無検閲のDeepSeek Flash API

LLM APIを評価するチームのほとんどは、間違った変数を最適化しています。思いつく限り最も難しい20個のプロンプトでベンチマークを取り、勝者を選び、6週間後に、トラフィックの95%は短く、構造化され、繰り返しの多い仕事で、4分の1の値段のモデルでも同じようにこなせたと気づくのです。DeepSeek-V4-Flashは、その95%のために存在します。このページは、自分がその中にいるのか、いないのかを見分けるための話です。

01実際に手に入るもの

項目	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
モデルID	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
コンテキスト / 最大出力	262,144トークン / 16,384トークン
100万あたり価格（入力 / 出力）	$0.50 / $2.00
ストリーミング · ツール呼び出し · 推論	対応 — 3方言すべて
構造化出力	json_schemaとresponse_format
画像入力	なし — テキスト専用
拒否層 / 出力フィルタ	なし
提供環境	Shannon自社のGPUクラスタ

3つのAPI方言が同じウェイトに到達します。/v1/chat/completions（OpenAI形式）、/v1/messages（Anthropic形式）、そして/v1/responsesです。ストリーミングは3つとも動きます。完全なパラメータリファレンスはAPIドキュメントにあります。

02どこから来たのか：DeepSeekの系譜

DeepSeek-AIは5世代のモデルをひとつの執念に費やしてきました。学習が安いだけでなく、提供が安いモデルからフロンティア級の振る舞いを取り出すことです。この系列のほぼすべてのアーキテクチャ上の判断はそこに遡り、重要なものは公開されています。そのうち3つが、このエンドポイントを叩くとき何を呼んでいるのかを説明します。

DeepSeekMoE — 細粒度のエキスパートと、共有された1つ

Mixture-of-Experts層は、1つの大きなフィードフォワードネットワークを多数の小さなものと、トークンごとにいくつかを選ぶルーターに置き換えます。DeepSeekの変種はエキスパートを従来の8エキスパート構成より細かく切り分けるので、同じ活性FLOPsではるかに組み合わせ的に特異な混合が買えます。さらに、すべてのトークンが通る共有エキスパートを分離しているので、共通知識が各専門家の中で冗長に学び直されることがありません。DeepSeek-V3はこれを256のルーティング型エキスパート＋1つの共有エキスパート、トークンあたり8つのルーティング型を活性化という形で出荷しました — 総パラメータ671B、活性37B — さらに補助損失なしの負荷分散も備えます。品質を落とすペナルティ項ではなく、エキスパートごとのバイアスが、そのエキスパートの負荷が低いか高いかに応じて毎ステップでルーティングスコアを上下させるのです。

MLA — メモリに収まるアテンション

提供コスト問題のもう半分はKVキャッシュです。コンテキストに比例して線形に増え、長い系列長ではメモリを支配します。DeepSeek-V2で導入されたMulti-head Latent Attentionは、キーと値を低ランクの潜在ベクトルへ同時に圧縮し、それをキャッシュして、使えるK/Vをその都度復元します。DeepSeekが公開したV2の数値は、以前の密なDeepSeek 67Bとの比較でKVキャッシュ93.3%削減、最大生成スループット5.76×を報告しています。だからこのファミリーでは262Kトークンのウィンドウが割増オプションではなく、当たり前の前提なのです。

スパースアテンション — そして安いトークンの前例

V3.2-ExpはDeepSeek Sparse Attentionを追加しました。軽量なインデクサがコンテキストのトークンをクエリに対して採点し、セレクタが上位のものだけを残します。面白いのは仕組みではなく、その領収書のほうです。DeepSeekはV3.1-Terminusとの並列比較を公開しました。MMLU-Proは85.0で同一、AIME 2025は上昇（88.4 → 89.3）、SWE-bench Verifiedはわずかに低下（68.4 → 67.8） — 事実上横ばいの品質 — そして同じ日にAPI価格を50%以上引き下げました。正直に報告されたアーキテクチャが、そのまま価格に変わったのです。Flashは、その論法をもう一歩進めたものです。

V4世代

2026年4月にMITライセンスでプレビューされたV4は、アテンションのスタックを再びCompressed Sparse AttentionとHeavily Compressed Attentionのハイブリッドに置き換え、32兆を超えるトークンでMuonオプティマイザを使って学習し、V3のマルチトークン予測目的関数を維持しています。これは投機的デコードも兼ねており、DeepSeekはV3において第2トークンの受理率85–90%、およそ1.8×のデコード高速化を測定しました。V4のアブストラクトは、V4-ProがV3.2に対して単一トークン推論FLOPsの27%、KVキャッシュの10%で動くと報告しています。このファミリーは3段階の推論強度を公開しており、私たちのreasoning_effortパラメータはそこに対応づけられています。

出典：DeepSeek-V2（arXiv 2405.04434）· DeepSeekMoE（arXiv 2401.06066）· DeepSeek-V3 技術レポート（arXiv 2412.19437）· DeepSeek-V3.2-Exp モデルカード · DeepSeek-V4（arXiv 2606.19348）。いずれもDeepSeekによる報告値です。

03「Flash」が実際に意味すること

ほとんどの比較が取り違える点なので、はっきり述べる価値があります。DeepSeekのFlashは、量子化・枝刈り・蒸留されたProではありません。独自の事前学習を行った、別に学習された、より小さなMixture-of-Expertsモデルです。V4のプレビュー論文は2つのサイズを示しています。

数値はDeepSeek-V4プレビュー論文より。私たちが提供する公式チェックポイント — V4-Flash-0731とV4-Pro-0813 — は、モデルカード上ではやや大きい304Bと1.7Tという総数を掲げています。DeepSeekはそれらのビルドについて活性パラメータを再掲していません。

ここで効いてくる数字は2つです。総パラメータはメモリ占有量を決め、モデル1部がどれだけのハードウェアを占めるかを左右します。活性パラメータはトークンあたりの演算量を決め、スループットを左右します。Flashは前者でおよそ5.6×、後者でおよそ3.8×小さいのですが、その差には気づく価値のある機微があります。Flashは2,840億のうち130億、約4.6%を活性化するのに対し、Proは1兆6,000億のうち490億、約3.1%です。Flashはよりスパースでないモデルなのです。単にProのエキスパートの数を減らしたものではなく、より密で、バランスの取り方が異なる設計であり、生成するトークン1つひとつに自分自身のより大きな割合を費やします。これは格下げではなく、実際のエンジニアリング上の選択です。

DeepSeek自身の数値が語ること

2つの公式モデルカードは、同じエージェント系およびソフトウェア工学系ベンチマークのスコアを公開しています。同じ研究所、同じ評価ハーネス、2つのサイズという、異例なほどきれいな比較になります。

ベンチマーク（DeepSeek報告）	V4-Flash-0731	V4-Pro-0813
Terminal Bench 2.1	82.7	87.9
Toolathlon-Verified	70.3	74.1
DeepSWE	54.4	62.7
NL2Repo	54.2	61.5
DSBench-FullStack	68.7	71.1

Proは全行で勝ちます。それが正直な見出しであり、本番で気づくよりここで読んでもらうほうがいい。ただし差のほうを読んでください。あなたが実際に買っているのはそこだからです。Terminal Bench 2.1での差は5.2ポイント、パラメータが25分の1のモデルに対してです。ツール利用では3.8ポイント。差が開くのは仕事が最も深くなるところ — DeepSWEで8.3ポイント、NL2Repoで7.3ポイント — で、どちらも持続的な多段のコード推論に報いるベンチマークです。1つの表に取引の形が現れています。Flashは境界のはっきりしたタスクでは差の大半を詰め、終わりのないタスクでは譲るのです。

DeepSeek自身のFlashカードは、その点をさらに鋭く述べています。Flash-0731は活性パラメータ数がはるかに少ないにもかかわらず、掲載されたベンチマークでV4-Proのプレビュー版を上回るのです。より新しい小さなモデルが、より古い大きなモデルを打ち負かすのはこの分野では通常の状態であり、「大きい階層」を既定の答えにすべきでない理由でもあります。

04接尾辞を読む：W4A16-AUTOROUND-REAP

私たちのモデルIDは圧縮方式を声に出して述べています。出力品質に最も影響するのに、ほとんど誰も開示しないものだからです。この接尾辞は3つの主張に分解できます。

W4A16 — 4ビットウェイト、16ビット活性

ウェイトは1つあたり4ビットで保存され、活性は16ビット精度で流れます。これはウェイトのみの量子化であり、トークン生成における本当のボトルネック、すなわち演算ではなくメモリ帯域を狙っています。活性も量子化すればもう少し速度は買えますが、はるかに大きな精度の崖を冒すことになります。16ビットのまま残すのは保守的で忠実な選択です。この表記は提供エコシステムの略記であり、量子化の文献では同じものをグループサイズ付きのW4と書きます。

AUTOROUND — 最近接ではなく、学習された丸め

素朴な量子化は、すべてのウェイトを表現可能な最も近い値に丸めます。それが最適でないことは実証済みです。あるウェイトを「間違った」方向に丸めることで、隣のウェイトが持ち込んだ誤差を打ち消せることがあり、数十億のウェイトがあればそうした相互作用が支配的になります。IntelのAutoRoundは、丸めの判断そのものを学習対象として扱います。±0.5に制約された、ウェイトごとの学習可能な摂動 — どんな丸めの判断も1回だけひっくり返せて、それ以上ではない幅 — に加えて学習可能なクリッピング範囲を、小さなキャリブレーションセット上のブロック単位の出力再構成目的関数に対して符号付き勾配降下で最適化します。200ステップで終わりです。

Intelが公開した比較では、4ビットのウェイトのみ設定において、AutoRoundは試験した32シナリオ中30でGPTQを、32中27でAWQを、32中29でOmniQuantを上回っています。2ビットでは素朴な最近接丸めに対して6.9から33.2の精度ポイントの改善がありました。そのどれも推論時のコストにはなりません。数値のより良い選び方を、オフラインで一度行うだけです。

REAP — 誰もルーティングしないエキスパートを落とす

REAP（Router-weighted Expert Activation Pruning）は、Cerebras Systemsとカルガリー大学によるMoEモデル向けのワンショット圧縮です。各エキスパートを、ルーターがどれだけ強く、どれだけ頻繁にゲートするかで採点し、そのエキスパートの出力の大きさを掛け合わせて、重要度の低いものをそのまま削除します — その後の再学習はありません。

論文の中心的な知見が役に立つものです。高い圧縮率では、エキスパートを枝刈りするほうが統合するより優れている。機能的に異なるエキスパートを統合すると、著者らが機能部分空間の崩壊と呼ぶ現象が起きます。ルーターは、MoEを作る価値そのものだった細やかで入力依存の制御を失い、静的な平均のあいだを操縦するだけになるのです。20Bから1Tまでのモデルにわたる彼らの数値では、コーディングタスクの25%エキスパート圧縮でREAPは平均精度を2.8%失うのに対し、統合ベースラインは5%以上失います。50%ではREAPが8.0%失うところ、統合は20%以上失います。Qwen3-Coder-480Bの50%枝刈りでの低下は1.4%、素朴な頻度ベースの枝刈りでは39.3%です。CerebrasはDeepSeek系列などについてREAPのチェックポイントを公開しています。

ここで4ビット、Proで3ビットの理由

どちらの階層も、同じクラスのハードウェアに収まり、速いままでいなければなりません。Proは1兆7,000億パラメータを抱えているので、そもそも収めるためにより攻めた3ビット処理が要ります。Flashはおよそ3,000億なのでそれが不要 — 節約した1ビットは、収めることではなく忠実さに使われます。

その1ビットの差は、算術が示唆する以上に効きます。量子化による損傷は線形ではないからです。AWQ論文のWikiText-2測定では、Llama-2-7BはFP16の5.47パープレキシティから4ビットで5.60 — 2.4%の悪化 — になりますが、3ビットでは6.24、14%の悪化になります。これはおよそ25%多い圧縮に対して6倍の劣化であり、70Bでも同じパターンが成り立ちます。GPTQ論文はもっと率直です。3ビットでは、素朴な最近接丸めは175Bクラスのモデルで崩壊し、パープレキシティは数千に達しますが、4ビットでは完全に使える状態を保ちます。4ビットを下回ると、良い量子化アルゴリズムは気の利いた付加物であることをやめ、モデルをつなぎとめる唯一のものになります。

したがってこの2つの接尾辞の正直な読み方はこうです。Flashは、Proが自らの非圧縮版に対して置かれている位置よりも、自らの非圧縮版に近いところにいます。それでもProのほうが強いモデルです — 上のベンチマーク表がそれを決着させています。Proはここに来るまでに、より多くを手放しただけであり、その特権にはお金を払うことになります。

出典：AutoRound — 「Optimize Weight Rounding via Signed Gradient Descent for the Quantization of LLMs」（arXiv 2309.05516）、Intel、Findings of EMNLP 2024。REAP — 「REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression」（arXiv 2510.13999）、Cerebras Systems。パープレキシティの数値はAWQ（arXiv 2306.00978）およびGPTQ（arXiv 2210.17323）より。

05エンドポイントにおけるFlash対Pro

第03節では基盤を扱いました。ここでは、私たちのゲートウェイ上の製品として2つの階層がどう見えるかを示します。

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
量子化	W4A16-AUTOROUND-REAP	3BIT-REAP
ウェイト精度	4ビット、学習された丸め	3ビット
基盤（総 / 活性）	~304B / 13B	~1.7T / 49B
100万トークンあたり入力	$0.50	$1.95
100万トークンあたり出力	$2.00	$3.90
コンテキスト / 最大出力	262,144 / 16,384	262,144 / 16,384
ツール · 構造化出力 · ストリーミング	対応	対応
画像認識	なし	なし
拒否層	なし	なし

変わらないものに注目してください。コンテキスト、出力の上限、ツール呼び出し、構造化出力、そして拒否層の不在は同一です。動くのは基盤、量子化、価格だけ。だから両者の切り替えは、コードでは文字列1つの変更、アーキテクチャでは純粋に経済的な判断になります。

最大サイズの呼び出し1回のコスト

262,144トークンのコンテキストをすべて埋め、16,384トークンの出力をフルで取ると。

表示価格にて。Flash：入力$0.131 + 出力$0.033。Pro：$0.511 + $0.064。比は3.51×。FlashはMiniMax-M3、Laguna-S-2.1、MiMo-V2.5、MiMo-V2.5-Pro、Hy3とも$0.50 / $2.00の下限を共有しています — 画像認識と構造化出力でどう違うかは全カタログをご覧ください。

06大量処理の計算、実際にやってみる

「3.9×安い」が本当なのは入力だけです。出力ではFlashは1.95×安い。したがって実際の節約は入力と出力の比率に依存し、その幅は設計判断を変えるほど広い。それぞれ10万リクエストの、現実的な4つのワークロードで見ます。

ワークロード	1回あたり 入力 / 出力	Flash	Pro	節約
チケット分類	1,200 / 120	$84	$281	3.3×
RAGの質問応答	8,000 / 600	$520	$1,794	3.4×
長文ドキュメントの要約	60,000 / 1,500	$3,300	$12,285	3.7×
合成データ生成	500 / 2,000	$425	$878	2.1×

パターンはこうです。押し込むコンテキストが多く、生成するテキストが少ないほど、Flashの節約は大きくなる。検索拡張のパイプライン、文書の仕分け、ログや文字起こしの分析、長コンテキストからの抽出がスイートスポットです。これらは桁違いに入力優位であり、3.9×の割引が住んでいるのは入力側だからです。逆に、短いプロンプトから数千トークンの散文を生成するワークロードなら、差はおよそ2×まで縮まり、それに応じてProを選ぶ能力面の論拠が強くなります。

もうひとつ体に入れておく価値のある算術。入力100万トークンあたり$0.50なら、262,144トークンのウィンドウを丸ごと埋めるのに13.1セントです。その価格では長コンテキストのプロンプティングは予算の問題ではなくなり、ときには検索層をまるごと作るのをやめてコンテキストウィンドウに仕事をさせられます — トークンの節約の上に乗る、エンジニアリングの節約です。

07ここで「無検閲」が正確に意味すること

この言葉はゆるく使われるので、エンドポイントの性質として述べた私たちの定義を示します。モデルの手前に拒否分類器はなく、その出力にコンテンツフィルタもかけていません。プロンプトを横取りして定型の断りを返すものはなく、完了文を検査して伏せ字にするものもありません。大量の本番処理においては、その帰結はこの言葉の響きより地味で、より有用です。

• 無害なトラフィックに誤検知が出ない。フィルタ付きのエンドポイントは、医療の要約、セキュリティの報告、法務のディスカバリ、フィクション、ハームリダクションの資料、そしてモデレーション作業そのものを日常的に断ります — まさに、バッチ処理が有害なものを生成するのではなく、機微な話題についてのテキストを処理しているカテゴリです。10万リクエストでは、1%の誤拒否率は1,000行の破損です。
• 決定的な契約。json_schemaの応答を求めれば、スキーマに合致するJSONが返ってきます。オブジェクトがあるべきところに謝罪の段落が来ることはありません。パーサに拒否分岐は要らず、リトライのロジックが通信の失敗とポリシーの失敗を区別する必要もありません。
• ポリシーはあなたのもの。それが取引です。製品がエンドユーザー向けのガードレールを必要とするなら、あなたの層で作ってください。自分のユーザーと自分の管轄区域を知っているのはあなたであり、提供者の両方についての当て推量を引き継ぐ必要はありません。アカウントには引き続き当社の責任ある利用ポリシーが適用されます。

無検閲は、アラインされていないことや役に立たないことと同じではありません。モデルは変わらず指示に従い、システムプロンプトを尊重します。あなたのユーザーに対して特定のカテゴリを拒否させたいなら、そこにそう書いてください — その指示はいまや、私たちが課すものではなく、あなたが書くものです。

08機能と、正直な限界

大量処理では2つの機能が重みの大半を担います。厳格なjson_schema出力は、パース層も拒否分岐もなしに、完了文をデータベースの1行に変えます。3方言すべてでのツール呼び出しは、上位のプランナーがより強いモデルで動くエージェントの、安いサブステップ用エンジンとしてFlashを妥当な選択にします。そこにreasoning_effortが加わり、追加のトークンを必要とする一部のトラフィックにだけ費やせます。そしてProと同一の262,144トークンのコンテキスト — 安い階層を選んでもコンテキストを差し出さずに済むのは、珍しいことです。

限界も同じくらい具体的です。

• 画像認識なし。Flashはテキスト専用で、メッセージ中の画像パートは拒絶されます。同じ$0.50 / $2.00の下限で画像を扱う無検閲モデルなら、MiniMax-M3とMiMo-V2.5が画像対応の選択肢です。Kimi-K2.6とKimi-K3はその階層より上の、より強い画像モデルです。
• はしごの頂点ではない。DeepSeek自身の数値は、公開されたすべてのエージェント系ベンチマークでProが先行し、持続的な多段のコード推論で差が最も大きいことを示しています。1つの誤答が安価な答え1,000回より高くつく場面では、100万あたり$1.45を追加してDeepSeek-V4-Proに使ってください。
• 1リクエストあたり16,384出力トークン。長い生成は複数の呼び出しに分割する必要があります。これは私たちが提供するすべてのモデルで同じ上限であり、コンテキストウィンドウよりずっと手前で効いてきます。

09呼び出し方

OpenAI互換のクライアントをゲートウェイに向け、モデル文字列を変えるだけです。スタックの他の部分は何も動かす必要がありません。

curl https://api.shannon-ai.com/v1/chat/completions \
  -H "Authorization: Bearer $SHANNON_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP",
    "messages": [
      {"role": "system", "content": "Label the ticket. Reply only with the schema."},
      {"role": "user", "content": "The invoice PDF renders blank on Safari 18."}
    ],
    "response_format": {
      "type": "json_schema",
      "json_schema": {
        "name": "ticket_label",
        "schema": {
          "type": "object",
          "properties": {
            "category": {"type": "string"},
            "severity": {"type": "integer"},
            "needs_human": {"type": "boolean"}
          },
          "required": ["category", "severity", "needs_human"],
          "additionalProperties": false
        }
      }
    }
  }'

同じモデルIDが/v1/messagesと/v1/responsesでもそのまま動きます。既存の統合の下でより安いモデルをA/Bする最速の方法であり、クライアントを書き直す必要はありません。パラメータ、ストリーミングイベントの形、ツール呼び出しのスキーマ、レート制限はAPIリファレンスに記載しています。カタログのすべてのモデルはShannon Researchに掲載されています。

10よくある質問

---

出典：DeepSeek-V2（arXiv 2405.04434）· DeepSeekMoE（arXiv 2401.06066）· DeepSeek-V3 技術レポート（arXiv 2412.19437）· DeepSeek-V4（arXiv 2606.19348）· DeepSeek-V4-Flash-0731 および DeepSeek-V4-Pro-0813 モデルカード · AutoRound（arXiv 2309.05516、Intel）· REAP（arXiv 2510.13999、Cerebras Systems）· AWQ（arXiv 2306.00978）· GPTQ（arXiv 2210.17323）。基盤およびベンチマークの数値はすべて、それぞれの著者が公開したものです。Shannon AIの価格と提供コンテキストは2026年9月時点の当社の表示値です。