DeepSeekのトップモデルV4 Flash、実エージェントタスクで苦戦、価格は急騰

DeepSeekのV4 Flashモデルは、リリース以来、モデルリーダーボードでトップを走り、開発者から「モンスター」と称賛されてきた。しかし、実世界でのテストでは、複雑なエージェントタスクの53.8%しか完了できなかった。Composioが実施したテストでは、Gmail、GitHub、Slack、Google Sheetsなどのライブツールを含む30の困難なマルチステップタスクに対し、Claude Code、Codex、OpenCodeなどの8つの異なるエージェントハーネスでモデルを実行した結果、240回の実行中129回しか成功せず、30のワークフローのうち6つしか全てのハーネスで完全に完了しなかった。この結果は、エンタープライズ環境での成功には、モデルの能力だけでなく、オーケストレーションが重要であることを示唆している。DeepSeekはV4 FlashとProモデルの価格を大幅に引き上げる予定であり、これは当初の低価格という魅力の一部を損なう可能性があるが、同時に「安価な中国製モデル」という単純な物語を超え、エンタープライズでのモデルの適材適所やワークフローへの適合性を探る動きとも言える。価格は最大1,100%上昇する可能性があり、特にピーク時にはインプットトークンあたり22セント、アウトプットトークンあたり66セント(Flashモデル、オフピーク時)から、インプットトークンあたり44セント、アウトプットトークンあたり1.32ドル(同、ピーク時)へと、57%から371%の増加となる。Proモデルも同様に51%から355%の値上げとなる。この価格体系の変更は、推論のタイミングを経済的な変数とするものであり、バッチ処理などの待機可能なタスクは安価な時間帯に移行させ、インタラクティブエージェントやライブオペレーションは高価な時間帯に移行させることになる。アナリストらは、この値上げがDeepSeekの価格優位性を縮小させ、中国 origin への懸念を増大させる可能性があると指摘する一方、依然として競合他社と比較して安価であるとも述べている。エンタープライズでの採用は、コスト、信頼性、データガバナンス、セキュリティなどの要因により未だ不透明だが、バッチ処理や特定のワークロードでの利用が期待されている。Metaのソフトウェアエンジニアは、モデルがアクションを実行できるようになると、信頼性が知性と同じくらい重要になると指摘し、構造化されたツール出力、アクション成功の検証、リトライ/失敗処理、モデルの権限範囲の明確化が不可欠であると述べている。開発者レベルでの普及は証明されているが、エンタープライズでの標準化はまだである。