DeepSeekは、推論、コーディング、およびエージェントタスクにおける性能を向上させるために設計されたV4.1-FlashモデルのマイナーアップデートであるDeepSeek-V4.1-Flash-1017をリリースしました。このモデルは、従来のイテレーションとは異なるCausal Encoder-Decoder（CED）アーキテクチャに基づいて構築されています。このモデルの主要な構造的特徴は、スパースなMixture-of-Experts（MoE）設計にあります。これは、5520億パラメータのバックボーンから、入力時に80億パラメータ、出力時に160億パラメータをアクティブにする仕組みです。この非対称な分割は、大規模モデルの能力を維持しながら、トークンあたりの計算量を低く抑ることを目的としています。
この画像は、DeepSeek-V4.1-Flash-1017リリースの公式モデルカードを表しています。
今回のアップデートは、特に長期的なタスクやエージェントのワークロードにおいて、性能とコストのパレート境界を前進させることに重点を置いています。技術レポートによると、このモデルはDeepSWE v1.1で77.0、ProgramBenchで29.1というスコアを獲得し、ベンチマークにおいて大幅な向上を達成しました。これらの改善を支えるため、DeepSeekは圧縮KV（Key-Value）キャッシュを実装しました。これにより、キャッシュメモリを以前のFlash世代の約4分の1に削減しています。このメモリオーバーヘッドの削減は、長いコンテキストの分析を必要とする複雑なマルチステップタスクにおいて、コストを抑え、速度を向上させるための重要な要因となっています。
このモデルは速度とタスク完了において大幅な改善を提供していますが、他のハイエンドモデルと比較すると異なるトレードオフに直面しています。例えば、特定のコーディングベンチマークでは一部の競合モデルを上回っている一方で、特定の複雑な推論タスクではGPT-5.6 Solのようなトップクラスのモデルに後れを取る可能性があります。さらに、このモデルの性能は、現在すべてのユーザーに開放されている新しい「Search & Fetch」APIの統合に大きく依存しています。DeepSeek独自の検索エンジンを搭載したこれらのAPIは、リアルタイムの情報取得を促進するように設計されていますが、開発者が以前のバージョンから移行する際、実際の運用環境における有効性は評価すべき要素として残ります。