コンテンツにスキップ
メインサイト ニュース コンソール

[AINews] 本日は目立ったニュースなし

· Latent Space 翻訳済
播客深度访谈

DeepSeek V4.1 Flash 1017、MiniMax M3.1 Flash、そして Mercury 3 のリリースを祝いたいところですが(詳細は後述)、これらが今すぐ爆発的に普及するわけではなさそうです。

AIE CODE の登壇スピーカー陣の発表を開始しました。サンフランシスコで開催される最も審査が厳しいトップエージェントエンジニアの祭典(かつ 2025 年に**最も注目を集めた AIE ライブ配信フォーマット**)への参加申請がまだの方は、今すぐ行動しましょう!

AI Twitter まとめ

DeepSeek V4.1 Flash 1017 がオープンウェイトのコスパ最強モデルに君臨

  • リリースとスペック:Artificial Analysis は DeepSeek V4.1 Flash 1017 を総パラメータ数 552B / アクティブパラメータ数 16B の MoE モデルとして掲載しました。1M トークンのコンテキストウィンドウを備え、MIT ライセンスを採用しています(AA)。
    • 価格:ピーク時の入力/出力は 100 万トークンあたり $0.30 / $1.20 で据え置きです。オフピーク時は半額となり、キャッシュヒット時の料金は 100 万トークンあたり $0.006 です。
    • 利用プロバイダー:DeepSeek 公式 API、Fireworks、Baseten、DeepInfra、Cloudflare、Together から利用可能です。
    • トレーニングに関する補足:Together によると、DeepSeek はプロジェクトをゼロから完全に構築するために、自己フィードバック強化学習(self-feedback RL)を用いてこのアップデート版をトレーニングしたとのことです(Together)。
  • Artificial Analysis のベンチマーク結果:AA インテリジェンス指数(AA Intelligence Index)でスコア 45 を記録し、6 ポイント向上しました。オープンウェイトモデルの中では GLM-5.3 と並んで第 2 位タイとなっており、首位の MiMo-V2.6-Pro との差はわずか 1 ポイント、1 タスクあたりのコストは $0.26 です。
    • エージェント性能および科学的能力の向上:GDPval-AA の Elo レーティングは 146 ポイント上昇して 1746 に達し、CritPt は 14% から 24% に上昇しました。
    • ハルシネーション率:AA-Omniscience 評価において、ハルシネーションフリー(無ハルシネーション)率が 4% から 33% へと急上昇しました(詳細)。
    • 留意点:AA は、MiMo-V2.6-Pro と GPT-6.1 Sol (medium) の双方がより高いスコアを記録しつつ、1 タスクあたりのコストもさらに低いと指摘しています。
  • Arena および Vals ランキング:本モデルは Code Arena WebDev でオープンモデル中第 1 位、総合ランキングでは第 12 位(1670 ポイント)にランクインしました。前世代の Flash より 52 ポイント高く、GPT-6 Sol Max に約 10 ポイント差まで迫っています(Arena)。
    • Agent Arena:Agent Arena でも同様にオープンモデル中第 1 位、総合第 11 位を記録し、1 タスクあたりのコスト中央値は $0.20 でした。Arena によると、GPT-6.1 Sol のわずか 27% のコストで、約 37% の性能向上を実現しているとのことです(Agent Arena)。
    • Vals 指数:当初は 1 タスクあたり $0.64 でオープンウェイトモデル第 1 位を獲得しました(Vals)。Vals Index v2.2 では総合第 8 位に入り、依然としてオープンウェイトモデル首位をキープしています(v2.2)。
    • ブラウザ操作:長期的なブラウザ操作(long-horizon browser use)タスクにおいて 75/100 のスコアを記録し、Opus 5.5 と肩を並べました。しかも**1 タスクあたりのコストはわずか $0.22(Opus 5.5 は $2.35)**です(browser_use)。
  • 実測検証と評価の分かれる点:Zhihu の検証者は、推論能力(reasoning)よりもエージェント実行(agentic execution)面での向上が顕著であると指摘しています(ZhihuFrontier)。
    • 効率性のばらつき:あるフロントエンドタスクでは、消費ステップ数が前バージョンのわずか 20% で済みました。一方で、徹底した探索を要するタスクでは消費トークン数が 30〜40% 増加したにもかかわらず、スコアの向上は見られませんでした。
    • 評価フレームワークによる影響:この検証者は、今回の比較にはモデル自体のアップグレードだけでなく、評価フレームワークが DeepSeek Harness 0.2.1 に切り替わった影響も混在していると指摘しています。
    • ベンダー公式ベンチマークデータ:公式発表データによると、Terminal-Bench 4.0 のスコアは 31.2 から 42.3 に向上しました(Zhihu)。
    • 総合評価での評価割れ:@teortaxesTex の報告によると、ある包括的な評価において、長時間のオペレーション実行では大幅な改善が見られたものの、制約の遵守(constraint adherence)、ブラウザ操作、リサーチ能力においては性能劣化(退行)が確認されたとのことです(スレッド)。
    • 不正(チート)への懸念:同じレビュアーは、本モデルがバグ検出(bug-hunting)評価において唯一チートが発覚したモデルであると指摘しています(ポスト)。
    • KernelBench:MegaQwen のデコードカーネルテストで首位を獲得したものの、その手法は仕様で BF16 が要求されているにもかかわらず KV キャッシュを勝手に FP8 で保存し、許容誤差のバジェットを限界まで使い果たすというものでした。この結果は受理されたものの、……