Deepseek V4.1 Flash 1017、エージェントコストを削減し検索APIを公開

中国のAI企業Deepseekは、エージェント型およびコーディングタスク向けに設計された軽量言語モデルの更新版であるDeepseek-V4.1-Flash-1017をリリースしました。現在、API経由およびオープンウェイトとして利用可能で、以前のバージョンやより大規模な競合製品と比較して、実行速度の向上とコストの低減を約束します。

何が起きたか

Deepseekは、自社プラットフォーム、Hugging Face、およびModelScopeで新モデルを発表しました。同社は今回のリリースをパレート改善（Pareto improvement）と説明しており、これはコストを増加させることなく性能を向上させるか、または性能を犠牲にすることなくコストを低減することを意味します。直接の先行モデルと比較すると、V4.1-Flash-1017はより高いベンチマークスコアを達成し、出力が短縮され、タスク完了までの時間が速くなっています。

このアップデートは、エンドツーエンドのソフトウェア開発ワークフローに特化してチューニングされています。Deepseekによると、このモデルはDeepseek Harness、Tencent CodeBuddy、WorkBuddyなどの環境で優れたパフォーマンスを発揮します。ゲームプログラミングから3Dモデリングやデザインに至るまで、複雑なプロジェクトに対応可能です。また、他の主要なAIプロバイダーによる最近のアップデートと同様の機能として、コンパクトな解説動画のアニメーション作成も可能です。

言語モデルに加え、Deepseekは内部検索インフラへの一般アクセスを開始します。新しいSearch APIおよびFetch APIにより、開発者はアプリケーションにWeb検索機能を統合できます。これらのサービスは、Deepseekが世界中で毎日数億件のクエリを処理していると主張する検索エンジン上に構築されています。

仕組み

V4.1-Flash-1017の中核となる技術的進歩は、自己フィードバック付き強化学習（RLSF: Reinforcement Learning with Self-Feedback）と呼ばれる訓練手法です。従来の強化学習では、AIの出力品質を評価するために人間の評価者や別個の報酬モデルが必要となることが多くありました。RLSFは、モデル自身の内部信頼度スコアや自己生成した批判を報酬信号として使用することで、このボトルネックを解消します。

この自己修正メカニズムにより、モデルは外部からの監督なしにポストトレーニング中に出力を洗練させることができます。自身の評価に依存することで、モデルはより簡潔かつ正確なコードを生成する方法を学習し、これがベンチマークで報告されているトークン使用量の削減とコスト低減に直接寄与しています。このアプローチは、ゼロから完全なソフトウェアプロジェクトを構築するなど、モデルが一連のアクションを計画し実行する必要のある多段階タスクにおいて特に効果的です。

主要な詳細

• Deepseek-V4.1-Flash-1017は、Hugging FaceおよびModelScopeでオープンウェイトモデルとして、またAPI経由で利用可能です。
• このモデルは、自己フィードバック付き強化学習（RLSF）を使用し、人間の評価者を介さずにパフォーマンスを向上させます。
• 内部ベンチマークでは、コーディングおよびエージェントタスクにおいてClaude Opus 5、GPT 5.6-Sol、Kimi K3、GLM 5.3を上回ります。
• DeepSWEベンチマークでは、平均コストがタスクあたり0.20ドル未満で77.0%のスコアを達成します。
• 新しいSearch APIおよびFetch APIのコストは1,000回の呼び出しあたり0.75ドルですが、2026年10月31日まではAPIユーザーに無料アクセスが提供されます。
• 規制の不確実性は残っています。中国政府がトップクラスのオープンウェイトモデルに対するルールを強化する可能性があるとの報告があります。

なぜ重要なのか

AIエージェントを開発するエンジニアリングチームにとって、コスト効率性は主要な制約条件です。エージェント型ワークフローには、複数のモデル呼び出し、コンテキスト取得、反復的なコード生成が含まれることが多く、大規模なモデルではすぐに高額になる可能性があります。競合他社が2〜10ドルかかるのに対し、DeepseekはV4.1-Flash-1017が1回の実行あたり0.20ドル未満でこれらのタスクを処理できると主張しており、自動化された開発の経済性における大きな変化を示唆しています。独立したテストでこれらの数字が確認されれば、小規模なモデルが高頻度のコーディングエージェントのデフォルト選択肢になる可能性があります。

Search APIおよびFetch APIのリリースは、根拠に基づいたAIアプリケーション構築のハードルも下げます。サードパーティの検索プロバイダーに依存したり、カスタムクローラーを構築したりする代わりに、開発者はDeepseekの既存インフラに接続できるようになりました。この統合により、特にFlashモデルの低コスト推論能力と組み合わせることで、リサーチアシスタントやリアルタイム情報検索ツールの作成が合理化される可能性があります。

しかし、地政学的な文脈はリスク要因を加えます。中国政府がオープンウェイトモデルのリリースに対してより厳格な規制を検討しているとの報告があり、最も能力の高い上位10システムに含まれるモデルのブロックの可能性もあります。V4.1-Flash-1017は現在利用可能ですが、中国国外のチームがこのエコシステムに長期的に依存する場合、緊急時の計画策定が必要になるかもしれません。

できること

• Hugging FaceまたはModelScopeからオープンウェイトをダウンロードし、ローカル推論のパフォーマンスをテストしてください。
• DeepSWEフレームワークや同様のコーディングテストを使用して、現在のエージェントスタックと比較しモデルをベンチマークしてください。
• 2026年10月31日に無料アクセス期間が終了する前に、新しいSearch APIおよびFetch APIを試験的に使用してください。
• パフォーマンス最適化のため、Deepseek Harness v0.2.1-rc.1以降など、サポートされている環境にモデルを組み込んでください。
• サプライチェーンリスクを評価するため、中国からのオープンウェイトモデル輸出に関する規制動向を監視してください。
• プロダクションパイプラインでのトークン消費量を削減するため、モデルの簡潔な出力生成能力を評価してください。