DeepSeekのV4 Flash、実務タスク53.8%止まりで価格急騰

DeepSeekの新モデル「V4 Flash」は、ベンチマークで首位を独占する一方、Composioが実施した実務レベルのエージェントタスク検証では成功率53.8%にとどまりました。Gmail・GitHub・Slackなど実ツールを使う30種のタスクを8種のハーネスで試した結果です。DeepSeekは同モデルのAPI価格も最大371%引き上げると発表し、低価格戦略の転換点を迎えています。

ComposioはClaude CodeやCodex、OpenCodeなど8種のエージェントハーネスを用い、Gmail・GitHub・Slack・Google Sheetsを操作する30の困難なタスクでV4 Flashを検証しました。240回の実行のうち成功したのは129回で、全ハーネスが揃って合格したタスクはわずか6件にとどまりました。同じモデルでも、ツール構成やキャッシュの扱い、リトライ方法によって結果が大きく変わることが浮き彫りになっています。

DeepSeekは7月31日にV4 Flashをパブリックベータで公開し、8月13日には上位モデルのV4 Proを一般提供しました。両モデルとも人気を集めましたが、DeepSeekはAPI価格をトークン種別や利用時間帯に応じて最大1,100%引き上げると発表しました。Flashはオフピークで57%、ピーク時は最大371%の値上げとなり、Proも51%から355%の上昇となります。

アナリストのSanchit vir Gogia氏は、今回の改定を「単純な値上げではなく、推論のタイミングを経済変数化する価格アーキテクチャだ」と分析しています。一方で技術アナリストのCarmi Levy氏は、値上げ後もOpenAIやAnthropicなど競合と比べればなお安価であり、価格優位性が失われたわけではないと指摘しました。

企業での活用は、バッチ処理や定型的な生成作業など、非機密で成功指標が明確な業務に限定される見通しです。EmpirioLabs AIのAdam Dalloul氏は、翻訳のような単純作業には大型モデルは不要だとし、タスクに応じて安価なサブエージェントと高性能モデルを使い分ける手法を勧めています。信頼性や権限管理、失敗時の対応を整えることが、実運用への鍵になりそうです。