モデル

DeepSeek V4.1-Flash-1017 の変更点とつまずきポイント

2026-10-18 · 約5分

リード

V4.1-Flash-1017 は V4.1-Flash のマイナーアップデート。ただしベンチマークの伸び幅は小さくなく、特にエージェント系タスクで改善が大きい。乗り換える価値があるかを数値ベースで判断できるように整理する。

公式の位置づけは「V4.1-Flash の小幅更新」。ただし以下が改善している。

「小幅更新だが、安く速くなった」というのが要点。同じワークロードなら乗り換えでコストが下がる可能性がある。

資料の数値から、特に差が大きいものを抜粋する。

指標	V4.1-Flash-1017	V4.1-Flash	差分
HLE（no tools）	42.6	36.8	+5.8
Terminal-Bench 4.0	42.3	31.2	+11.1
ProgramBench	29.1	20.3	+8.8
Apex Bench v1.1	72.1	64.6	+7.5
Automation-Bench v1.0.6	60.5	54.8	+5.7
NL2Repo-Bench	68.2	65.4	+2.8
DeepSWE v1.1	77.0	74.2	+2.8
Agents’ Last Exam	35.4	31.8	+3.6
Chartography（with tools）	83.0	78.9	+4.1
BabyVision（with tools）	92.5	89.6	+2.9
ZeroBench-main（with tools）	51.0	49.0	+2.0

エージェント・コーディング系（Terminal-Bench, ProgramBench, Apex Bench）の伸びが顕著。逆に汎用画像系（BabyVision, ZeroBench）は伸びが小さい＝元から高水準で頭打ち気味。

資料には K3 / GLM-5.3 / GPT-5.6 Sol / Opus 5 の数値も併記されている。

Terminal-Bench 4.0: 42.3 は Opus 5（51.8）、GPT-5.6 Sol（39.9）と Opus 5 に次ぐ位置。K3（12.6）・GLM-5.3（37.9）を上回る
Apex Bench v1.1: 72.1 は Opus 5（65.8）を上回る
HLE（no tools）: 42.6 は Opus 5（56.3）に劣るが、GPT-5.6 Sol（44.5）には迫る
NL2Repo-Bench: 68.2 は Opus 5（75.3）に次いで 2 位

**総じて「Opus 5 に次ぐが一部タスクでは逆転」**というポジション。コスト次第では Opus 5 の代替になり得る。

公式に記載されている値。

コンテキスト窓 100 万トークンは実用上大きなポイント。長文 RAG・大規模リポジトリ解析で効いてくる。

公式リポジトリには以下が含まれる。

encoding/encoding.py: Jinja テンプレートではなく Python リファレンス実装。多輪会話・ツール呼び出し・思考モード・数値推論強度・会話途中の system メッセージ・画像テキスト混在のテストケース付き
deepseek-recipe: Rust + Python バインディングのプロトコル対応ツールキット。Messages / Chat Completions / Responses API を Conversation 形式に変換し、V4 / V4.1 プロンプトまたは Token ID へエンコード、出力のパースまで担当
inference/: 重み変換とローカル推論の手順

自前でプロンプトを組み立てる場合は encoding.py を参照実装として使うのが安全。Jinja テンプレートがないので、テンプレートベースの既存ワークフローは調整が必要になる可能性がある。

コードと重みは MIT ライセンス。商用利用・改変・再配布が可能。ライセンス上の障壁は実質ゼロ。

症状	対処
Jinja テンプレートが見つからない	本バージョンには未収録。`encoding.py` か `deepseek-recipe` を使う
既存プロンプトで挙動が変わる	temperature=1.0 / top_p=1.0 推奨値に揃える。旧 Flash 用に調整した値は見直す
コンテキスト窓を活かせない	100 万トークン対応だが、API 側の上限は別途公式で要確認
出力長が短くなった気がする	仕様変更の可能性あり。プロンプトで明示的に長さを指示する