DeepSeek-V4.1-Flash公開、552BのMoEマルチモーダルモデル

2026年9月18日

DeepSeek-V4.1-FlashがHugging Faceに公開、484.6BパラメータのMoEモデル

基本情報

項目 内容
リポジトリ deepseek-ai/DeepSeek-V4.1-Flash
公開日 2026-09-10
ライセンス mit
配布形式 safetensors
出典の種類 公開元の一次情報(公式HFアカウントの一次情報)

収集・肉付けの時点で当サイトのコードが確定させた値です。日付はJST。

概要

deepseek-aiは、552Bのバックボーンパラメータを持つマルチモーダルMixture-of-Experts（MoE）モデル「DeepSeek-V4.1-Flash」をHugging Faceに公開した。最大100万トークンのコンテキスト長をサポートし、画像とテキストをネイティブに処理して自己回帰的にテキストを生成する。

スペック

  • パラメータ数: バックボーン552B（有効パラメータ数はプリフィル時8B / デコード時16B）
  • アーキテクチャ: MoE（Causal Encoder-Decoder、1 shared expert、384 routed experts、1層あたり6 routed expertを活性化）
  • コンテキスト長: 最大100万トークン
  • ライセンス: mit

性能

モデルカードおよびテクニカルレポートに掲載されているベースモデルおよびフロンティアモデルとの比較表は以下のとおりである。

→ 横にスクロールできます

Benchmark (Metric) # Shots DeepSeek-V4-Flash-Base DeepSeek-V4-Pro-Base DeepSeek-V4.1-Flash-Base
Architecture — MoE MoE MoE
# Backbone Params — 284B 1.6T 552B
# Activated Params — 13B 49B 8B / 16B
World Knowledge
AGIEval (EM) 3–5-shot 83.9 84.4 83.4
MMLU-Pro (EM) 5-shot 68.3 73.5 74.1
C-Eval (EM) 5-shot 92.1 93.1 92.1
MultiLoKo (LLM-Judge) 5-shot 42.6 50.9 45.5
SimpleQA-Verified (EM) 25-shot 30.1 55.2 42.3
SuperGPQA (EM) 5-shot 46.5 53.9 53.1
Language & Reasoning
BBH (EM) 3-shot 86.9 87.5 86.1
BBEH (EM) 1-shot 25.4 29.8 27.2
DROP (F1) 1-shot 88.6 88.7 87.9
HellaSwag (EM) 0-shot 85.7 88.0 87.2
Code & Math
BigCodeBench (Pass@1) 3-shot 56.8 59.2 60.6
HumanEval (Pass@1) 0-shot 69.5 76.8 79.4
GSM8K (EM) 8-shot 90.8 92.6 93.0
MATH (EM) 4-shot 57.4 64.5 61.1
MGSM (EM) 8-shot 85.7 84.4 80.2
Long Context
LongBench-V2 (EM) 1-shot 44.7 51.5 45.2
Multimodal
MMMU-Pro (EM) 4-shot — — 56.5
CVBench (EM) 4-shot — — 77.9
DocVQA (LLM-Judge) 4-shot — — 95.6
RefCOCO-avg (Acc@0.5) 0-shot — — 86.0

続いて、フロンティアモデルとの比較表（最大推論エフェクト設定）を一部の列に絞って示す。

→ 横にスクロールできます

Benchmark (Metric) GPT-5.6 Sol K3 DS-V4-Pro DS-V4-Flash DeepSeek-V4.1-Flash
Reasoning
GPQA Diamond (Pass@1) 94.1 92.9 92.4 89.9 90.9
Codeforces (Rating) — — 3348 3289 3471
MathArena Apex (Pass@1) — 65.6 65.3 58.6 65.6
Agentic
Terminal-Bench 2.1 (Pass@1) 88.8 88.3 87.9 82.7 90.6
Terminal-Bench 3.0 (Pass@1) 34.4 17.7 11.8 7.6 30.0
DeepSWE v1.1 (Resolved) 73.0 67.5 62.7 54.4 74.2
CyberGym (Pass@1) 84.5 80.0 83.3 76.7 88.1
AutomationBench (Pass@1) 45.8 46.7 43.2 37.7 54.8
Agent’s Last Exam (Pass@1) 26.7 27.6 25.7 25.2 31.8

公開元の評価結果によれば、DeepSeek-V4.1-Flashはコーディング分野（HumanEvalやBigCodeBench）や競技プログラミング（Codeforces）、エージェント系タスク（Terminal-BenchやDeepSWE v1.1など）で同規模帯や比較対象の中で最高値を記録している。MMLU-Proなどの一般知識・推論でも高いスコアを示す一方で、一部の長文脈タスク（LongBench-V2）や多言語数学（MGSM）などではDeepSeek-V4-FlashやDeepSeek-V4-Proを下回る項目もある。

得意なこと・想定用途

  • マルチモーダル対応: 画像とテキストを同時に処理するマルチモーダルタスク（DocVQAやRefCOCO等）
  • コーディングおよびエージェントタスク: 複数ライブラリの呼び出しを含むPythonタスクや、端末操作・ソフトウェアエンジニアリングのエージェント性能が極めて高い
  • 長文脈処理: 最大100万トークンのコンテキスト長をサポートし、KVキャッシュ圧縮技術（CSA2やFP4メインKVキャッシュなど）によりコスト効率を高めている
  • 推論努力の制御: 1から100の整数で推論コストと精度を調整できる「continuously controllable reasoning effort」設定をサポートする

動作環境

動作環境の目安(Local Model Watch 算出) — パラメータ数 763.2B

手持ちのVRAM 選べる量子化 ファイルサイズ 必要メモリの目安
1083GB超のVRAMが必要(複数GPUまたはCPUオフロードが前提) BF16 902.8GB 1083.3GB

推論エンジンの対応状況(各プロジェクトのソースにあるモデル登録表とアーキテクチャ名を当サイトが機械的に照合。2026-09-18 時点): llama.cpp: 未登録、vLLM: 登録あり、MLX (mlx-lm): 未登録。「未登録」はその時点の登録表に名前が無いという意味で、動かないことの断定ではありません。

必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。

入手方法

  • 配布形式: safetensors / transformers
  • 入手方法: Hugging Faceのリポジトリ (deepseek-ai/DeepSeek-V4.1-Flash) からダウンロード可能。入手にライセンス同意は不要（gated: false）。

派生版・量子化版

→ 横にスクロールできます

追記日 配布元 形式 リポジトリ 最小のVRAM階層(量子化・必要メモリの目安)
2026-09-17 nvidia NVFP4 nvidia/DeepSeek-V4.1-Flash-NVFP4 BF16 1690.8GB(単体のGPUには収まらない)

このほか、上記以外の投稿者による変換版が 44 件あります(当サイトは公開元自身と、実績のある量子化担当の配布だけを表に載せています)。

この節は、記事公開後に見つかった変換版を当サイトが機械的に追記したものです。必要メモリは配布ファイルのサイズから算出した概算です。

関連記事

出典

新モデルdeepseek-ai,DeepSeek-V4.1-Flash,Hugging Face,MoE,Multimodal,確認済み