DeepSeekのフラグシップが、告知ゼロで正式版になっていた — V4 Pro 0813の「跳ねすぎる」ベンチマーク

新しいフラグシップモデルの登場を、当のメーカーが一言も告知しない。そんなことが起きた。

8月12日、DeepSeek は主力モデル「V4 Pro」をプレビューから正式版（GA）へ移行させた。バージョン表記は日付を取って「0813」。ところがブログ記事もプレスリリースもチェンジログもない。気づいたきっかけは、公式のAPI価格ページと、OpenRouterのような外部プラットフォームの表示がひっそり書き換わっていたことだった。

このモデルのプレビューは4月24日に始まっている。約4か月の助走を経ての正式版なのに、この静けさは逆に不気味ですらある。

何が「跳ねた」のか

正式版の目玉は、エージェント系コーディングのベンチマークだ。プレビュー版と比べたスコアの伸びが、ちょっと現実離れしている。

• DeepSWE: 12.8 → 62.7
• CyberGym: 52.7 → 83.3
• Terminal Bench 2.1: 72.1 → 87.9

DeepSWEに至っては5倍近い。汎用的な指標である SWE-bench Verified でも80.6を記録し、これはGemini-3.1-Proと横並び、Claude Opus 4.6（80.8）にわずかに届かない位置だ。総合指標のArtificial Analysis Intelligence Indexでは53。

数字だけ見れば、トップティアに肉薄している。

ただし、まだ誰も再現していない

ここが正直に書いておきたいところ。上に並べた華々しい数字は、すべてDeepSeek自身が公開した比較チャートに由来する。ローンチから間もない現時点で、第三者の評価機関がこのスコアを再現できたという報告はまだ出ていない。

エージェント系のベンチマークは、採点の仕方・使うツール・試行回数の設定しだいで結果が大きく動く。だからこそ、ベンダーが自社チャートで「数倍に跳ねた」と主張したときは、鵜呑みにせず独立検証を待つのが筋だ。「DeepSWEが12.8から62.7」という跳ね方は、モデルが本当に賢くなったのか、それとも評価環境の整備が進んだ結果なのか、外からは区別できない。

過去のV4シリーズが「安すぎて怖い」と言われながら実際に使えるモデルだったことを思えば、今回も実力は伴っている可能性が高い。ただ、公称値と体感がどれだけ一致するかは、コミュニティが手を動かして確かめる数週間を待ちたい。

料金は相変わらず容赦ない

DeepSeekの強さは、性能そのものより「この性能をこの値段で出す」という一点にある。0813の料金はこうだ。

• 入力（キャッシュミス）: $0.435 / 100万トークン
• 入力（キャッシュヒット）: $0.003625 / 100万トークン
• 出力: $0.87 / 100万トークン
• コンテキスト: 100万トークン

キャッシュヒット時の入力単価は、実質「タダ同然」と言っていい水準だ。同じ会話コンテキストを何度も投げるエージェント用途では、この差が運用コストを丸ごと変える。仮に公称の8割程度の性能しか出なかったとしても、この価格帯でSWE-bench 80点近辺のモデルが動くなら、選択肢として無視できない。

この価格でエージェントを回す、という現実味

料金とエージェント性能が同時に効いてくると、何ができるようになるか。

一番わかりやすいのは、「まず一晩、安いモデルに大量に走らせて、良さそうな結果だけ高いモデルで仕上げる」という二段構えが現実的になることだ。キャッシュヒット入力がほぼ無料なら、同じリポジトリのコンテキストを何十回も舐めさせるバッチ処理を、コストを気にせず回せる。個人開発者が「Claude級のモデルを湯水のように使う」ことに躊躇しなくなる、その敷居がまた一段下がる。

もう一つは、日本のスタートアップにとっての意味だ。自社プロダクトにコーディングエージェントを組み込むとき、推論コストはそのまま粗利を削る。100万トークンあたり出力$0.87という数字は、「AI機能を無料枠で配っても赤字にならない」ラインを一気に手前に引き寄せる。もしベンチマークの主張が独立検証で7割でも裏付けば、価格破壊の波はもう一段来る。

正直な評価

告知ゼロの静かなGAという出し方は、自信の表れとも、逆に「大々的に言えるほどの検証が済んでいない」ことの裏返しとも読める。個人的には後者の匂いを少し感じる。跳ねすぎたベンチマークは、良い意味でも悪い意味でも、そのまま信じるものではない。

とはいえDeepSeekは、これまで「派手な主張のあとで実力が伴う」パターンを何度も見せてきたプレイヤーだ。まずはSWE-bench近辺の汎用スコアが独立検証で近い値を出すかを見て、そのうえで自分のリポジトリで一度走らせてみる。その順番で付き合うのが、このモデルとの正しい距離感だと思う。

過去のV4シリーズの経緯はDeepSeek V4正式ローンチ時の記事やV4 Flash 0731のエージェント対応にまとめている。0813がこの系譜のどこに着地するかは、これから数週間で見えてくるはずだ。