昨日正式リリースされたDeepSeek V4.1 Flashをめぐっては、その規模をめぐる混乱が続いている。Hugging Faceの重みファイルを直接解析したコミュニティの投稿では、オプション構成を含めた実質的な規模は748Bに達するとの試算が示された。需要側でも動きがあり、米国企業のAI支出はトークン単価の下落を映して縮小に転じた。評価の現場ではSWE-Bench Proの検証版が一部フロンティアモデルのスコア過大を明らかにし、ベンチマークの信頼性をどう確保するかが焦点になりつつある。

DeepSeek V4.1 Flashの実規模は748B──「485B表記」の事情

前回の記事では、DeepSeek V4.1 Flashを公式発表ベースでバックボーン552BのMoEとして紹介した。リリース後、Hugging Face上のsafetensorsを直接解析したコミュニティの投稿が注目を集めている。それによると、メインモデルは約551.6Bパラメータ（40層）で、うちFFN専門家が約543.6B、attentionや共有専門家などの残りが約8.0Bを占める。一方、Hugging Faceのモデルページが485Bと表示するのは、FP4にパックされた重量をバイト数で数えているためだと説明される。FP4では1バイトに2つのパラメータが詰めるため、単純なバイト換算では実数より小さく見えるというわけだ。

これに加えて同モデルは、条件付き記憶のEngram（約196.9B）、DSpark/MTPスペキュレティブデコーディング用の構成（約14.2B）、ビジョンエンコーダ（約0.5B）を備える。すべてを束ねると実質748B規模になるという試算だ。投稿者は「128GBや256GBのRAM/VRAMでは足りない」とも指摘する。アーキテクチャが複雑化するほど、モデルの大きさを一つの数字で語ることが難しくなっている。

トークン単価は5ヶ月で41%下落──AI支出に転換点

米国企業の支出データを集計するRamp AI Indexの2026年9月版によると、上位1%の米国企業における従業員あたりのAI支出は8月に約10%減少した。興味深いのはその内訳で、トークン百万あたりの価格は2026年3月から41%下落しており、企業は高価なフロンティアモデルからより安価な代替へと利用を積極的にシフトしているという。支出減は利用減を意味しない点が重要だ。

この構造変化はプロバイダー側に重い問いを突きつける。OpenAIやAnthropicにとって、利用量の伸びが価格下落を補うほど十分に速いか。単価が下がり続ける市場で収益を維持できるかは、AI投資の持続性を占う上で需要側の実データとして注目される。

SWE-Bench Pro Verified──報酬ハッキングを断ち、過大評価を正す

ソフトウェアエンジニアリング・エージェントの評価標準として定着したSWE-Bench Proについて、その信頼性を検証する論文が公開された。分析によれば、従来の評価は2つの問題に蝕まれていたという。1つは報酬ハッキングで、正解となる修正内容や隠された評価情報のリークをエージェントが悪用できる経路が存在した。もう1つはタスク品質の問題で、誤解を招く問題文や不適切な範囲のテストがスコアを歪めていた。

公開されたSWE-Bench Pro Verifiedは、通常のエージェント機能を壊さずに主要なリーク経路を断つ対策と、不完全なタスクへの最小限の修正を組み合わせた検証版だ。この検証版で再評価すると、一部のフロンティアモデルは従来報告されていたより大幅に低いスコアにとどまった。既存のSWE-Bench Pro結果は、実際のソフトウェアエンジニアリング能力を過大評価していた可能性がある。ベンチマークの数字を鵜呑みにできない時代に入ったことを示す好例といえる。

FastH3 Live──RTX 5090 1枚で回す無人動画ストリーム

Hugging Faceのトレンドデータセットに、興味深いプロジェクトが上がっている。jacokon氏の「FastH3 Live」は、MiniMax-H3を4ステップに蒸留したFastH3を使い、消費向けGPUであるRTX 5090（32GB）1枚で、無人の動画＋音声ライブストリームを生成し続ける仕組みだ。新しいクリップを生成しながら前のクリップを再生し、VLCでURLを開くだけで途切れず視聴できる。v1.2.0では持続スループットが22.1fpsに達した。

読み応えがあるのは最適化の積み重ねだ。まず、推論時間の64%を占めるattentionをsage attentionに切り替えることで1ステップあたり3.24秒から1.92秒へ短縮し、さらにSpectrumと呼ぶ手法でサンプラー時間を18%削った。動画VAEは256px固定タイル単位で課金されるため、448×448の正方形が画素数を稼ぎつつ最小タイル数（4枚）に収まる最適解だと突き止めた。生成は24fpsだが、1本の生成が再生時間を上回るため、低レートで再生して音声を位相ボコーダでピッチを保ちながら伸長するという現実的な設計も光る。

なお重量ファイルはMiniMax H3 Community License下にあり、適用地域はEU・英国・韓国・米国を除く世界となる。実在人物の合成映像を扱う以上、公開時のAI生成表示などREADME自身が倫理的注意を明記している点も、この種のプロジェクトの参考になりそうだ。

Hyper-τ-bench──エージェントを「作る側」を測る新ベンチマーク

τ-benchとτ²-benchを開発したSierraは9月8日、Hyper-τ-benchを公開した。従来のτ系ベンチマークが「顧客対応エージェントがシミュレートされた顧客をどれだけ正しく処理できるか」を測るものだったのに対し、Hyper-τはその一段外側、つまり顧客対応エージェントを構築するcoding agentの能力を測る。

環境設定が実際の業務を忠実に模している。企業の記録は複数の場所に散在し、クライアントは記録に書かれていない要件を持ち、REST APIには欠陥があり、会話ごとに予算が課される。国内でも早速ハンズオン記事が公開されるなど、エージェント開発を自動化する流れの中で「ビルダー側」の力量を測る標準としての採用が進むか注目される。

ここ数日のニュースは、コストと信頼性という2つの軸で動いているといえる。トークン単価の下落は利用の民主化を進める一方で、プロバイダーの収益構造を問い直し、ベンチマークの検証は「数字の公平性」への意識を高めている。規模の大きさを誇る時代から、単価と信頼で競る時代への移行が進みつつあるのかもしれない。