DeepSeek-V4-Flash 0731、後学習のみをやり直し、Terminal-Bench 2.1の公式スコアが82.7に上昇

DeepSeekは7月31日、正式版DeepSeek-V4-Flash APIをパブリックベータとして提供開始した。クライアント側では引き続き`deepseek-v4-flash`を使用するが、バックエンドはV4-Flash-0731に切り替わっている。これは新しい基盤モデルではない。公式発表では、アーキテクチャと規模はプレビュー版を踏襲し、後学習のみをやり直したと明記されている。モデルは引き続き、総パラメータ数284B、token当たりのアクティブパラメータ数13BのMoEで、100万tokenのコンテキストをサポートする。公式モデルカードではFP4／FP8混合精度の重みが提供され、MoEのエキスパートにはFP4、それ以外の大部分にはFP8が採用されている。

今回の更新の焦点はエージェント能力だ。DeepSeekの報告によると、スコアはTerminal-Bench 2.1で82.7、CyberGymで76.7、Toolathlon Verifiedで70.3となり、NL2RepoとDeepSWEではそれぞれ54.2、54.4を記録した。APIはResponses API形式もネイティブに受け付け、Codex型ワークフロー向けに調整されているため、既存のコーディングエージェントが接続先エンドポイントを変更する際のプロトコル変換コストを抑えられる。公式は同時に、今回更新されたのはFlash APIのみであり、V4-Pro、Web版、Appは引き続き旧モデルを使用すると強調している。

エンジニアリングチームは、表に記載された数値を再現可能なモデル能力としてそのまま捉えるべきではない。コーディングエージェントの評価には、まだ公開されていないDeepSeek Harnessのminimal modeが使用され、推論強度は最大、`top_p=0.95`、temperatureは1.0に設定されている。さらに、DSBench-FullStackとDSBench-Hardは社内ベンチマークだ。より妥当な次のステップは、harness、完全なtrajectory、コストデータの公開を待ち、同一のコンテナ、token予算、再試行ポリシーで他のモデルと比較することだ。一方、固定されたアーキテクチャでも後学習だけでツール利用性能が大きく変わり得ることは、エージェントのデプロイにおけるバージョン固定ではモデル名を記録するだけでは不十分であり、実際のスナップショット、system prompt、推論設定も保存すべきであることを示している。