DeepSeek V4とは？Compressed Sparse Attention(CSA)の仕組みとPro/Flashの性能・料金・移行期限

DeepSeek V4は2026年4月24日にプレビュー版として公開された、100万トークンのコンテキストを標準で扱うMoE（Mixture-of-Experts）モデルです。注目点は性能そのものより、長文の計算コストを押し下げた新しいアテンション機構にあります。Compressed Sparse Attention（CSA）とHeavily Compressed Attention（HCA）を層ごとに交互配置し、100万トークン時のKVキャッシュを前世代V3.2の10%まで削減しました。本記事では技術報告（arXiv:2606.19348）と公式APIドキュメントの一次情報だけを使い、アーキテクチャ・ベンチマーク・料金・ローカル実行要件、そして2026年7月24日に迫るレガシーモデル名の廃止対応までを整理します。

まとめ

• 構成：V4-Proが総1.6T（活性49B）、V4-Flashが総284B（活性13B）。どちらも1Mコンテキスト、最大出力384Kトークン、MITライセンス。
• CSA/HCA：CSAは4トークンのKVを1エントリへ圧縮したうえでtop-k選択（Flash 512／Pro 1024）、HCAは128トークンを1エントリへ強圧縮。この組み合わせで1M時のKVキャッシュはV3.2比10%（Flashは7%）。
• 性能：V4-Pro-MaxはLiveCodeBench 93.5、Codeforces 3206とコード系でオープンモデル最高水準。一方でHLE 37.7、MMLU-Pro 87.5はGemini-3.1-Pro（44.4／91.0）に届かない。
• 料金：公式APIはv4-flashが入力$0.14・出力$0.28、v4-proが入力$0.435・出力$0.87（100万トークンあたり、2026年7月14日時点）。キャッシュヒット時の入力はFlashで50分の1、Proで約120分の1。Microsoft Foundry経由は入力$1.74・出力$3.48と約4倍。
• 期限：deepseek-chat と deepseek-reasoner は2026年7月24日15:59 UTCで完全に使えなくなる。既存コードはモデル名を deepseek-v4-flash 等へ差し替える必要がある。

以下、それぞれの根拠と、実務で判断が割れる論点（Flashは本当にGPU1枚で動くのか、日本語性能の公式データはあるのか）を順に見ていきます。

V4-ProとV4-Flashの構成と選び分け

総1.6T/284Bと活性49B/13Bが意味するもの

V4-Proは総パラメータ1.6T・活性49B、V4-Flashは総284B・活性13Bです。MoEなので推論時に動くのは活性パラメータぶんだけで、知識容量（総パラメータ）とトークンあたりの計算量（活性パラメータ）が切り離されています。事前学習量はFlashが32兆トークン、Proが33兆トークンです。

数値の桁を取り違えた解説が流通していますが、Flashは「284億」ではなく284B（2,840億）パラメータです。この差はローカル実行の可否をそのままひっくり返すため、後述のVRAM要件で決定的な意味を持ちます。

推論強度モードとAPIでの指定方法

V4-ProとV4-FlashはいずれもNon-think・Think High・Think Max の3つの推論強度モードを持ちます（技術報告 Table 2）。Think Maxは専用のシステムプロンプトを冒頭に注入して思考を最大限まで引き出すモードで、ベンチマークで「V4-Pro-Max」と表記されるのがこれです。APIでは thinking と reasoning_effort の2フィールドで制御し、reasoning_effort の xhigh がThink Maxに対応します。

curl https://api.deepseek.com/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
  -d '{
    "model": "deepseek-v4-pro",
    "thinking": {"type": "enabled"},
    "reasoning_effort": "high",
    "messages": [{"role": "user", "content": "CSAとHCAの違いを3行で説明して"}]
  }'

モードの選択はコストではなく精度の問題です。技術報告のモード別比較では、V4-FlashのHLEスコアがNon-thinkで8.1、Think Maxで34.8と4倍以上開きます。100万トークンの読み取り精度を測るMRCR 1MでもV4-ProはNon-thinkで44.7、Think Maxで83.5です。長文や難問をNon-thinkで投げると、モデルの実力とはかけ離れた結果になります。

Compressed Sparse Attention（CSA）とHCAの仕組み

CSA：4トークンを1エントリに圧縮してから疎に選ぶ

CSAは名前のとおり「圧縮」と「疎（スパース）」の二段構えです。疎なアテンション一般の分類（固定パターン・スライディングウィンドウ・動的選択）と実装判断はスパースアテンションの解説にまとめています。まず連続する m トークンのKVエントリを1つに圧縮します（V4ではm=4）。圧縮は単純な平均ではなく、学習された圧縮重みと位置バイアスをsoftmaxで正規化した加重和で、隣接ブロックと重ねて計算されます。これでシーケンス長が4分の1になります。

次に、圧縮済みエントリに対してV3.2で導入されたDeepSeek Sparse Attention（DSA）を適用します。ライトニングインデクサ（クエリヘッド64、ヘッド次元128）が各クエリトークンとの関連度をスコアリングし、上位k個の圧縮エントリだけを本体のアテンションに渡します。top-kはFlashが512、Proが1024で、V3.2より小さい値が選ばれています。短文・中程度の長さでも無駄な計算を減らすためです。前世代のDSAについてはDeepSeek-V3.2とは？V3.2-Speciale・DSAの仕組みと性能・使い方・料金を徹底解説で扱っています。

インデクサの演算はFP4で行われます。低精度で選別しても、選ばれるKVエントリの再現率は99.7%を保ち、top-k選択自体は2倍高速になったと報告されています。「圧縮してから疎に選ぶ」というCSAの設計は、系列長を4分の1に縮めた状態でtop-k選択を走らせる点が要です。技術報告は、V3.2より小さいtop-kを選んだ狙いを、短文・中程度の長さでの効率改善だと説明しています。

HCA：128トークンを1エントリに畳んで遠距離を保持する

HCAはCSAより圧倒的に強い圧縮を行う代わりに、スパース選択をしません。圧縮率 m’=128、つまり128トークンのKVを1エントリへ畳み込み、全エントリを見ます。遠くの文脈を「要約された記憶」として安価に保持する役割です。

圧縮すると同一ブロック内や直近のトークンが見えなくなるため、CSAとHCAの双方に幅128のスライディングウィンドウ（非圧縮のKVエントリ）が別ブランチとして足されています。さらにattention sink（学習可能なシンクロジット）を入れ、どのトークンにも強く注目しない状態を許容しています。位置埋め込みは各ベクトルの末尾64次元にのみRoPEを適用する部分適用方式です。

層配置とKVキャッシュ削減の実測値

層構成はモデルごとに違います。Pro（61層）は最初の2層がHCA、Flash（43層）は最初の2層が純粋なスライディングウィンドウ注意で、いずれもそれ以降はCSAとHCAの交互配置です。KVエントリの格納精度も混在で、RoPE次元はBF16、それ以外はFP8に落としています（純BF16比でおよそ半減）。MoEのルーテッド専門家パラメータはFP4です。

V4-Proは活性パラメータがV3.2より多いにもかかわらずFLOPsが27%に収まっています。一般的なBF16 GQA8（ヘッド次元128）構成と比べると、V4系のKVキャッシュは1M時に約2%まで縮みます。長文エージェントの運用コストはKVキャッシュのメモリ帯域とディスク退避に強く支配されるため、ここが実際の請求額と同時実行数に直結します。DeepSeekはさらに、共通プレフィックスの再prefillを避けるオンディスクKVキャッシュも運用に組み込んでいます。

ベンチマークで見る到達点と、届いていない領域

コードは表内首位、知識はGemini比で劣後

技術報告の比較表から、最上位モードのV4-Pro-Maxと主要モデルの数値を抜き出します。

コード生成は明確に強い。LiveCodeBench 93.5とCodeforces 3206は表内の全モデルを上回り、技術報告はCodeforcesのランキングで人間の参加者中23位に相当すると述べています。ベースモデル同士の比較でも、専門分野の難問を集めたSuperGPQAはV3.2-Baseの45.0からV4-Pro-Baseで53.9へ伸びました。一方、知識系のSimpleQA-VerifiedはGemini-3.1-Proの75.6に対して57.9、HLEも37.7で44.4に届きません。「オープンモデル最強」は事実だが「フロンティア最強」ではない、という線引きが数字に出ています。

100万トークンの読解はGeminiを上回りOpusに届かない

長文の要は、容量ではなく取り出せるかどうかです。MRCR 1M（長文からの検索精度）でV4-Pro-Maxは83.5、Gemini-3.1-Pro（High）は76.3。長文QAのCorpusQA 1Mでも62.0対53.8で、いずれもV4が上回ります。ただしOpus-4.6（Max）はMRCR 92.9、CorpusQA 71.7で、こちらには届きません。「1Mコンテキストの読解でGeminiを超えた」という紹介は正しいものの、閉じたモデルすべてに勝ったわけではないという整理になります。100万トークンを本当に読み切る必要がある業務では、この精度差とコスト差を突き合わせる価値があります。

日本語性能の公式データは存在しない

技術報告に日本語ベンチマーク（JGLUE、JMMLU等）の評価は含まれていません。収録されている言語別評価はChinese-SimpleQA（V4-Pro-Max 84.4）とSWE Multilingual（76.2）で、日本語固有のスコアは公表されていないというのが2026年7月時点の事実です。日本語のJGLUE/JMMLUスコアを掲げる解説は出所が確認できないため、日本語で使う判断は自社のタスクで実測してください。オープンLLMの日本語対応の比較検討にはQwen3とは？アリババのオープンLLMの特徴・モデル一覧・日本語性能・商用利用を解説も参考になります。

API料金と2026年7月24日のモデル名廃止

現行の公式料金

公式ドキュメントに掲載されている料金は次のとおりです（100万トークンあたり、2026年7月14日時点）。

公式ページに割引の表記はなく、上記が現在の通常価格です。「割引が終われば入力$1.74に戻る」という前提で年間費用を試算した解説が残っていますが、公式APIの掲載値ではありません（$1.74という水準は後述の再販チャネルのものです）。見積もりで効くのはむしろキャッシュで、ヒット時の入力単価はFlashでミス時の50分の1（$0.14→$0.0028）、Proで約120分の1（$0.435→$0.003625）です。同じシステムプロンプトや同じ長文を繰り返し投げる用途では、ヒット率を上げる設計がそのまま請求額に直結します。

Azure・OpenRouter経由の単価は公式APIと一致しない

V4はMicrosoft Foundry（旧Azure AI Foundry）のモデルカタログ、OpenRouter、Fireworks AI など複数のチャネルで提供されており、同じモデルでもチャネルによって単価が数倍違います。

Foundryが約4倍になるのは課金バグではなく、Azure側のホスティング・課金基盤・コンプライアンス・サポートを含む標準的なマーケットプレイス価格だとMicrosoftは説明しています。企業ネットワーク内で完結させたい、既存のAzure契約で購買を通したいという要件があるならこの差額は妥当ですが、単価だけを見て「V4は安い」と稟議を書くと4倍の請求が来ます。日本からの利用でレイテンシやデータ所在が問われる場合も、公式APIと再販チャネルで条件が変わる点に注意してください。

deepseek-chat / deepseek-reasoner は7月24日で使えなくなる

これが期限のある唯一の作業です。公式リリースノートは、deepseek-chat と deepseek-reasoner を2026年7月24日15:59 UTC以降は完全に廃止しアクセス不可と明記しています。現在この2つはv4-flashの非思考／思考モードへ暫定的にルーティングされているため「動いているように見える」状態で、期限を過ぎるとリクエストが通らなくなります。

# 旧（7/24以降エラーになる）
model = "deepseek-chat"      # → v4-flash 非思考へ暫定ルーティング中
model = "deepseek-reasoner"  # → v4-flash 思考へ暫定ルーティング中

# 新（モデル名を明示する）
model = "deepseek-v4-flash"  # 低コスト・高頻度タスク
model = "deepseek-v4-pro"    # 最高品質が要るタスク

注意すべきは、単なる名前の置き換えで終わらない点です。deepseek-reasonerは思考モードが固定でしたが、v4系ではモデル名とモードが分離しています。thinkingを明示しなければNon-thinkで動き、前掲のとおりHLEで8.1と34.8ほどの品質差が出ます。移行時はモデル名・思考フラグ・reasoning_effortの3点をセットで確認してください。V3.1から直接移行する場合はDeepSeek V3.1とは？エージェント時代を拓く最新AIモデルの全貌を徹底解説し、その魅力に迫るで当時の前提を確認したうえで、出力形式の差分をテストで洗い出すのが安全です。

ローカル実行の現実：「Flashなら1枚で動く」は成り立たない

必要なのは80GBのGPU1枚ではなく約158GBの重み

Hugging Faceで配布されるDeepSeek-V4-Flashのチェックポイントは、MoE専門家をFP4、その他をFP8に落とした混在精度で約158GBあります。A100 80GB 1枚のVRAMには収まりません。総パラメータ2,840億のモデルなのだから当然で、「V4-FlashはA100 1枚で動く」という説明は、Flashを284億パラメータと取り違えた計算から生まれた誤りです。実際にはH200（141GB）クラスでも1枚では足りず、複数GPUでのテンソル並列が前提になります。KVキャッシュはCSA/HCAのおかげで軽い（1M時にBF16 GQA8比で約2%）ものの、軽くなるのはキャッシュであって重みではありません。

推論フレームワークはvLLMとSGLangに公式のデプロイ手順があります。Think Maxモードを使う場合、コンテキストウィンドウを384Kトークン以上に設定することが推奨されています。DeepSeekは専門家並列の大規模カーネル（MegaMoE）をNVIDIA GPUとHUAWEI Ascend NPUの双方で検証しており、非融合実装比で一般的な推論が1.50〜1.73倍、RLロールアウトのような遅延に敏感な処理で最大1.96倍の高速化を報告しています。国産・中国製アクセラレータでの運用を検討する場合の手がかりになります。VRAM要件から逆算してモデルを選ぶ考え方は、GLM-5.1とは？744B MoEのスペック・VRAM要件とGGUF量子化ローカル実行、Coding Plan料金を解説で扱った手順がそのまま使えます。

量子化で下げる場合の割り切り

llama.cpp・LM Studio・Ollama向けにコミュニティのGGUF量子化版が多数公開されており、精度と速度を落とす前提でVRAM要件を下げられます。ただし公式が示すのはFP4/FP8混在の元重みだけで、低ビット量子化後の性能は各配布元の実測に依存します。ベンチマーク値を根拠に導入判断をしたのであれば、量子化版はその根拠から外れると考えるべきです。GPU予算が1枚ぶんしかない環境では、V4-Flashを無理に載せるより、より小さなオープンモデル（Gemma 4とは｜モデル一覧・必要スペック(VRAM)・量子化(GGUF/AWQ)・ローカル実行を解説【2026年版】など）を選ぶか、$0.14からのAPIを使うほうが合理的です。

V4を採用すべきでない場面

技術報告が自ら挙げている制約から、避けるべき用途がはっきりします。

• 画像・音声・動画を扱う業務：V4はテキスト専用です。マルチモーダル対応は「今後取り組む」と将来の方向性として書かれている段階で、プレビュー版に画像入力はありません。
• 知識の正確さが最優先の用途：SimpleQA-Verified 57.9はオープンモデルとしては突出しているものの、Gemini-3.1-Proの75.6とは開きがあります。事実性が売上や法務に直結する場面では、検索連携（RAG）なしでV4に答えさせる設計は避けるべきです。
• 安定性を最優先する本番の基盤：公開されているのはプレビュー版です。技術報告自身が「多くの検証途中の要素を残したため構成が複雑」であること、学習安定化のために導入した手法の原理が十分に解明されていないことを限界として認めています。

逆に、大量のコード生成・レビュー、100万トークン級の文書横断、コストを抑えた高頻度のバッチ処理では、$0.14からという単価と1Mコンテキストの組み合わせに現時点で競合が少ないのも事実です。

よくある質問

DeepSeek V4.1はリリースされましたか？

2026年7月14日時点で、DeepSeek公式からV4.1のリリースはありません。公式APIドキュメントに掲載されているモデルは deepseek-v4-pro と deepseek-v4-flash の2つだけです。V4.1に言及する記事はコミュニティの観測や噂を扱ったもので、公式の仕様・料金・ベンチマークは公開されていません。

V4-FlashはA100 80GB 1枚でローカル実行できますか？

できません。V4-Flashは総2,840億パラメータで、公式チェックポイントはFP4/FP8混在でも約158GBあります。単一の80GB GPUには重みが載らず、複数GPUでのテンソル並列が必要です。1枚で動かしたい場合はコミュニティのGGUF量子化版を使うことになりますが、精度は公式ベンチマークの値から乖離します。

deepseek-chat と deepseek-reasoner はいつまで使えますか？

2026年7月24日15:59 UTCで完全に廃止され、以降はアクセスできません。現在はv4-flashの非思考／思考モードへルーティングされて動作しています。それまでにモデル名を deepseek-v4-flash または deepseek-v4-pro へ変更し、思考モードは thinking フィールドで明示的に指定してください。

V4-ProとV4-Flashはどちらを選ぶべきですか？

コード生成・レビュー、複雑な多段推論、100万トークンの読解精度が要る業務はProです（MRCR 1MでPro 83.5に対しFlash 78.7、SimpleQA-VerifiedはPro 57.9に対しFlash 34.1）。要約・分類・抽出のような定型で高頻度のタスクはFlashで足ります。出力単価はFlashが$0.28、Proが$0.87で約3倍の差があります。

CSAとHCAは何が違うのですか？

圧縮の強さと、疎な選択の有無です。CSAは4トークンを1エントリへ圧縮したうえで、インデクサが選んだ上位512〜1024エントリだけを見ます。HCAは128トークンを1エントリへ強く圧縮する代わりに、選択せず全エントリを見ます。近距離の精度をCSAが、遠距離の記憶をHCAが担い、層ごとに交互配置することで100万トークンを実用的なコストで扱えるようにしています。あわせて、LongCatについても解説しています。

関連記事

• DeepSeek-V3.2とは？V3.2-Speciale・DSAの仕組みと性能・使い方・料金を徹底解説
• DeepSeek V3.1とは？エージェント時代を拓く最新AIモデルの全貌を徹底解説し、その魅力に迫る
• GLM-5.1とは？744B MoEのスペック・VRAM要件とGGUF量子化ローカル実行、Coding Plan料金を解説
• Qwen3とは？アリババのオープンLLMの特徴・モデル一覧・日本語性能・商用利用を解説
• Gemma 4とは｜モデル一覧・必要スペック(VRAM)・量子化(GGUF/AWQ)・ローカル実行を解説【2026年版】