DeepSeek-V4-Flash-0731のベンチマークを読む。エージェント性能の跳ね方と、MITライセンスのオープンウェイトを日本企業がどう扱うか

株式会社TIMEWELLの濱本 隆太です。

2026年7月31日、DeepSeekが DeepSeek-V4-Flash-0731 を公開しました。6月に出ていたV4シリーズのプレビュー版を置き換える、V4-Flashの正式版という位置づけです¹。数字を見た第一印象を正直に書くと、「エージェント系のベンチマークがここまで跳ねるのか」でした。とくにDeepSWEは、プレビュー版の7.3から54.4へ跳ねています。

この記事では、DeepSeek公式のモデルカードに載っている数値だけを使って、V4シリーズの何が変わったのかを読み解きます。同時に、勝っている項目と負けている項目を同じ表の中で並べます。オープンウェイトモデルの話は「フロンティアに並んだ」か「まだまだ」かの二択で語られがちですが、実際の数字はもっとまだらです。

そのうえで、日本企業がこれを業務に入れるとしたら何を決めなければならないのかを書きます。重みがMITライセンスで配られているという事実は、選択肢を増やすと同時に、宿題も増やします。

モデルごとに同じ物差しで判断したい方へ: モデル供給元の多元化・データのリージョン・再学習防止・出力ガバナンス・地政学/輸出規制リスクの5観点を、L0〜L3のレベル別に記入して点検できるシートを配布しています（NIST AI RMFと個人情報保護委員会の注意喚起に基づく）。本稿で扱うデータの所在・ライセンス・出力の前提といった論点を、特定のモデル名に依存しない様式で記録できます。→ AIセキュリティ＆ベンダー依存リスク 自己点検チェックシート（2026年版）をダウンロード（無料。会社名とお勤め先のメールアドレスのご登録が必要です）

何が起きたのか。V4シリーズとプレビュー版の関係

まず整理が要ります。DeepSeek-V4は6月にプレビュー版として公開されました。モデルカードのIntroductionにも「We present a preview version of DeepSeek-V4 series」と明記されています²。そして2026年7月31日、そのうちFlashの正式版として DeepSeek-V4-Flash-0731 が出た、という順序です。

V4シリーズの構成は次のとおりです²。

モデル	総パラメータ	活性パラメータ	コンテキスト	精度
DeepSeek-V4-Flash-Base	284B	13B	100万トークン	FP8 Mixed
DeepSeek-V4-Flash	284B	13B	100万トークン	FP4 + FP8 Mixed
DeepSeek-V4-Pro-Base	1.6T	49B	100万トークン	FP8 Mixed
DeepSeek-V4-Pro	1.6T	49B	100万トークン	FP4 + FP8 Mixed

FP4 + FP8 Mixedというのは、MoEのエキスパート部分のパラメータをFP4精度で、それ以外の大半をFP8精度で持つという意味です²。

ここで出てくる「総パラメータ」と「活性パラメータ」の違いは、この記事を読むうえで押さえておいてほしい概念です。V4はMoE（Mixture-of-Experts、混合エキスパート）という方式で、モデルの中に多数の「専門家」ブロックを持ち、トークンを1つ処理するたびにそのうち一部だけを動かします。総パラメータはモデル全体の大きさ、つまりメモリに載せる量を決めます。活性パラメータは1トークンあたりに実際に計算が走る量、つまり推論の速度とコストを決めます。

だからV4-Flashの「284B総／13B活性」という数字は、載せるのは284B相当だが、計算は13B相当で回る、と読みます。比較対象として、DeepSeek-V3.2-Baseは671B総／37B活性です²。V4-Flashは前世代より活性パラメータが少ないのに、多くのベンチマークで上回っている。効率の話がここに効いてきます。

もう一点、推論モードが3段階に分かれているのも実務上は重要です²。

モード	特徴	想定用途
Non-think	速く直感的に応答する	日常の定型タスク、リスクの低い判断
Think High	論理的に分析する。遅いが正確	複雑な問題解決、計画立案
Think Max	推論を限界まで押し上げる	モデルの推論能力の境界を探る用途

後述するベンチマークの多くは、この「Max」モードでの数値です。同じモデルでもモードによってスコアは大きく変わります。たとえばV4-ProのHLEはNon-thinkで7.7、Highで34.5、Maxで37.7です²。「DeepSeek-V4のスコアは◯◯」と一言で語れないのは、このためです。

いちばん跳ねたのはエージェント性能

7月31日版の目玉はここです。モデルカードには「far smaller activated parameter count（はるかに少ない活性パラメータ数）でありながら、DeepSeek-V4-Pro（プレビュー版）を下記のベンチマークで上回り、最強クラスのプロプライエタリモデルと広く競合する」と書かれています¹。

実際の数値がこちらです¹。

ベンチマーク	V4-Flash-0731	V4-Flash（Preview）	V4-Pro（Preview）	GLM-5.2	Opus-4.8
Terminal Bench 2.1	82.7	61.8	72.1	81.0	85.0
NL2Repo	54.2	39.4	38.5	48.9	69.7
Cybergym	76.7	38.7	52.7	-	83.1
DeepSWE	54.4	7.3	12.8	46.2	58.0
Toolathlon-Verified	70.3	49.7	55.9	59.9	76.2
Agents' Last Exam	25.2	15.8	16.5	23.8	25.7
AutomationBench Public	25.1	10.8	12.8	12.9	27.2
DSBench-FullStack †	68.7	37.0	41.8	61.8	71.6
DSBench-Hard †	59.6	25.8	31.1	54.5	71.7

いくつか、この表を読むときの前提を先に書いておきます。

まず、GLM-5.2とOpus-4.8のスコアはDeepSeek自身が自社のモデルカードに併記したものです。当社が独立に再現・検証した数値ではありません。他社モデルの評価は、プロンプト設計、エージェントの足回り、推論予算の取り方でスコアが動きます。自社が併記する他社スコアは、参考値として扱うのが妥当です。

次に、評価条件です。上記のうちCode Agent系のタスクについて、モデルカードは「DeepSeek Harness（未リリース）のminimalモードをエージェントフレームワークとして使い、reasoning effortはmax、temperature = 1.0, top_p = 0.95で評価した」と注記しています¹。この評価に使われたハーネス自体が、2026年8月1日時点でまだ公開されていません。 つまり第三者が同じ条件で追試できない状態です。数字を鵜呑みにせず、自社のワークフローで測り直す前提で読むべきです。

そして †印のDSBench-FullStackとDSBench-Hardは、DeepSeekの社内テストセットです¹。社外の誰も中身を見ていません。ここは他の公開ベンチマークとは重みが違います。

その留保を置いたうえで、それでもDeepSWEの7.3→54.4という変化は目を引きます。プレビュー版のFlashは、コーディングエージェントとしてはほぼ使い物にならない水準でした。それが6月のプレビューから7月31日の正式版までの間に、実用域の入口まで来ています。Terminal Bench 2.1も61.8→82.7で、こちらはGLM-5.2（81.0）を上回っています。

同時に、表を最後まで見れば、9項目のうち9項目すべてでOpus-4.8が上です。「フロンティアに追いついた」ではなく「フロンティアの背中が見える位置まで来た」というのが、この表の正しい読み方だと思います。NL2Repo（54.2対69.7）やDSBench-Hard（59.6対71.7）のように、まだ10ポイント以上の差がある項目もあります。

なお、0731版は投機的デコード（speculative decoding）モジュールを内蔵しています¹。これは小さなモデルに先に何トークンか予測させ、本体がまとめて検証することで生成を速くする仕組みで、vLLMやSGLangで動かす際にフラグ一つで有効化できると案内されています。推論速度に効く実装なので、セルフホストを検討する場合は見ておく価値があります。

フロンティアモデルとの比較。勝っているところ、届いていないところ

次はV4-Pro-Max、つまりProの最大推論モードとフロンティアモデルの比較です。こちらもDeepSeekのモデルカードに掲載された表で、他社のスコアはDeepSeekが併記したものです²。

ベンチマーク	Opus-4.6 Max	GPT-5.4 xHigh	Gemini-3.1-Pro High	K2.6 Thinking	GLM-5.1 Thinking	DS-V4-Pro Max
MMLU-Pro (EM)	89.1	87.5	91.0	87.1	86.0	87.5
SimpleQA-Verified	46.2	45.3	75.6	36.9	38.1	57.9
Chinese-SimpleQA	76.4	76.8	85.9	75.9	75.0	84.4
GPQA Diamond	91.3	93.0	94.3	90.5	86.2	90.1
HLE	40.0	39.8	44.4	36.4	34.7	37.7
LiveCodeBench	88.8	-	91.7	89.6	-	93.5
Codeforces (Rating)	-	3168	3052	-	-	3206
HMMT 2026 Feb	96.2	97.7	94.7	92.7	89.4	95.2
IMOAnswerBench	75.3	91.4	81.0	86.0	83.8	89.8
Apex	34.5	54.1	60.9	24.0	11.5	38.3
Apex Shortlist	85.9	78.1	89.1	75.5	72.4	90.2
MRCR 1M (MMR)	92.9	-	76.3	-	-	83.5
CorpusQA 1M (ACC)	71.7	-	53.8	-	-	62.0
Terminal Bench 2.0	65.4	75.1	68.5	66.7	63.5	67.9
SWE Verified	80.8	-	80.6	80.2	-	80.6
SWE Pro	57.3	57.7	54.2	58.6	58.4	55.4
SWE Multilingual	77.5	-	-	76.7	73.3	76.2
BrowseComp	83.7	82.7	85.9	83.2	79.3	83.4
HLE w/ tools	53.1	52.0	51.6	54.0	50.4	48.2
GDPval-AA (Elo)	1619	1674	1314	1482	1535	1554
MCPAtlas Public	73.8	67.2	69.2	66.6	71.8	73.6
Toolathlon	47.2	54.6	48.8	50.0	40.7	51.8

太字は各行の最高値です。DeepSeek側の数値だけを追うのではなく、どこで勝ってどこで負けているかを見てください。

勝っている領域は競技プログラミング系にはっきり寄っています。 LiveCodeBench 93.5、Codeforces 3206、Apex Shortlist 90.2。いずれも併記された全モデルの中で首位です。数学系もHMMT 95.2、IMOAnswerBench 89.8と上位に食い込んでいます。

届いていない領域も明確です。 HLE（Humanity's Last Exam）は37.7で、Gemini-3.1-Pro Highの44.4に届いていません。Apexは38.3で、同じくGemini-3.1-Proの60.9に大きく開いています。実務タスクの総合評価であるGDPval-AAは1554で、GPT-5.4 xHighの1674、Opus-4.6 Maxの1619の下です。

個人的にいちばん気になったのは長文脈です。V4シリーズは「100万トークンコンテキスト」を看板にしていますが、その100万トークン領域での性能を測るMRCR 1Mは83.5でOpus-4.6 Maxの92.9に届かず、CorpusQA 1Mも62.0でOpus-4.6 Maxの71.7に届いていません。長いコンテキストを扱えることと、長いコンテキストの中身を正確に使えることは別です。 100万トークン入るからといって、100万トークン分の資料を放り込んで正確な答えが返ってくるとは限らない。この区別は、社内文書を大量に食わせる用途を検討している方にはとくに効いてきます。

ベースモデル（事後学習前の素の状態）の比較も参考になります。V3.2-Baseと並べると、知識系ではV4-Pro-Baseが大きく伸びています。Simple-QA verifiedが28.3→55.2、FACTS Parametricが27.1→62.6と、事実知識の保持が明確に改善しています。MMLU-Proも65.5→73.5、HumanEvalは62.8→76.8、LongBench-V2は40.2→51.5です²。

ただし、すべての項目で新しいほうが良いわけではありません。 BBHはV3.2-Baseの87.6が最高値でV4-Pro-Baseは87.5、BigCodeBenchに至ってはV3.2-Baseの63.9に対しV4-Flash-Baseが56.8、V4-Pro-Baseが59.2と、前世代を下回っています²。世代交代のたびに全項目で伸びるわけではない、というのは、モデル更新の判断をするときに覚えておくべき事実です。既存の用途で前世代を使っている場合、そのまま差し替えると劣化する可能性がある。移行時は自社のタスクで比較する以外にありません。

なぜ効率が上がったのか

V4シリーズの技術的な芯は「長いコンテキストを安く処理する」ところにあります。モデルカードのタイトルからして「Towards Highly Efficient Million-Token Context Intelligence」です²。

Introductionが挙げているのは3点です²。

1つ目がHybrid Attention Architecture。 Compressed Sparse Attention（CSA）とHeavily Compressed Attention（HCA）を組み合わせた注意機構で、モデルカードには「100万トークンコンテキスト設定において、DeepSeek-V4-ProはDeepSeek-V3.2と比較して、1トークンあたりの推論FLOPsの27%、KVキャッシュの10%しか必要としない」と書かれています。

ここ、少し噛み砕きます。KVキャッシュというのは、モデルが「これまでに読んだトークンの情報」を保持しておくメモリ領域です。文脈が長くなるほど、これが線形に膨らみます。100万トークンの文脈を扱うということは、100万トークン分のKVキャッシュをGPUメモリに載せ続けるということです。長文脈のコストがGPU単価に直結するのは、主にこれが理由です。つまり「KVキャッシュが10%」というのは、同じ長さの文脈を1台のGPUで扱えるかどうか、あるいは同じハードで何本の同時リクエストを捌けるかに、そのまま効いてきます。 推論FLOPsの27%は生成速度と電力に効きます。

なおこの27%・10%という数値は、あくまでV3.2との比較としてDeepSeekが示したものです。他社モデルとの比較ではありません。

2つ目がManifold-Constrained Hyper-Connections（mHC）。 従来の残差接続を強化して、層をまたぐ信号伝播の安定性を高めつつ、モデルの表現力を保つ仕組みだと説明されています²。深いネットワークで学習が不安定になるのを抑える工夫、と理解しておけば実務上は十分です。

3つ目がMuon Optimizer。 収束の高速化と学習の安定化のために採用したとあります²。

学習量は32Tトークン超。事後学習は2段階で、まずSFTとGRPOによる強化学習で領域ごとの専門家モデルを個別に育て、次にon-policy distillation（オンポリシー蒸留）で1つのモデルに統合する、という設計です²。蒸留というのは、あるモデルの振る舞いを別のモデルに教え込む手法です。ここでは、数学が得意なモデル、コードが得意なモデル、といった個別に鍛えた成果を、最終的に1つのモデルへまとめ直すために使われています。

DeepSWEの7.3→54.4のような跳ね方は、アーキテクチャそのものより、この事後学習パイプラインの改良によるところが大きいはずです。0731版のモデルカードにも、投機的デコードモジュールが付いている点以外に構造上の変更は記されていません¹。

MITライセンスであることの意味

技術の話と同じくらい、あるいはそれ以上に実務を左右するのがここです。

モデルカードのLicense節には「This repository and the model weights are licensed under the MIT License」とあり、frontmatterも license: mit です²¹。リポジトリだけでなく、モデルの重みそのものがMITで提供されています。

MITライセンスは、著作権表示とライセンス文の保持という条件を満たせば、商用利用も改変も再配布も可能な、非常に緩いライセンスです。オープンウェイトを名乗るモデルの中には、月間アクティブユーザー数による制限や、出力を使って競合モデルを学習させることを禁じる条項を持つものがあります。MITにはそれがない。

この意味は3つあります。

第一に、自社のインフラで動かせるということ。プロンプトも出力も、モデル提供元に送らずに済みます。データを国外に出せない、あるいは特定のクラウドリージョンから動かせないという制約を持つ企業にとって、これは選択肢そのものです。

第二に、改変できるということ。後述しますが、ここが今回いちばん言いたい部分に繋がります。

第三に、ベンダーロックインの解除材料になるということ。マルチLLM構成を組むとき、「差し替え可能な部品」の選択肢が増えます。もっとも284B総パラメータのモデルを自社で動かすには相応のGPUが要りますから、誰にでも現実的な話ではありません。それでも、選択肢が理論上あるのとないのとでは、交渉の立ち位置が違います。

日本企業にとって何が変わるか

ここからは私の見立てです。

まず、モデルの出自と、運用先は別の問題だという整理を強くおすすめします。ここが混ざると議論が噛み合いません。

• 重みをダウンロードして自社のGPU、あるいは自社が契約する国内クラウドで動かす場合、プロンプトと出力はDeepSeekに渡りません
• 一方、DeepSeekのAPIを叩く場合は、当然ながらデータが提供元に渡ります。APIのモデル名は deepseek-v4-flash / deepseek-v4-pro で、公式ドキュメントには deepseek-v4-flash がDeepSeek-V4-Flash-0731に更新されたが呼び出し方法は変わらない旨が記載されています³

同じ「DeepSeek-V4を使う」でも、この2つはリスク評価がまったく違います。社内で検討するときは、必ずどちらの話をしているのかを明示してください。

そのうえで判断の軸を挙げるなら、次の5つだと思っています。

1. データの所在: 推論をどこで走らせるか。入力・出力・ログがどこに残るか
2. ライセンス: 商用利用、改変、再配布の可否。MITは最も緩い部類
3. サポート体制: セルフホストなら障害対応もセキュリティパッチも自社の仕事になる
4. 規制対応: 業界規制、調達要件、取引先の要求事項に照らしてどうか。政府調達や重要インフラ関連では、モデルの出自自体が要件になる場合があります
5. 出力の前提: これは次の章で扱います

「中国製だから危険」という言い方では、判断の役に立ちません。上の5軸に落として、自社の用途ごとに評価するほうが実務的です。AIガバナンスの組織的な設計についてはエンタープライズAIガバナンスの組織設計でも整理しています。オープンウェイトとプロプライエタリの一般的な比較はオープンソースAI vs プロプライエタリAIを参照してください。

見解が分かれる主題での取り扱い

ここは、性能の話とは別に、必ず設計に織り込んでほしい論点です。DeepSeekだけの話ではありません。Kimi（Moonshot AI）、GLM（Zhipu AI）を含む、中国発のモデル全般に共通する構造の話として書きます。

機序を正確に押さえる

中国では「生成式人工智能服务管理暂行办法」（生成AIサービス管理暫行弁法）が2023年7月10日に国家互联网信息办公室（CAC）ほか7機関から発布され、同年8月15日に施行されています。その第四条（一）は次のように定めています⁴。

坚持社会主义核心价值观，不得生成煽动颠覆国家政权、推翻社会主义制度，危害国家安全和利益（社会主義の核心的価値観を堅持し、国家政権の転覆や社会主義制度の打倒を扇動する内容、国家の安全と利益を害する内容を生成してはならない）

ここで重要なのは、この弁法が規律しているのは中国国内で公衆に向けて提供されるサービスだという点です。したがって、重みをダウンロードして日本国内のサーバで動かす行為そのものが、この弁法の規律対象になるわけではありません。「使ったら違法」という話ではない。

しかし逆に、「重みを落として自社で動かせば無関係」でもありません。モデルのアライメント（人間の意図に沿うように出力を調整する工程）は、その制度環境の下で行われています。 その結果は重みに織り込まれます。ダウンロードした重みは、その調整を経たあとの重みです。

だから機序としてはこうなります。中国国内で提供される生成AIサービスには、法令上、社会主義核心価値観の堅持が求められる。モデルの調整はその環境で行われる。結果として、政治的に見解の分かれる主題では、特定の立場に整合した出力になりうる。 これは企業の善悪の問題ではなく、規制の帰結です。DeepSeekの技術者が何を考えているかとは、独立した構造の話です。

日本企業にとって具体的に何が問題か

日本と中国で公式見解が異なる主題があります。領土（尖閣諸島など）、歴史認識、台湾の位置づけ。こうした主題に触れる文章を生成させたとき、日本の利用者が期待する内容と食い違う可能性があります。

コード生成では、この問題はまず顕在化しません。だから初期のPoCでは気づかない。問題が出るのは、対外的に出る日本語の文章を生成させはじめてからです。

• 社史や周年記念誌の下書き
• 教育教材、研修コンテンツ
• 広報文、プレスリリース、経営メッセージ
• 自治体向けの文書、公共調達の提案書
• 中国語・英語の資料を日本語に翻訳する業務、およびその逆
• 海外拠点との共有ドキュメント

このあたりは、文章がそのまま社外に出ます。地名の表記ひとつ、年表の一行が、意図せず特定の政治的立場を含んでしまう。校正で気づければいいですが、大量生成して人手のレビューが薄くなるほど、すり抜ける確率は上がります。

実証していないことは書かない

ひとつ明確にしておきます。当社は今回、この点について実際のテストを行っていません。 ですので「DeepSeekは尖閣について具体的にこう答える」といった出力例をここに書くことはしません。検証していない出力を、あたかも確認したかのように書くのは不誠実だからです。

書けるのは、制度上そうなりうる構造があるというところまでです。そして、だからこそ自社で検証してくださいと申し上げます。

具体的には、自社の業務で実際に出しそうなプロンプトを20〜50件ほど集めて、評価セットを作ることをおすすめします。自社の事業に関係する地域名、歴史的経緯、取引先の所在国。そういう自社固有の文脈を含んだ設問で、実際に何が返ってくるかを見る。汎用のベンチマークでは絶対に見つからない問題が、自社の評価セットでは見つかります。

公平を期すために

どのモデルにも学習データ由来の偏りはあります。米国発のモデルにも米国的な前提は入っていますし、日本語の扱いが薄いモデルは日本の文脈を取り違えます。この点で「中国モデルだけが偏っている」という言い方は正確ではありません。

中国発のモデルに固有なのは、その方向性が法令要件として明文化されている点です。 偏りが偶然の産物ではなく、制度的に要請されたものである。だから予測可能性が高く、逆に言えば、対策も設計しやすい。断罪ではなく分析として、こう整理するのが実務的だと思います。

対策：日本の認識を入れたうえで使う

さて、ここでライセンスの話に戻ります。MITライセンスだからこそ、ファインチューニングという打ち手が法的に取れるのです。この接続が、この記事でいちばん伝えたいことです。

重みが公開されていて、改変が許諾されている。だから「そういう性質があるから使わない」だけでなく、「そういう性質があるから、こう直して使う」という選択肢が存在します。プロプライエタリなAPIモデルでは、そもそもこの手が打てません。

打ち手を並べます。

1. 継続事前学習・ファインチューニング・選好調整

日本語の一次情報、日本の公的資料、自社の正文（正式に承認された文書）を使って追加学習をかけます。継続事前学習で日本語と日本の文脈の厚みを足し、指示ファインチューニングで自社の書式に合わせ、選好調整（好ましい出力と好ましくない出力のペアで学習させる手法）で、見解が分かれる主題への応答方針を揃えます。フルスケールの学習は費用がかかりますが、LoRAのような軽量な手法なら現実的な規模で試せます。

2. RAGで一次情報に接地させる

モデルの内部知識に頼らせず、政府の一次情報や自社の正文を検索して、それに基づいて答えさせる構成です。パラメータの中身を直接いじるより手軽で、出典が示せるという副次効果もあります。当社のZEROCKでGraphRAGを採っているのも、答えの根拠をたどれる状態を保つためです。

3. 出力ガードレール

係争的な主題を検知して、人間のレビューに回す。あるいは、あらかじめ用意した定型見解に差し替える。地名、歴史的事件、国名の表記などをリストにして、出力に含まれたらフラグを立てる、という単純な仕組みでも相当な効果があります。完璧を目指すより、社外に出る文章の経路に必ず1つ関門を置くことのほうが大事です。

4. 回帰テスト用の評価セット

前章で触れた自社評価セットを、CIに組み込んで継続的に回します。モデルを更新したとき、ファインチューニングをかけ直したとき、プロンプトを変えたときに、自社にとって不都合な出力が出るようになっていないかを測る。一度チェックして終わりではなく、回帰テストとして運用するのが要点です。

そのうえで、はっきり書いておきます。日本国内で広く流通させるのであれば、こうしたファインチューニング等によって日本の認識を入れたうえで利用することを推奨します。 素の重みをそのまま日本語の対外文書生成に使うのは、避けたほうがいい。これはDeepSeekに限らず、中国発モデル全般に対する私の立場です。

同時に、この作業には価値があります。日本語と日本の文脈で調整されたオープンウェイトモデルは、それ自体が資産になります。フロンティア級の性能を持つ重みがMITで手に入るというのは、その出発点を無料で手に入れられるということです。

まとめ

• 2026年7月31日に公開された DeepSeek-V4-Flash-0731 は、6月のプレビュー版を置き換えるV4-Flashの正式版。エージェント性能が大きく伸び、DeepSWEは7.3→54.4、Terminal Bench 2.1は61.8→82.7
• ただし公式モデルカードの表では、掲載9項目すべてでOpus-4.8が上。「追いついた」ではなく「背中が見える位置」
• V4-Pro-Maxは競技プログラミング系（LiveCodeBench 93.5、Codeforces 3206、Apex Shortlist 90.2）で併記モデル中の首位。一方でHLE、Apex、GDPval-AA、長文脈のMRCR 1M・CorpusQA 1Mでは届いていない
• 併記された他社スコアはDeepSeekが自社モデルカードに記載したもので、当社や第三者が独立に検証したものではない。Code Agent系は2026年8月1日時点で未リリースのDeepSeek Harnessで評価されており、第三者が同条件で追試できない
• 効率の改善はHybrid Attention（CSA + HCA）が中核。100万トークン設定で、V3.2比で推論FLOPs 27%・KVキャッシュ10%
• リポジトリと重みの両方がMITライセンス。商用利用・改変・自社ホスティングが可能
• 「モデルの出自」と「運用先」は別問題。セルフホストとAPI利用ではデータの流れがまったく違う
• 中国発モデル全般に、見解が分かれる主題での出力という構造的論点がある。生成AIサービス管理暫行弁法第4条(1)が社会主義核心価値観の堅持を求めており、その環境でアライメントが行われている。重みを日本で動かす行為が同弁法の規律対象になるわけではないが、調整の結果は重みに織り込まれている
• 具体的な出力がどうかは、汎用ベンチマークではわからない。自社の業務プロンプトで評価セットを作って検証する
• MITだからこそ、ファインチューニング・RAG・ガードレール・回帰テストという対策が取れる。日本国内で広く流通させるなら、日本の認識を入れたうえで利用することを推奨する

モデル選定とガバナンス設計は、本来セットで考えるものです。当社ではWARPのAI導入伴走で、モデルの目利きから運用設計まで扱っています。オープンウェイトの自社運用を検討されている方は、お気軽にご相談ください。

---

参考文献

関連記事として、Kimi K3の実力と使いどころ、Claude Opus 4.7・DeepSeek V4 Pro・GPT-5.5 完全比較、Qwenのオープンウェイト戦略もあわせてどうぞ。

Footnotes

1. DeepSeek-AI「DeepSeek-V4-Flash-0731」モデルカード（2026年7月31日公開） ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸

2. DeepSeek-AI「DeepSeek-V4: Towards Highly Efficient Million-Token Context Intelligence」モデルカード（DeepSeek-V4-Pro） ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹ ↩¹⁰ ↩¹¹ ↩¹² ↩¹³ ↩¹⁴ ↩¹⁵

3. DeepSeek API Documentation ↩

4. 国家互联网信息办公室ほか「生成式人工智能服务管理暂行办法」（2023年7月10日発布、2023年8月15日施行） ↩