【2026年最新】DeepSeek V4.1-Flash-1017 の推論のしくみと、PoC で立ち上げる費用|「自分で動かすといくらかかる?」を解く

【2026年最新】DeepSeek V4.1-Flash-1017 の推論のしくみと、PoC で立ち上げる費用|「自分で動かすといくらかかる?」を解く AIニュース

2026年10月17日、DeepSeek が「DeepSeek-V4.1-Flash-1017」を公開しました。API の料金はそのままで、重みは MIT ライセンスで Hugging Face に置かれています。SNS では「ベンチマークで米国の最新モデルを超えた」「家でも動く」といった投稿も目立ちました。

この記事では、公開された論文や公式の文書から、DeepSeek がこの系統のモデルをどんな仕組みで動かしているのかを順にたどり、そのうえで「同じモデルを自分のクラウド環境で PoC(試験的な立ち上げ)として動かすなら、何が要り、月にいくらかかるか」を見積もってみます。30人ほどのチームが社内で使う場合を例にした、一般的な見積もりです(2026年10月18日に確認。筆者はこのモデルを自分の環境では動かしていません)。

数字の確かさには差があるので、本文では次のように書き分けます。公式・論文=DeepSeek の発表・論文・公式の料金表などで確かめたもの。第三者=第三者の記事や集計で、公式では確かめていないもの。試算=筆者の前提を置いた計算。確認できず=調べたが確かめられなかったもの。

結論を先に言うと、1017 版は、フロンティアに近い成績(ただし DeepSeek の自己申告)を、とても安い API 料金で、重みも公開して出してきたモデルです。推論の仕組みは「入力を読む処理(prefill)と出力を作る処理(decode)を別の機械に分ける」設計を、KV キャッシュを小さくする方向に進めたもので、GPU のメモリに常に置く文脈全体の KV(global KV)は1トークンあたり 890 バイトまで縮んでいます。一方で重みは大きく、9月版についての第三者の資料が 1017 版にも当てはまるとすると、公式の重みのまま自分で動かすには H200 を8枚積んだ機械のような大きな GPU ノードが要ります。Mac Studio などの手元の機材向けに量子化した版も出始めましたが、動作と品質はまだ確かめられていません。東京の AWS で営業時間だけ動かすと、筆者の試算で月に約280万円。この記事の前提(30人・ここで置いた使用量)なら、API に払う額の10倍以上になり、費用では API に勝てません。それでも自分で動かす主な理由になるのは、データを手元から出さないことです。DeepSeek の API にデータを渡したくないだけなら、同じ重みを別の推論事業者の API で使う、他社のモデルを使う、という選択肢もあります(データの扱いは事業者ごとに違います)!

1017 で何が出たか

公式の発表:料金は据え置き、重みは MIT

DeepSeek の API の変更履歴(2026年10月17日付)によると、V4.1-Flash は 1017 版に更新され、公式のウェブとアプリも新しい版に切り替わりました。API の呼び出し方と料金は変わらず、モデル名 deepseek-flash で最新版が使えます(公式)。Hugging Face のモデルカードは、1017 版を9月に出た V4.1-Flash の「小さな更新」と位置づけ、推論・コーディング・エージェントの作業・画像の評価での改善に加えて、作業にかかる時間と出力の長さを減らしたと書いています。重みとリポジトリは MIT ライセンスです(公式)。

料金は次のとおりです(100万トークンあたり、2026年10月18日に公式の料金表で確認)。

項目オフピークピーク
入力(キャッシュに当たった分)$0.003$0.006
入力(キャッシュに当たらなかった分)$0.15$0.30
出力$0.60$1.20

ピークは平日の UTC 01:00〜04:00 と 06:00〜10:00(中国の祝日を除く)で、日本時間に直すと 10:00〜13:00 と 15:00〜19:00 です。日本の営業時間の大半がピークに重なります(公式の表からの換算)。SNS で見かけた「出力 $0.3」は、公式の表のどの欄とも合いません。

ベンチマーク:どれも DeepSeek の自己申告

モデルカードの表から、一部を抜き出します(公式。DeepSeek による測定)。

ベンチマーク1017 版9月版 V4.1-FlashGPT-5.6 SolOpus 5
HLE(ツールなし)42.636.844.556.3
Terminal-Bench 4.042.331.239.951.8
DeepSWE v1.177.074.273.074.0
ProgramBench29.120.323.037.0
NL2Repo-Bench68.265.456.875.3

読むときの注意が3つあります。

  • 比べている相手は一世代前:表の比較相手は GPT-5.6 Sol と Opus 5 で、GPT-6.1 Sol や Opus 5.5 は入っていません
  • ハーネス(AI にコードを書かせる枠組み)がそろっていない:DeepSWE は Mini-SWE-V2、Terminal-Bench 4.0 は Claude Code の枠組みで測ったと注記されています。OpenAI は GPT-6.1 Sol の発表で DeepSWE v1.1 を 75.22%(High 設定、1タスク $0.6461)と示していますが、これも自社の枠組みでの自己申告です(第三者の集計 deepswe-tracker 経由で確認。最大の設定 Max では 71.9%)。「77 対 75 で上回った」は、条件のそろわない自己申告同士の比較です
  • 公式のベンチマークの値を第三者が再現した資料は、今回調べた範囲では見当たらない:DeepSWE の公式の順位表(2026年9月22日更新)に 1017 版の行はなく、BigGo の記事も第三者による再現はまだ出ていないと書いています(第三者)。共通の枠組み(mini-swe-agent、500ステップ・2時間の上限)で測る第三者の Mercor の表(10月7日時点の集計、どれも Max 設定)では、9月版の V4.1-Flash が 71.7%(±6.3)、GPT-6.1 Sol が 72.3%(±7.4)、Opus 5.5 が 72.3%(±7.3)で、示された幅は重なっています(第三者。試行の数は339・339・336と少し違います)

伸びが大きいのは Terminal-Bench 4.0(9月版から +11.1)で、DeepSWE は +2.8 です。SNS で見かけた「1タスク約$0.20」は、公式の順位表に 1017 版の行がないため確かめられませんでした(確認できず)。近い数字としては、Together AI が旧 V4 Flash(0731 版)で「2回試行して約$0.20」と書いています(第三者)。

費用の差の目安として、Kingy AI が10月17日に4つのモデルへ同じ7つの課題を2回ずつ出した小さな試験では、初回の提出14回分について、利用したゲートウェイが報告したクレジットの消費の合計は、DeepSeek が $0.0157、GPT-6.1 Sol が $0.0577 でした(フィードバック後の修正の呼び出しは含まず、各社の請求額そのものではありません)。約3.7倍の差です(第三者。著者自身、一般的な順位付けにはならないと書いています)。「200倍安い」という言い方は、この試験からは出てきません。

推論のしくみ:prefill と decode を分け、KV キャッシュを削る

LLM の推論は、大きく2つの処理に分かれます。入力をまとめて読み込む prefill と、出力を1トークンずつ作る decode です。decode では、それまでの文脈を毎回読み直さずに済むよう、途中の計算結果(KV キャッシュ)を GPU のメモリに置いておきます。prefill は計算が重く、decode はメモリの読み出しが重いので、性質がかなり違います。DeepSeek の設計は、この2つを分けて最適化し、KV キャッシュをどこまで小さくできるかを詰めてきた歴史として読めます。

V3/R1(2025年2月):prefill と decode を別の機械に分ける

DeepSeek は2025年2月、V3 と R1 の推論の仕組みを公開しました(公式)。要点は次のとおりです。

  • prefill と decode を別のノード群に分ける:prefill は4ノードで1単位、1枚の GPU に専門家(エキスパート)9個と共有の1個。decode は18ノードで1単位、1枚の GPU に専門家2個と共有の1個。どちらも負荷の偏りに備えて予備の専門家を32個置いています
  • 通信と計算を重ねる:バッチを2つに分け、片方の通信の間にもう片方を計算します。decode では5段のパイプラインにしています
  • 負荷の分散を3種類:prefill 用、decode 用、専門家用のロードバランサを別々に持っています
  • 運用の数字:GPU は H800(1ノード8枚)。2025年2月27〜28日の24時間で、ピーク278ノード、平均226.75ノード。入力トークンの56.3%がディスク上の KV キャッシュに当たりました。1ノードの平均の処理量は、キャッシュに当たった分を含む入力で毎秒約7.37万トークン(prefill)、出力で毎秒約1.48万トークン(decode)です。昼はすべてのノードで推論し、夜は推論を減らして研究と学習に回します

採算も公開されています。H800 を1枚1時間 $2 で借りたと仮定するとコストは1日 $87,072、すべてのトークンを R1 の料金で課金したと仮定すると売上は1日 $562,027 で、原価に対する利益率は545%です。ただし DeepSeek 自身が、V3 は R1 より安い、ウェブとアプリは無料、夜間は割引がある、という理由で実際の売上はこれよりかなり低いと書いています(公式)。

V4(2026年4月):KV キャッシュの管理を作り直す

V4 の技術レポートは、推論の枠組みは基本的に V3 を引き継ぎ、違いは主に KV キャッシュの管理だと書いています(論文)。V4 の注意機構(attention)は、文脈を圧縮して読む2種類(CSA と HCA)と、直近の一定範囲だけを読むスライディングウィンドウ(SWA)の組み合わせです。

  • KV を2つに分けて管理:圧縮した KV は、一定のトークン数ごとのブロックで持ちます。SWA の直近の分と、まだ圧縮できない末尾の分は、リクエストごとに固定の大きさの「状態」として持ちます
  • 100万トークンの文脈で大きく軽くなる:V3.2 と比べて、V4-Flash は1トークンあたりの計算量が10%、KV キャッシュが7%。V4-Pro は計算量が27%、KV キャッシュが10%です。KV は位置情報の部分だけ BF16、残りは FP8 で持ちます
  • ディスクに残す KV の選び方:圧縮した KV はすべてディスクに保存します。SWA の KV は圧縮されていないため量が約8倍あり、「全部保存する」「一定間隔で保存する」「保存せずに再計算する」の3方式から、場面に応じて選ぶとしています
  • MoE の計算をまとめた専用カーネル(MegaMoE):比べた実装より、一般の推論で1.50〜1.73倍、強化学習の試行や速さが要る用途では最大1.96倍速くなったとしています

V4.1-Flash の論文によると、V4 の本番では SSD のキャッシュを大きく取り、ふつうの負荷で KV が72時間以上残るように設定していました(論文)。

V4.1-Flash(2026年9月〜):EPD・CED と 890 バイト/トークン

1017 版の土台である V4.1-Flash には、2026年9月に論文が出ています(論文)。

  • Encoder–Prefill–Decode(EPD)の3分割:画像を読む処理(エンコード)、prefill、decode をそれぞれ別に増減でき、重ねて動かせる構成にしました
  • CED(Causal Encoder-Decoder):40層を、前半20層の「エンコーダ」と後半20層の「デコーダ」に分けます。後半の層の文脈全体の KV(global KV)は、前半の最後の層の結果から直接作ります。後半の層の SWA の KV には入力の末尾の一定範囲だけを計算し直す追加の処理が要りますが、長い入力では prefill の計算量がほぼ半分になります。1トークンあたりに動くパラメータは、prefill で80億、decode で160億です
  • GPU のメモリに常に置く global KV は1トークンあたり 890 バイト:層をまたいで KV を使い回す仕組み(CSA2)と FP4 での保存で、V4-Flash の約4分の1になりました
  • SSD やホストのメモリに残す KV は V4 の約8分の1:SWA の KV は残さず、必要になったら直近の分だけを近似的に計算し直します(SWA Bounded Replay)。SWA の KV は各マシンのホストメモリの10%を使う短命の置き場(数分で入れ替わる)に移し、圧縮した KV は72時間以上残すとしています
  • カーネルを絞る:ほとんどの層は、prefill を15個、decode を11個のカーネルで実行します

モデルの大きさは、本体が5,520億パラメータ、これに Engram という1,960億パラメータの記憶の仕組みが加わります(論文。合計は7,480億ですが、1017 版の Hugging Face の表示は約7,630億で、差の理由は今回の資料では確かめられませんでした)。Engram の置き場所について論文が明記しているのは「強化学習の試行の間は GPU のメモリに常駐させる」ことだけで、本番の推論でどこに置いているかは書かれていません。本番で使っている GPU の型番やノード数、採算は、V4.1-Flash の論文には書かれていません(確認できず)。

自分で立ち上げるのに要る GPU

ここからは、同じモデルを自分で動かす話です。KV キャッシュは小さくなりましたが、重みは小さくなっていません。この節の数字は、Yotta Labs が9月版の V4.1-Flash について9月15日時点でまとめた記事によるもので、公式の文書では確かめていません(第三者)。1017 版は小さな更新なので同じ条件と考えられますが、ここは推定です。

  • 重みはディスク上で約510GB:密な層は FP8、専門家の層は FP4、Engram は FP8 で配られていて、そのうち Engram が約183GiB です。すでに量子化されています
  • GPU のメモリは約614GB が目安の下限:9月版の vLLM のレシピでの、余裕を含めた値です。global KV は 890 バイト/トークンなので100万トークンでも1GB 未満で(SWA の状態などは別に要ります)、効いてくるのは重みです
  • さらに小さくする例も出始めている:NVIDIA が9月版をもとに出した FP4 版は、10月14日の更新で Engram を MXFP4 にして重みを約400GiB に縮めたとしています(第三者。追加の量子化と対応したビルドが要り、1017 版の要件を示すものではありません)
構成GPU のメモリの合計状況(9月15日時点)
GB300 ×4約1.1TB動作を確認済み(SGLang)
GB200 ×4約740GB動作を確認済み(vLLM、NVIDIA Dynamo)
AMD MI350X/MI355X ×4約1.1TB動作を確認済み(SGLang、vLLM)
H200 ×81,128GBレシピあり・確認の途中
B200 ×4/B300 ×4768GB/約1.1TBレシピあり・確認の途中
H100 ×8640GBレシピなし。下限を26GB 上回るだけ
H200 ×4564GB下限を下回る。Engram をホストのメモリに置くプレビュー機能(SGLang)を使えば理論上は届く

「家で動く」については、9月15日の時点で、512GB の Mac Studio は下限に届かず、GGUF や MLX の版も出ていないので「まだ無理」とする記事(Yotta Labs)と、4ビットの重みを載せれば選択肢になるとする記事(Apidog)がありました(どちらも第三者)。その後に出てきた量子化版を含めた現状は、次の節で見ます。少なくとも、ふつうのパソコンで気軽に動かせるモデルではありません。

推論のエンジンは、vLLM と SGLang が対応を進めている最中です。必要なビルドやフラグは情報源ごとに食い違っていて、たとえば NVIDIA が出している FP4 版の重みは10月14日の更新で Engram の形式が変わり、既存の vLLM のイメージでは読めないと注記しています(第三者)。動かすときは、その時点のイメージで確かめる必要があります。

いちばん小さく試すなら:Mac Studio など手元の機材はどこまで使えるか

クラウドの GPU ノードを借りる前に、手元の機材で小さく試せないかも調べました(2026年10月18日に Hugging Face と Apple のストアで確認)。結論から言うと、1017 版を Mac で動かすための材料は出始めたところで、動くかどうか、どれくらいの速さかはまだ確かめられません。

1017 版の現状

  • メモリの大きさ:前の節の約614GB は、9月版を NVIDIA などの GPU で、公式の重みのまま動かすときの目安です。Mac Studio は CPU と GPU が同じメモリ(ユニファイドメモリ)を使い、Apple のストアでは M5 Ultra に512GB の構成が載っていますが、「10月下旬に発売」と書かれていて、10月18日に選べる最大は256GB でした(公式)。公式の重みのままでは、512GB でも目安に届きません
  • Mac 向けの量子化版は出始めている:前の節の Yotta Labs の記事(9月15日付)は「GGUF も MLX の版もない」としていますが、Hugging Face にはそれより前の9月11日に作られた9月版の量子化版もあり、この記述は裏付けられませんでした。10月18日の時点では、第三者が作った版がいくつも並んでいます(第三者)。1017 版では、10月17日に作られた mlx-community の MLX 版があり、4ビット相当の版(oQ4e)が約432GB、さらに削った版(oQ2.5e)が約343GB です。どちらも Engram を4ビットにして約123GB を含みます。GGUF では、Unsloth の 1017 版のページは10月18日の時点では「準備中」で中身がありませんでしたが、10月19日の朝には約501GB(UD-Q4_K_XL)と約508GB(UD-Q8_K_XL)のファイルが置かれていました(説明文は「準備中」のままです)。9月版には、Mac の GPU(Metal)で動かす独自のエンジン向けの GGUF(antirez)があり、2ビット相当で約341GiB、4ビット相当で約483GiB です。作者は、Engram をディスクから必要な行だけ読む前提で、4ビット相当の主な重み(約294GiB)をメモリに置く目安を512GB の Mac としています(文脈と実行用のバッファは別に要ります)
  • 数字の読み方:Apidog の「4ビットで約280GB」は本体(backbone)だけの値で、Engram などは別です。上の MLX 版の内訳でも、本体が約300GB、Engram が約123GB でした。前の節の NVIDIA の約400GiB は NVIDIA の GPU 向けの形式で、Mac で使う版とは別物です
  • 確かめられていないこと:これらはどれも DeepSeek ではなく第三者が作った量子化版で、元のモデルからどれだけ品質が落ちるかは、各ページの説明以上には分かりません。今回集めた資料の範囲では、1017 版の量子化版を独立した利用者が動かして確かめた報告は見つけられませんでした。速さは確認できませんでした

何がそろえば動かせるか

手元で動かすには、Mac で読める量子化版(MLX か GGUF)と、それに対応したエンジン、そして Engram の置き場所の3つが要ります。Engram は MLX 版の4ビットで約123GB、9月版の GGUF の FP8 のままで約189GiB と大きく、全部をメモリに載せるか、SSD に置いて必要な分だけ読むかで、要るメモリが大きく変わります。oQ2.5e の説明は、oMLX というエンジンが Engram を SSD から読めるとしていて、9月版の GGUF の説明も「Engram はディスクから必要な行だけ読む」としています。どちらも後者のやり方で、使うエンジンと設定ごとに確かめる必要があります(第三者)。1017 版の MLX 版はすでにあるので、十分なメモリの構成が手に入り、動いたという報告が出てくれば、試せる候補になります。

費用の目安

Apple のストアでの Mac Studio の表示価格(10月18日)は、最上位のチップ(M5 Ultra、36コア CPU・80コア GPU)の構成が 1,183,800円からでした(公式)。256GB や512GB にメモリを増やしたときの総額は、ページから取り出せませんでした(512GB は未発売。確認できず)。512GB の構成の価格は、発売後にこの記事へ追記します(2026年10月18日時点)。比べる相手として、次の節で試算する p5en を営業時間だけ借りる場合は、GPU 代だけで月に約274万円です。必要なメモリ構成の総額が分からないので、買い切りとクラウドのどちらが安いかは、今回の資料からは判断できません。速さも比べていません。

ほかの手元の機材では、NVIDIA の DGX Spark は1台128GB のメモリで、最大4台をつなげられるとしています(公式)。4台つないでも合計512GB で、公式の重みのままでは前の節の約614GB の目安に届きません(推定)。9月版を対象に、RTX PRO 6000 の2枚(96GB×2)と約250GiB の空きのホストメモリで動かすために、Engram を4ビットにし、Engram と埋め込み、専門家の3割をホストのメモリに置く版を公開している例もあります(第三者)。

最小の PoC としての使い分け

公式の API で出しているモデルの品質を確かめるだけなら、API から始められます。次の節の試算では、30人が重く使う量を1か月試しても、API の支払いは約12万円です。ただし、手元で量子化版を使う場合の品質は、API では確かめられません。手元の機材が効くのは、「データを外に出さずに試したい」ときです。その場合は、いきなり 1017 版から始めるより、手元の機材で動く小さいモデルで手順を固める案があります。候補の一例として、ひとつ前の V4-Flash(2,840億パラメータ)の 0731 版は、公式の重みが約167GB で(公式)、Unsloth の GGUF 版が約83〜162GB(補助ファイルを除く)出ています。これとは別に、4月に作られた版の4ビットの MLX 版が約152GB あります(第三者)。ファイルの大きさだけを見れば256GB の Mac に収まりますが、実際に動かすときに要るメモリと速さ、1017 版へ載せ替えられるかは確かめていません(推定)。手元で手順と評価のやり方を固め、1017 版の量子化版の検証が進んだら載せ替える、という順番が、データを外に出さずに小さく始める一つの形です。

PoC の手順と月額の試算

構成の例

ここからは筆者の想定です。30人ほどが社内から使う前提なら、たとえば次のような形が考えられます(試算の前提)。

  • 利用者はシングルサインオンで入り、API ゲートウェイ(LiteLLM など)で利用者ごとの鍵、流量の制限、監査ログを持たせる。その奥に H200 ×8 のノードを1台置き、vLLM か SGLang で動かす。9月時点で公開されている配信のレシピはテキスト入力だけなので、まずテキストでの起動を確かめ、画像入力や追加の量子化版は、モデルの版とエンジンの組み合わせごとに確かめる
  • ノードはインターネットに出ないサブネットに置き、重みは自分の管理するストレージから読み込んでハッシュを照合する
  • ノードが1〜2台なら、Kubernetes を入れずに、仮想マシンの上でコンテナを動かす程度で足りる

2週間の PoC の手順

GPU を借りる期間を短くするため、準備は GPU のない安いインスタンスで済ませ、GPU は後半の数日だけ借りる流れにします(筆者の想定)。

  1. 事前準備:GPU インスタンスの上限緩和の申請、予算アラート、評価用の質問を50〜100件、成功の基準(品質、同時に32人が使ったときの応答の速さ、24時間のエラー率、障害からの復旧時間など)を決める
  2. GPU なしで準備:ネットワークを作り、重みをダウンロードしてストレージに置き、コンテナのイメージを用意する
  3. GPU ノードを起動:付属の NVMe に重みを置き、読み込みにかかる時間を記録する
  4. vLLM と SGLang を交互に試す:まず動くかを確かめる
  5. 性能を測る:同時接続を1から128まで変え、入出力の長さを何通りか試す
  6. 品質を比べる:いま使っているツールと、出力元を伏せて比べる
  7. 24時間の負荷、障害からの復旧、外への通信がないことを確かめて、片付ける

どちらのエンジンでも2日以上安定しなければ、小さい V4-Flash(2,840億パラメータ。9月に DeepSeek の API での提供が終わった旧版で、重みは公開されたまま)に切り替える、といった撤退の線も先に決めておきます。

月額の試算

ここに出す月額は、前提をすべて筆者が置いた試算です。 前提は、1台を平日の営業時間だけ動かす(1日11時間×21日=月231時間)、1ドル=150円、です。

まず GPU インスタンスの単価です。NVIDIA H200 を8枚積む p5e は、AWS の公式の料金データ(Price List、2026年10月15日版)の東京リージョンに行が見当たらず、東京の単価は確認できませんでした。同じ H200 ×8(AWS の製品ページで確認)で東京に行がある p5en は、オンデマンドで1時間 $79.12 でした(公式)。

インスタンス(東京・オンデマンド)GPU1時間月231時間円換算
p5en.48xlargeH200 ×8(1,128GB)$79.12約$18,277約274万円
p5.48xlargeH100 ×8(640GB)$68.80約$15,893約238万円
g7e.48xlargeRTX PRO 6000 ×8(768GB。型番は Classmethod の記事)約$48.07約$11,104約167万円

単価と GPU の枚数・メモリは公式(AWS の料金データと製品ページ)、月額と円換算は試算です。p5 は前の節のとおり下限ぎりぎりでレシピがなく、g7e は GPU のメモリは足りますが、このモデルが動いたという情報は見つけられませんでした。現実的な候補は p5en です。ゲートウェイ、ロードバランサ、監視、ストレージなどのほかの AWS の費用を月に数百ドルと置くと(推定)、p5en の構成で月に約280万円、30人で割ると1人あたり約9万円になります。運用にかかる人の手間は、この数字に入っていません。

次に、同じ30人が API を使った場合です。前提として、ピークの料金(高いほう)で、月21日使うとします(試算)。

使い方(1人1日あたり)API の月額(30人)
軽い:入力100万トークン(すべてキャッシュに当たらない)、出力10万トークン約$265(約4万円)
重い:入力2,000万トークン(9割がキャッシュに当たる)、出力50万トークン約$824(約12万円)
かなり重い:上の2倍約$1,648(約25万円)

「重い」使い方でも、API は月に約12万円で、p5en を営業時間だけ動かす約280万円の20分の1ほどです。費用だけで並ぶのは、「重い」使い方の人が約680人いるときで(試算)、しかもそれだけの人数を1台で受けきれるかは分かりません。実際の分かれ目はもっと先にある可能性があります。

試算の外にあるリスクも挙げておきます(筆者の推定)。

  • 借り方で費用が大きく変わる:オンデマンドで借りられず、期間を予約する Capacity Blocks でしか確保できない場合は、予約した期間ずっと課金されるので、営業時間だけ動かす節約が効きません。24時間分(月730時間)なら、p5en の単価で月に約$57,758(約866万円)です。Capacity Blocks の東京での単価は、料金データからは確かめられませんでした(確認できず)
  • 止めると付属の NVMe が消える:インスタンスを止めるたびに、約510GB の重みを毎朝読み込み直すことになります
  • 24時間の稼働を前提にした割引は合わない:Savings Plans のような長期の割引は、営業時間だけの運用では効きにくくなります

自分で動かす理由は「データの管理」

この記事の前提で費用が API に勝てないなら、自分で動かす主な理由になるのは、入力したデータを手元から出さないことです。利用の規模がずっと大きい場合や、追加の学習をしたい場合も理由になりえます(Yotta Labs も同じ3つを挙げています)。ただ、「DeepSeek の API にデータを渡したくない」だけなら、自分で動かす以外にも選択肢があります。次の節で並べます。

DeepSeek の API を使いたくないときの選択肢

DeepSeek の API のデータの扱い

まず、DeepSeek のデータの扱いを規約の原文で確かめました(2026年10月18日に確認。どれも公式)。注意したいのは、プライバシーポリシーと API 向けの規約の関係です。API 向けの規約は、開発者本人の個人情報はプライバシーポリシーに従って扱うとする一方、開発者のアプリを使うエンドユーザーの情報は、ポリシーの対象外としています。API に送った入力のすべてに、次のポリシーの記述がそのまま当てはまるかは、原文だけでは確定できませんでした。

  • 保存場所:プライバシーポリシー(2026年2月10日更新)は、集めた情報を「中華人民共和国にある安全なサーバーに保存」するとしています。運営は中国に登記された会社で、API 向けの規約(2026年4月29日発効)の準拠法は中国本土の法律です
  • 学習への利用:プライバシーポリシーは、利用者が入力したテキストやプロンプトなどを集める情報に挙げ、集めた情報の使い道に「機械学習モデルやアルゴリズムなどの当社の技術のトレーニングおよび改善」を含めています。利用者の権利として「モデル訓練または技術最適化のための個人データ利用を拒否する権利」があり、メールで申し出る形です。API 向けの規約には、入力を学習に使うかどうかや保存期間を定めた条項は見つけられませんでした
  • 保存期間:一律の日数は書かれていません。サービスの提供などに必要な期間保持するとし、例として、アカウントがある限り入力の情報などを保持すると書いています。法的な義務などによる保持もあります

選択肢の比較

単価は100万トークンあたりで、「入力/キャッシュに当たった入力/出力」の順です。どれも10月18日に各社の公式のページで確かめた値で、処理する地域やデータの扱いは、各社が公式に書いている範囲だけを載せています。

選択肢費用の形と単価処理する場所・学習への利用・保存1017 版注意点
DeepSeek の API(比較の基準)従量。オフピーク $0.15/$0.003/$0.60、ピーク $0.30/$0.006/$1.20プライバシーポリシーでは中国のサーバーに保存し、集めた情報を技術の学習と改善に使うとしている(API の入力すべてへの当てはまり方は未確定)。保存期間の日数の記載なし使える日本の営業時間の大半がピーク
推論事業者の API:Fireworks従量。$0.30/$0.006/$1.20。米国内だけで処理する経路は V4.1-Flash で $0.45/$0.009/$1.80原則としてプロンプトと生成の内容を記録・保存しない(キャッシュが効くときは数分ほどメモリに残る)。ただし Response API は既定(store=True)で会話を30日保存し、無効にもできる。通常の経路の処理地域は書かれていない料金表に 1017 版の行あり米国内だけの経路の対象が 1017 版かは料金表の名前からは読み取れない
推論事業者の API:DeepInfra従量。1017 版は期間限定の割引で $0.098/$0.003/$0.294(定価 $0.20/$0.006/$0.60)通常の推論 API では入力をメモリでだけ扱い、終わったら消す(まとめて処理する API では暗号化してディスクに置く例外あり)。学習に使わない。処理地域の記載は見つけられなかったページあり割引の期限は書かれていない
推論事業者の API:Together AI従量。掲載名「DeepSeek V4.1 Flash」で $0.30/$0.006/$1.20明示的に同意しない限り学習に使わない。設定でプロンプトを保存しない(ZDR)を選べる。処理場所は会社の拠点などとしか書かれていないモデル一覧に 1017 版の明記はなし中身が 1017 版に更新されているかは未確認
クラウド大手:Google Vertex AI従量。V4.1-Flash で $0.30/$0.03(キャッシュ)/$1.20提供は global のエンドポイントだけ。Google は、global では処理する地域を指定も把握もできないとしている名前は「DeepSeek-V4.1-Flash」で、1017 版かは書かれていない東京など地域を指定しては使えない
クラウド大手:Amazon Bedrock従量。東京では DeepSeek v3.2 が $0.74/$2.22(入力/出力)東京リージョンで使える料金表に V4 以降の行がない(まだ)使えるのは旧世代
クラウド大手:Azure AI FoundryAzure が販売するモデルの一覧に V4-Pro、V4-Flash、V4-Flash-0731(プレビュー)日本のリージョンで使えるかは今回確かめていないV4.1 系は一覧になし(まだ)使えるのは V4 世代
自分で動かすGPU の時間課金か買い切り(前の節)自分の管理下使える(重みは MIT)費用と運用の手間が大きい
他社モデル:Claude(Anthropic)従量。Opus 5.5 は $4/$0.20/$20、最上位の Fable 5.1 は $10/$0.25/$50顧客の入力と出力で学習しないと契約に明記。API の入出力は原則30日以内に削除(ZDR の契約などの例外あり)。米国内で処理する指定は単価が1.1倍—別のモデルなので、品質は自分の評価で確かめる
他社モデル:GPT(OpenAI)従量。GPT-6.1 Sol は $2/$0.10/$10、最上位の GPT-6 Astra は $10/$1/$50(短い文脈の標準料金)オプトインしない限り学習に使わない。不正利用の監視のログは原則最大30日(法令や危害の防止のための延長の例外あり。機能ごとの保存は別扱い)。ZDR などは事前の承認が要る—同上

単価以外の注意点もあります。

  • 事業者の規約に従うことになる:DeepSeek の重みを別の事業者が動かしている API でも、データがどこに渡るかは、その事業者の提供の経路と、第三者と共有する条件しだいです(たとえば DeepInfra は第三者と共有しないとし、Together AI は業務の委託先などと個人データを共有しうるとしています)。上の表は各社の公式の説明をまとめたもので、契約の前に原文を確かめる必要があります
  • プロンプトのキャッシュの共有範囲:Stanford の研究者らは2024年9〜10月に17の API 事業者を調べ、8社でプロンプトのキャッシュを検出し、そのうち7社(Azure と OpenAI の埋め込みモデル、Deep Infra、Fireworks、Lepton、Perplexity、Replicate)で、利用者をまたいでキャッシュが共有されていると報告しました(論文。ICML 2025 採録)。共有されていると、応答の速さの違いから、他人が似たプロンプトを送ったことを推測できる可能性があります。著者らは2024年10月に各社へ知らせ、少なくとも5社が対策を取ったとしています(OpenAI の埋め込みモデルは公開前に修正済み)。調べたのは、公開重みの事業者では主に Llama 3/3.1 8B Instruct、独自モデルの事業者では当時の最新の系列でいちばん安いチャットのモデルと埋め込みモデルで、2年前の時点の話です。いまの各社の設定は、この論文からは分かりません。なお DeepSeek の API は、応答の速さからはキャッシュを検出できず、キャッシュは利用者ごとに分かれていることを確かめた、としています
  • 同じ重みでも品質が同じとは限らない:事業者ごとに、量子化のしかたや推論のエンジンが違いえます。DeepInfra の 1017 版のページには fp8 の表示がありますが、ほかの事業者の精度や推論の条件、品質が同じかどうかまでは確かめていないので、自分の評価データで比べる必要があります

まとめ:1017 は「誰の API で、どこで動かすか」を分けて選ぼう!

DeepSeek-V4.1-Flash-1017 は、自己申告ながらフロンティアに近い成績を、100万トークンあたり出力 $0.60(オフピーク)という料金で出し、重みも MIT で公開しました。その裏には、prefill と decode を分けて動かす V3 以来の設計を、global KV を 890 バイト/トークンまで削る方向に詰めてきた積み重ねがあります。

ただ、KV キャッシュが小さくなっても重みは大きく、9月版の第三者の資料が当てはまるなら、公式の重みのまま自分で動かすには H200 ×8 のような GPU ノードが要ります。Mac などの手元の機材は、量子化版が出始めた段階で、データを外に出さずに試す場合の候補ですが、動作はまだ確かめられていないので、小さいモデルで手順を固めるところから始める案もあります。東京の AWS で営業時間だけ動かすと、筆者の試算で月に約280万円で、この記事の前提(30人)なら API に払う額の10倍以上です。選び方は4つに分けられます。この記事では DeepSeek の API を比較の基準にしました(10月18日時点では、DeepInfra の期間限定の割引単価のほうが、入力と出力は DeepSeek のオフピークより安い値でした。総額は使う量やキャッシュ、時間帯、割引の条件で変わります)。DeepSeek の API のデータの扱いを避けたければ、同じ重みを扱う推論事業者の API(1017 版の有無、単価、処理する地域、データの扱いは事業者ごとに違います)。モデルにこだわらなければ Claude や GPT の API。データを手元から出さないことに価値があるなら、自分で動かす。Claude や GPT と比べた割安さは、出力の単価だけを比べると、DeepSeek のピークの $1.20 に対して GPT-6.1 Sol が約8倍、Opus 5.5 が約17倍ですが、作業に使うトークンの量はモデルごとに違い、Kingy AI の小さな試験(7つの課題を2回ずつ、初回の提出14回分のクレジットの消費)では、GPT-6.1 Sol との差は約3.7倍でした。あくまで条件付きの目安です。性能が同じ土俵にあるかも確かめられていません。DeepSWE を共通の枠組みで測った第三者の表は9月版までで、1017 版には小さな第三者の試験があるだけです。この記事で紹介した主なベンチマークの値は DeepSeek の自己申告です。自分の用途の評価データで確かめてから判断するのがおすすめです。その判断の材料として、この記事の数字を使ってもらえればうれしいです!

あわせて読みたい

参考文献

タイトルとURLをコピーしました