DeepSeek、V4.1-Flash-1017を公開　オープンウェイトとコーディングエージェントの評価結果を更新

DeepSeekは10月17日、DeepSeek-V4.1-Flash-1017をリリースし、既存のV4.1 Flashを新しいスナップショットに更新した。公式の変更履歴によると、APIの呼び出し方法と価格は据え置きで、deepseek-flashを使うと新版が利用できる。このため、同じ名前を使っているアプリケーションでは、出力やツール呼び出しの挙動を改めて確認する必要がある。公式変更履歴

今回の更新の焦点は、コーディングエージェントのタスク完遂能力だ。公式モデルカードによると、Terminal-Bench 4.0は31.2から42.3へと11.1ポイント上昇し、DeepSWE v1.1は74.2から77.0へ、ProgramBenchは20.3から29.1へ上昇した。モデルカードには、最初の2つの評価でそれぞれClaude CodeとMini-SWE-V2の実行フレームワークを使用したと記載されている。評価結果はツール環境や実行設定も含めて理解する必要があり、あらゆるエージェント製品で同じ改善が得られると単純に見なすことはできない。公式モデルカード

DeepSeekによると、新版では自己フィードバックを用いた強化学習により、エンドツーエンドのプロジェクト開発を改善し、タスク時間と出力長を短縮した。公式はDeepSeek Harness v0.2.1-rc.1以降との併用を推奨している。エンジニアリングチームが検証すべきなのは、タスクを1件成功させるための総コストだ。出力が短くても、再試行が増えれば全体の費用が下がるとは限らない。現時点で、こうした効率改善はベンダーが公表した結果にとどまる。リリース告知

セルフホストにも具体的な統合要件がある。重みはMITライセンスだが、配布パッケージにはJinja形式のチャットテンプレートが含まれておらず、代わりにPythonによるプロンプトエンコーディングのリファレンス実装が提供されている。また、Pythonバインディングを備えたRustツールライブラリdeepseek-recipeも用意されている。このライブラリは複数のAPIリクエスト形式を変換し、思考内容、ツール呼び出し、画像を処理できる。推論、ツール実行、HTTP通信は引き続き呼び出し側が担うため、デプロイ担当者は既存サービスがこれらのセマンティクスを正しく維持できるか確認する必要がある。エンコーディングとデプロイの説明

今後は、成功率と所要時間の改善が独立したテストでも再現されるか、また中国語の要件、複数ターンにわたるツール操作、既存コードベースの変更でも同様の効果が得られるかを見極める必要がある。実務では、タスクセット、実行フレームワーク、再試行の上限を固定して、完了率、総トークン数、エンドツーエンドの所要時間を比較するとよい。単一のベンチマークだけで移行を決めるのは避けたい。