DeepSeek V4とは？最新V4.1-FlashとV4-Pro-0813の違い、CSA・CSA2の仕組みと料金

DeepSeek V4は、2026年4月24日にプレビュー版が公開された100万トークン対応のMoE（Mixture-of-Experts）モデルのシリーズです。その後7月31日にV4-Flash、8月13日にV4-Proの正式版が出て、9月10日にはFlash系が新アーキテクチャのV4.1-Flashに置き換わりました。2026年10月21日時点の最新は、10月17日公開のDeepSeek-V4.1-Flash-1017です。本記事では公式の変更履歴・料金ページと2本の技術報告をもとに、版ごとの違い、長文のコストを下げたCompressed Sparse Attention（CSA）とHCA、V4.1で導入されたCSA2の仕組み、現行の料金とAPI移行の注意点を整理します。

まとめ：最新バージョンと確認・更新の要点

• 最新版：API名 deepseek-flash の中身はDeepSeek-V4.1-Flash-1017、deepseek-v4-pro はDeepSeek-V4-Pro-0813です（公式Models & Pricingの「MODEL VERSION」行）。V4.1-Proは未公開です。
• 旧モデル名：deepseek-v4-flash を指定してもV4-Flashは動かず、V4.1-Flash-1017が応答してFlash料金で課金されます。deepseek-chat と deepseek-reasoner は2026年7月24日に廃止済みです。
• CSA/HCA：V4はCSA（4トークンを1エントリへ圧縮してtop-k選択）とHCA（128トークンを1エントリへ強圧縮）を交互に置き、1M時のKVキャッシュをV3.2比でProは10%、Flashは7%に抑えました。
• CSA2：V4.1-FlashはHCAをやめ、先頭2層を除く38層をCSA2にして、層をまたいでKVと選択結果を共有します。グローバルKVは1トークンあたり890バイトで、V4-Flashの約4分の1です。
• 料金：2026年8月16日からピーク/オフピーク制です。deepseek-flash はオフピークで入力$0.15・出力$0.6、deepseek-v4-pro はオフピークで入力$0.66・出力$1.98（100万トークンあたり、入力はキャッシュミス時）。ピークは中国の祝日を除く月〜金の日本時間10〜13時と15〜19時で、単価は2倍です。
• 思考モード：既定で有効（effortはhigh）です。reasoning_effort は low / high / max の3段階で、xhigh を渡してもhighとして扱われます。

DeepSeek V4シリーズのバージョン履歴（2026年4月〜10月）

4月のプレビュー公開後、Flash系とPro系のAPIモデルは、7月31日・8月13日・9月10日・10月17日の計4回更新されました。公式の変更履歴（Change Log）から、APIに関わる出来事だけを抜き出しました。

V4-Flash-0731はプレビュー版と同じ構造・同じサイズのまま事後学習だけをやり直した版で、V4-Pro-0813はプレビュー版の構造に投機的デコーディング用のDSparkモジュールを足した版です。どちらも呼び出し名は変わらず、中身だけが入れ替わりました。対して9月10日のV4.1-Flashはアーキテクチャから作り直したモデルで、呼び出し名も deepseek-flash に変わっています。

APIでいま動いているモデルの確かめ方

呼び出し名と中身が一致しないので、版の確認は公式のModels & Pricingを見るのが確実です。表の「MODEL VERSION」行に、2026年10月21日時点で deepseek-flash がDeepSeek-V4.1-Flash-1017、deepseek-v4-pro がDeepSeek-V4-Pro-0813と書かれています。9月10日の告知ではV4-Proを段階的に終了し、9月14日以降は deepseek-v4-pro へのリクエストをV4.1-Flashへ回すとしていましたが、変更履歴で「利用者の要望により9月14日以降もV4-Proの提供を続ける」と撤回されています。V4-Proの扱いは再び変わる可能性があるため、この行を定期的に確認してください。

旧名の deepseek-v4-flash と deepseek-v4-flash-vision-exp は今も受け付けられますが、V4-FlashとVision-Expはどちらも引退済みで、V4.1-Flash-1017が応答します。旧名のまま動いているコードは、意図せず別アーキテクチャのモデルを使っていることになります。

V4-Pro・V4-Flash・V4.1-Flashの構成と選び分け

3モデルのパラメータと活性パラメータ

V4-Proは総1.6T・活性49B、V4-Flashは総284B・活性13Bです。V4.1-Flashはバックボーン552Bで、入力の処理（プレフィル）では8B、出力の生成（デコード）では16Bしか動かない非対称な設計です。このほかに196BのEngram（条件付きメモリ）パラメータを持ちます（V4.1-Flash技術報告）。

V4-Flashの284Bは、284億ではなく2,840億パラメータを意味します。「億」と読み違えると必要なメモリを10分の1に見積もることになり、ローカル実行の可否の判断が逆転します。

V4.1-FlashとV4-Proの用途別選定基準

V4.1技術報告の9月公開版V4.1-FlashとV4-Proの比較（Table 3、いずれもeffort=max）では、エージェント系の大半でV4.1-FlashがV4-Proを上回ります（Terminal-Bench 2.1は90.6対87.9、DeepSWE v1.1は74.2対62.7）。一方、GPQA Diamondは90.9対92.4、HLE（テキストのみ）は39.1対42.7でV4-Proが上です。事実知識の比較はベースモデル同士しか公表されておらず、SimpleQA-Verifiedは42.3対55.2、長文のLongBench-V2は45.2対51.5でV4-Proのベースモデルが上回っています。

画像を読ませる用途と、コードやツール操作を繰り返すエージェント用途は deepseek-flash が第一候補です。難度の高い推論や、RAGなしで事実知識を答えさせる用途は、公表値の上でV4-Proに分がある領域ですが、知識の差はベースモデルでしか示されていません。V4-ProはオフピークでもFlashの4倍強の単価（入力$0.66対$0.15）で、提供継続も告知ベースです。Flashを基準にして、自社のタスクでProと比べて足りない場面だけProに回す構成にしてください。

Compressed Sparse Attention（CSA）とHCAの仕組み

CSAの4トークン圧縮とtop-k選択

CSAは名前のとおり「圧縮」と「疎（スパース）」の二段構えです（V4技術報告 arXiv:2606.19348）。疎なアテンション一般の分類と実装判断はスパースアテンションとは？疎なAttentionの仕組みとNSA・DSAの実装判断を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です。前世代のDSA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、選ばれるKVエントリの再現率は99.7%を保ったまま、top-k選択自体は2倍高速になったと報告されています。

HCAの128トークン圧縮と全エントリ参照

HCA（Heavily Compressed Attention）はCSAより強くKVを圧縮し、スパース選択を行わずに圧縮済みの全エントリを参照します。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。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。

V4の層配置とKVキャッシュ削減の公式報告値

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エントリはRoPE次元をBF16、それ以外をFP8で格納し、MoEのルーテッド専門家パラメータはFP4です。

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容量と帯域に強く支配されるため、ここが同時実行数とキャッシュ料金に直結します。

V4.1-FlashのCSA2：層をまたいでKVを共有する仕組み

V4.1-Flashの技術報告は、V4を「スライディングウィンドウによる局所処理に、圧縮したグローバル文脈を足したもの」と捉え直し、グローバル側を簡素化しました。その結果、V4のCSA＋HCAの混成をやめ、先頭2層はスライディングウィンドウのみ、それ以降の38層はCSA2にしています。現行のFlash APIで動いているV4.1-Flashでは、このCSA2の設計が使われています。

Full・Reindex・Reuseの3モード

CSA2の各層は、次の3つのモードのどれかに固定で割り当てられます。どのモードでも、その層自身のクエリとスライディングウィンドウのKVは計算します。

具体的な配置は、エンコーダ20層のうち先頭2層が純粋なスライディングウィンドウ、残り18層が圧縮率m=2のCSA2で、6層ずつの3グループ（先頭がFull、残り5層がReuse）です。デコーダ20層は圧縮率m=1（圧縮なし）で4層ずつ5グループに分かれ、最初のグループだけ先頭がFull、残り4グループは先頭がReindexで、各グループの残り3層はReuseです。CSA2層で参照するグローバルKVは最大512エントリで、Reuse層では選択結果も再利用します。スライディングウィンドウ幅は128でV4と同じです。

CSA2は圧縮器とインデクサも簡素化しています。CSAは圧縮率mのとき2m個のエントリを重ねて1エントリを作り、絶対位置埋め込みも使っていましたが、CSA2はこの重なりと絶対位置埋め込みを外しました。インデクサのキーも隠れ状態からの別経路ではなく、メインKVからの射影で作ります。さらにデコーダでは、最初のFull層が選んだブロック（最大2,048ブロック×8位置＝16,384候補）を後続のReindex層の探索範囲に絞る「階層型スパースインデクサ」を使い、文脈長に比例していた深い層の選択コストを一定にしています。

Causal Encoder-Decoderによるプレフィル計算量の削減

V4.1-Flashの40層は、下半分の20層を「因果エンコーダ」、上半分を「デコーダ」として扱います。デコーダのグローバルKVは各層の隠れ状態からではなく、エンコーダ最終層（20層目）の隠れ状態から射影して作ります。このためプレフィルではエンコーダの20層だけを計算すればよく、技術報告はプレフィルの計算量がほぼ半分になったとしています。入力で8B、出力で16Bという活性パラメータの差はこの構造から来ています。

ツール呼び出しを繰り返すエージェントでは、出力より入力（会話履歴やツール結果の読み直し）が圧倒的に多くなります。キャッシュに乗らない入力の処理を安くする設計は、こうした使い方にそのまま効きます。

890バイト/トークンとFP4 KVキャッシュ

層をまたいだKV共有に加えて、V4.1-FlashはメインKVキャッシュをFP4（E2M1・16チャネルごとにE4M3スケール）で持ちます。V4のFP8メインKVと比べて格納量はほぼ半分です。ただしスライディングウィンドウのKVは量子化に敏感なためFP8のままです。

この組み合わせで、常にHBMに置くグローバルKVは1トークンあたり890バイトになり、V4-Flashの約4分の1、初代DeepSeek（V1）の約437分の1です。さらに、スライディングウィンドウの状態を直近128トークンの再計算で近似的に復元する「SWA Bounded Replay」により、SSDやホストメモリに永続化するKVキャッシュはV4-Flashの約8分の1に減りました。9月10日の公式告知は、エージェントの費用ではキャッシュヒット分の課金が大きな割合を占めるため、この圧縮が費用を大きく下げると説明しています。

V4・V4.1のベンチマーク比較と評価上の限界

V4-Pro-0813・V4-Flash-0731のエージェント評価結果

正式版の2本は、プレビュー版から主にエージェント系の性能を引き上げています。V4-Pro-0813のモデルカードから抜き出すと次のとおりです。

DeepSWEがプレビュー版の12.8から62.7へ5倍近くに伸びた一方、ツールなしのHLEとNL2RepoではOpus-4.8に届いていません。コード系エージェントの数値はDeepSeek自身のハーネス（DeepSeek Harnessのminimalモード、effort=max）で測ったものです。

V4.1-Flash-1017と他社モデルの比較

V4.1-Flash-1017のモデルカードは、9月版のV4.1-Flashと他社モデルを11項目で並べています。

11項目のうちOpus 5より高いのはDeepSWE v1.1・Automation-Bench・Agents’ Last Exam・Apex Benchの4項目で、残り7項目はOpus 5が上です。HLEでは13.7ポイントの差があります。1017版のモデルカードでは、Terminal-Bench 4.0はClaude Code、DeepSWE v1.1はMini-SWE-V2を評価用ハーネスとして使用しています。技術報告自身も、科学分野の専門知識が要るエージェント課題（Terminal-Bench 4.0）では大型モデルとの差が残ると書いています。なお、0813のモデルカードでは「DeepSWE」と表記されていますが、V4.1技術報告のTable 3では同じ62.7がDeepSWE v1.1の比較値として掲載されています。表をまたぐ比較では、評価ハーネスなどの条件も確認してください。

V4・V4.1技術報告における日本語個別評価の未掲載

V4・V4.1どちらの技術報告にも、日本語ベンチマーク（JGLUE、JMMLU等）の評価はありません。V4.1の技術報告にある多言語系の指標では、多言語の算数問題MGSMがV4-Flashベースの85.7からV4.1-Flashベースで80.2へ下がり、多言語の地域知識を測るMultiLoKoは45.5でV4-Proベースの50.9を下回っています。Webとアプリは日本語で使えますが、日本語の品質が要件になる業務では、自社のタスクで測ってから判断してください。オープンLLMの日本語対応の比較にはQwen3とは？読み方・モデル一覧・72Bの有無・商用利用と動かし方も参考になります。

API料金：ピーク/オフピーク制と2026年10月の単価

公式APIの現行単価

2026年8月16日16:00 UTCからピーク/オフピーク制が始まり、9月10日のV4.1-Flash公開に合わせてFlashの単価が改定されました。公式の料金ページの値は次のとおりです（100万トークンあたり、2026年10月21日時点）。

8月16日の改定より前の単価を前提にした試算は、今は成り立ちません。キャッシュヒット時の入力はFlashでミス時の50分の1、Proで30分の1で、同じシステムプロンプトや長文を繰り返し送る用途ほどヒット率の設計が請求額に効きます。同時実行の上限はFlashが2,500、Proが500です。

ピーク料金の日本時間換算とバッチ処理の時間帯

ピークは月〜金の01:00〜04:00と06:00〜10:00（UTC）で、中国の祝日は終日オフピークです。日本時間に直すと平日の10:00〜13:00と15:00〜19:00で、日本企業の日中の利用はほぼピーク料金になります。夜間バッチや週末の一括処理に回せる仕事は、それだけで単価が半分になります。日中の対話用途とバッチ用途でジョブを分けて見積もるのが現実的です。

Azure・OpenRouterで使える版の違い

再販チャネルでは、公式APIと使える版が違います。Microsoft Foundryのライフサイクル表（2026年10月21日確認）では、Azure直販のDeepSeek-V4-ProとDeepSeek-V4-Flashはどちらも2026-04-23版（プレビュー版の重み）がGAで、引退予定日は2028年2月20日です。DeepSeek-V4-Flash-0731はPreview扱いで、2026年12月3日に引退予定です。一方、Foundry上のFireworks提供では、従量課金のFW-DeepSeek-V4-Flash-0731とFW-DeepSeek-V4-Proが2026年10月8日に引退し、置き換え先はFW-DeepSeek-V4.1-Flashです。

公式APIでは版を選べず、呼び出し名の中身が予告どおりに入れ替わります。Azure直販にはV4-Proの4月版と2028年2月20日の引退予定日が明示されているため、出力の再現性を求める業務システムでは、この違いが単価以上の判断材料になります。単価はチャネルごとに違うので、Azureの価格ページで確認してください。OpenRouterは提供事業者ごとに単価が異なり、deepseek-v4-flash-0731 のような版付きIDも残しているので、経路ごとの料金と版を確認してから選んでください。

検索APIとページ取得APIの課金開始日

10月17日には、DeepSeekの自社検索エンジンを使う検索APIと、1ページをMarkdownで返すページ取得APIが一般公開されました（エンドポイントは /v1/tools/search と /v1/tools/fetch）。料金はどちらも成功1,000リクエストあたり$0.75です。DeepSeek Harness・Claude Code・Codexからサーバー側ツールとして呼ばれる分は現在無料ですが、料金ページによると北京時間2026年11月1日0時（10月31日16:00 UTC）から課金が始まります。DeepSeekをClaude Codeなどのバックエンドに使っている場合、11月以降は検索の回数が請求に乗る点を見込んでおいてください。

API移行：旧モデル名の行き先と思考モードの既定

移行で確認すべきなのは、モデル名・思考モード・effortの3点です。Thinking Modeのガイドによると、思考モードは既定で有効、effortの既定はhighです。思考を止めたいときだけ {"thinking": {"type": "disabled"}} を明示します。

次はPython用OpenAI SDKを使う呼び出し例です。実行前に python -m pip install openai でSDKを導入し、コード内のプレースホルダーをDeepSeek APIキーに置き換えます。

from openai import OpenAI

client = OpenAI(api_key="<DeepSeek API Key>", base_url="https://api.deepseek.com")

resp = client.chat.completions.create(
    model="deepseek-flash",          # 旧名 deepseek-v4-flash も V4.1-Flash-1017 に回る
    messages=[{"role": "user", "content": "CSAとCSA2の違いを3行で"}],
    reasoning_effort="max",          # low / high / max
    extra_body={"thinking": {"type": "enabled"}},
)
print(resp.choices[0].message.reasoning_content)  # 思考の過程
print(resp.choices[0].message.content)            # 最終回答

effortに渡した値は、次のように3段階へ丸められます。他社APIの感覚で xhigh を指定すると、最上位のmaxではなくhighとして扱われます。

effortの上げ幅には見返りの頭打ちがあります。V4.1技術報告によると、effortを上げるほど精度と出力長はそろって伸びますが、最大設定に上げる最後の段階ではエージェントの軌跡が1.6〜1.8倍に伸びる一方、精度の上積みはわずかでした。日常のエージェント処理はhigh、maxは最難関のタスクに限るのが費用対効果の良い使い方です。

思考モードでは temperature・presence_penalty・frequency_penalty はエラーにならずに無視されます。また、tools を付けたリクエストでは、過去のターンの reasoning_content を毎回すべてAPIへ返す必要があり、返さないと400エラーになります。V3.1の思考モード切替から移る場合は、DeepSeek-V3.1とは？思考モードの切替・性能とV3.1-Terminusの違い、2026年の提供状況で当時の前提を確認したうえで、出力の差分をテストで洗い出すのが安全です。既存システムへの組み込みや社内APIとの連携設計が必要な場合は、API開発・システム連携の支援も行っています。

ローカル実行に必要な重みサイズ

公式チェックポイントの容量

重みはすべてMITライセンスでHugging Faceに公開されています。次の表は、各リポジトリのファイル一覧API（huggingface.co/api/models/deepseek-ai/<リポジトリ名>/tree/main）が返すsafetensorsファイルのバイト数を合計し、10億バイト＝1GBで換算した値です（2026年10月21日取得・mainブランチ）。たとえばV4-Pro-0813のファイル一覧には893 GBと丸めて表示されます。

V4-Flashでさえ約160GBあり、A100 80GB 1枚には載りません。活性パラメータ数が小さくても、公式重み全体の保存容量がその分だけ小さくなるわけではありません。V4.1-Flashはさらに3倍の510GBで、「Flash」という名前でもV4-Flashの感覚で見積もると外れます。V4-Pro-0813のモデルカードはvLLMでGB300×4の1ノードで動かす例を載せており、V4.1-Flashの参考実装もテンソル並列8（MP=8）への重み変換を前提にしています。

推論エンジンの対応状況は分かれています。vLLMの公式レシピはV4.1-FlashにvLLM 0.31.0以上を求め、H200ではEngramのテーブルをホストメモリへ逃がす設定（--engram-config '{"cpu_offload":true}'）でTP4（4基）を既定にしています。141GBのカードでTP4が成り立つのは、この退避で1ランクあたり23.6GiBを空けているからです。SGLangの公式構成はGB300×4かH200×8です。llama.cppはV4.1対応のプルリクエスト#28696が10月21日時点でマージされておらず、GGUFで手軽に動かせる段階にはありません。

VRAM要件から逆算してモデルを選ぶ考え方は、GLM-5.1とは？754B MoEの性能・VRAMとGGUF、GLM Coding Planの料金【2026年9月】で扱った手順がそのまま使えます。GPU予算が1枚ぶんしかないなら、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)・GGUF/QAT・MTPの使い方【2026年10月】など）を選ぶか、APIを使うほうが合理的です。

業務利用の前に確認するデータの保管場所

重みを自社環境で動かす場合と、DeepSeekの公式サービスを使う場合とでは、データの扱いがまったく違います。DeepSeekのプライバシーポリシー（最終更新日2026年2月10日）は、収集した情報を「中華人民共和国にある安全なサーバーに保存」すると明記し、利用目的に機械学習モデルのトレーニングと改善を含めています。個人情報保護委員会も2025年2月3日（3月5日更新）の情報提供で、データが中華人民共和国のサーバーに保存され、同国の法令（個人情報保護法・サイバーセキュリティ法・データセキュリティ法・国家情報法等）が適用される点に注意を促しています。

個人情報や機密情報を入力する業務では、公式のWeb・アプリに直接入力する構成は避けるべきです。APIを使う場合も、開発者向けプラットフォームの利用規約でデータの扱いを確認してから決めてください。MITライセンスの重みを自社や国内のクラウド環境で動かすか、データの所在を契約で確認できる再販チャネルを使うのが現実的な選択肢になります。

V4シリーズを採用すべきでない場面

• 知識の正確さが最優先の用途：SimpleQA-VerifiedはV4.1-Flashのベースモデルが42.3でV4-Proのベースモデル（55.2）より低く、HLEでもOpus 5と13.7ポイント差があります。事実性が法務や売上に直結する場面で、検索連携（RAG）なしに答えさせる設計は避けてください。
• 入力データを国外に出せず、自社ホスティングもできない業務：前章のとおり、公式サービスに送るしかない構成なら採用を見送るべきです。
• 極端に長い入力やキャッシュ再開に依存する本番処理：V4.1の技術報告は、CSA2の選択の誤りとSWA Bounded Replayの近似的な状態復元が、未検証の境界条件で性能を落とし得ると限界に挙げています。長文の検索精度が要件なら、自社データで境界ケースを試験してから使ってください。
• 仕様が固定されている前提のシステム：呼び出し名を変えずに中身が4回入れ替わり、V4-Proの終了告知も撤回されました。モデルの版を固定したいなら、公式APIではなく重みの自前運用か、Azure直販のように版と引退日が明示されたチャネルを選びます。

逆に、大量のコード生成・レビュー、画像を含むエージェント処理、夜間に回せる高頻度のバッチは、オフピークで入力（キャッシュミス）$0.15、キャッシュヒットなら$0.003という単価と1Mコンテキストを生かせる用途です。

よくある質問

DeepSeek V4の最新バージョンはどれですか？

2026年10月21日時点では、10月17日公開のDeepSeek-V4.1-Flash-1017が最新で、APIでは deepseek-flash で呼び出します。Pro系の最新はDeepSeek-V4-Pro-0813（deepseek-v4-pro）です。V4.1-Proはまだ公開されていません。

deepseek-v4-flash を指定すると、どのモデルが動きますか？

V4-Flashは引退済みのため、DeepSeek-V4.1-Flash-1017が応答し、Flashの料金で課金されます。V4-Flash-0731を使い続けたい場合は、Hugging Faceの重みを自分で動かすか、Azure直販（Preview扱い・2026年12月3日に引退予定）のように版を指定できるチャネルを使う必要があります。

DeepSeek V4は日本語に対応していますか？

Webとアプリは日本語で使えます。ただし技術報告に日本語ベンチマークの評価は無く、多言語の算数問題MGSMではV4.1-FlashベースがV4-Flashベースより5.5ポイント低い結果です。日本語の品質が重要な業務では、自社のタスクで比較してから選んでください。

V4-FlashはA100 80GB 1枚でローカル実行できますか？

公式の重みを1枚のGPUに全量載せる構成では動きません。V4-Flash-0731の公式重みは166.9GBあり、80GBのVRAMを超えます。CPUメモリへのオフロードや追加の量子化を使う場合は、構成ごとの動作確認が必要です。オフロードは主に速度に影響し、追加の量子化は精度にも影響する可能性があります。V4.1-Flashは510.3GBとさらに大きく、公式の参考実装は8GPUのテンソル並列を前提にしています。

CSAとCSA2は何が違うのですか？

CSA（V4）は層ごとにKVを圧縮してtop-k選択を行い、128トークンを1エントリへ畳むHCAと交互に使います。CSA2（V4.1）はHCAを使わず、Full・Reindex・Reuseの3モードで層をまたいでKVと選択結果を共有し、メインKVをFP4で保持します。その結果、グローバルKVは1トークンあたり890バイトと、V4-Flashの約4分の1になりました。

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
• スパースアテンションとは？疎なAttentionの仕組みとNSA・DSAの実装判断を解説
• DeepSeek-V3.1とは？思考モードの切替・性能とV3.1-Terminusの違い、2026年の提供状況
• GLM（Z.ai）とは？最新GLM-5.3までの世代一覧と料金・使い方
• Speculative Decoding（投機的デコーディング）とは？仕組みと速くなる条件、LM Studio・llama.cpp・vLLMでの設定