Engram」という条件付きメモリを1960億パラメータ分備える。これは学習した情報を参照する仕組みで、会話履歴を保持するKVキャッシュとは別物だ。

つまり、モデルを小さくしたから入力が軽いのではなく、大きなモデルのどの部分を、いつ動かすかを変えている。

890バイトのキャッシュと、保存し直さない設計

技術レポートの図1では、全体文脈用のKVキャッシュは1トークンあたり3514バイトから890バイトへ減っている。比較対象はV4-Flashで、同じ長さの文脈を扱う場合の値だ。GPUの高速メモリであるHBMに置くこの部分が、約4分の1になった。

KVキャッシュは、モデルが過去の入力を参照するために残す計算済みの情報である。V4.1 Flashの「Compressed Sparse Attention 2（CSA2）」は、各層で別々に保持していた情報を層間で共有する。共有した情報から参照先を選び直す層と、参照先まで再利用する層を使い分け、重複した保存と探索を減らす。主要なKVにはFP4形式も用い、数値を保存する精度を下げて容量を節約した。

さらに、SSDなどへ長く保存するキャッシュでは、直近の狭い範囲を扱う局所注意「SWA」の扱いを変えた。レポートの3.2.1節によると、旧構成ではこの局所状態が永続キャッシュ容量のほぼ半分を占めていた。一方、局所状態が再利用されるのは主に、会話が続いている短い時間内だ。長く保存する方針と、実際に必要とする時間が合っていなかった。

そこでV4.1 Flashは、局所状態を短時間だけホスト側のメモリに保持し、長期保存の対象から外した。必要な局所状態が消えていれば、「SWA Bounded Replay」で直近の一定範囲を再処理して作り直す。全体文脈用KVを約4分の1に圧縮する効果と組み合わせ、同じ処理負荷で永続KVキャッシュを約8分の1にする。

この再構築は近似であり、元の状態を数学的に完全再現するものではない。DeepSeekは、同社の実験で応答品質への影響は小さかったと説明している。保存容量を減らす代わりに、限られた再計算と近似を受け入れる設計だ。

「HBMが約4分の1」「SSDが約8分の1」という削減対象は、こうしたKVキャッシュである。モデルの重みやEngram、計算用の作業領域まで含めたサーバー全体の必要メモリが、同じ比率で減るとは言えない。

AD

得点が伸びた試験と、競合との差が残る試験

DeepSeek公表のDeepSWE v1.1では、V4.1 Flashの課題解決率は74.2%となり、V4-Flashの54.4%から大きく伸びた。同じ表に載るOpus 5の74.0%、GPT-5.6 Solの73.0%も上回る。ただし、試験を変えると順位は入れ替わる。

評価項目 V4-Flash V4.1 Flash GPT-5.6 Sol Opus 5
Terminal-Bench 2.1 82.7 90.6 88.8 89.1
Terminal-Bench 3.0 7.6 30.0 34.4 43.3
Terminal-Bench 4.0 7.0 31.2 39.9 51.8
DeepSWE v1.1 54.4 74.2 73.0 74.0
CyberGym 76.7 88.1 84.5 —
SEC-Bench Pro 30.9 62.8 74.3 —
ExploitGym 1.8 15.3 33.7 22.1

数値はDeepSeek技術レポートの表3から抜粋した百分率で、各モデルは最大の推論設定。DeepSWEは課題解決率、ほかはPass@1である。「—」は同表に値がない項目を示す。V4.1 Flashのコード評価は主にDeepSeek HarnessのMinimalモードと100万トークンの文脈を使うが、DeepSWEはmini-SWE、SEC-Bench ProはClaude Codeを使っており、全項目・全モデルを同じ実行ソフトで測った比較とは扱えない。

V4.1 Flashは前世代から全行で改善している。一方、Terminal-Benchの新しい版やSEC-Bench Pro、ExploitGymでは、表にある競合の得点に届かない。CyberGymの88.1%をもって、セキュリティ能力全般で競合を超えたとするのは広げすぎだ。DeepSeek自身の技術レポートによる評価であり、独立した再現試験の結果でもない。

実行ソフトの違いも無視できない。公式モデルカードでは、同じV4.1 FlashのDeepSWE v1.1の得点がmini-SWEでは74.2%、Codexでは65.6%となる。モデルの周囲でツールの実行や履歴を管理する仕組みを変えると、結果も変わる。モデル名だけを選び、最高得点と同じ性能が出ると期待することはできない。

料金を左右するキャッシュ率と推論の深さ

公式APIの新料金は、100万トークンあたり、キャッシュ済み入力が閑散時0.003ドル、ピーク時0.006ドルとなった。新規入力と出力は別の単価で計算する。

100万トークンあたりの料金 閑散時 ピーク時
入力：キャッシュに一致 0.003ドル 0.006ドル
入力：キャッシュに不一致 0.15ドル 0.3ドル
出力 0.6ドル 1.2ドル

DeepSeekの9月10日改定の公式料金表に基づく。ピーク時間は月曜から金曜のUTC 01:00〜04:00と06:00〜10:00、日本時間では10:00〜13:00と15:00〜19:00で、それ以外は閑散時料金となる。

同じ時間帯なら、キャッシュ済み入力の単価は新規入力の50分の1になる。ピーク時は0.3÷0.006、閑散時も0.15÷0.003で、いずれも50だ。これは入力単価の比較であり、作業全体の費用が50分の1になるという意味ではない。実際の支払額は、再利用できた入力と新規入力の量、それに出力量で決まる。

推論の深さを上げれば、その出力量も増える。技術レポートでは、推論設定を25から100へ上げると、DeepSWE v1.1は66.0%から74.2%に改善した一方、出力トークンは概ね2.5倍になったとする。安い単価と、最大設定で出た得点をそのまま組み合わせても、仕事を完了するまでの費用は見積もれない。

繰り返し読む履歴を安く扱えることと、難問のために長く考える費用が増えることは両立する。導入時は、自分の作業で必要な成功率を確かめながら、推論設定ごとの総トークン数と請求額を比較する必要がある。

AD

9月14日のAPI切り替えまでに確かめたいこと

既存ユーザーには、モデル名を変えなくても実行先が変わるという実務上の変更がある。正式な呼び出し名はdeepseek-flashで、旧deepseek-v4-flashとdeepseek-v4-flash-vision-expへの要求は、すでにV4.1 Flashへ振り向けられる。

さらに9月14日13時（日本時間）からは、deepseek-v4-proへの要求もV4.1 Flashへ切り替わり、同モデルの単価で課金される予定だ。DeepSeekは、将来のV4.1 Pro公開までこの扱いを続けるとしている。従来のProを固定して使っていたつもりでも、同じ名前で同じモデルを呼び続けられるわけではない。

重みとリポジトリはMITライセンスで公開され、推論やプロンプト形式の参照実装も提供されている。ただし、キャッシュ削減率から手元の機器で動くと判断するのは早い。本体とEngramを含む保存容量に加え、対応する実行環境を確認する必要がある。

APIの切り替え前に、既存のコード修正タスクや画像を含む入力で、ツール呼び出しの成功率と出力品質を再確認したい。そこで品質を保ち、キャッシュを再利用しながら総費用を減らせるなら、V4.1 Flashの新設計は、エージェントに任せられる作業の長さと量を増やす選択肢になる。