DeepSeek V4 Flash 284B : Macに搭載可能な1つ目のFrontier Studio

#DeepSeek V4 Flashの概要

公開日

2026年4月24日、V4 Proと同時にリリース。HuggingFaceで公開：deepseek-ai/DeepSeek-V4-Flash。

アーキテクチャ

MoEで総パラメータ数は284B、トークンごとに13Bがアクティブになります。各層に128のエキスパートがあり、top-8ルーティングを使用します。Base版とInstruct版が利用可能です。

Proから受け継いだ技術革新

CSA+HCAアテンション、mHC、Muonオプティマイザ、FP4+FP8混合精度学習。

コンテキスト

ネイティブで1,000,000トークンに対応（Proと同じ）。

思考モード

3段階：Non / High / Max — プロンプトで切り替え可能

ライセンス

Proと同じMITライセンスです。商用利用の制限も、地域による制限もありません。

#1. なぜこれが大きな出来事なのか

2026年4月24日以前、フロンティアモデルをローカルで実行するには、8万ユーロ以上のGPUクラスタを用意するか、70Bモデルの低い品質を受け入れる必要がありました。DeepSeek V4 Flashはこの状況を変えます。Q4で170 GBのモデルが、中古なら4,000〜8,000ユーロの構成に収まります。

Mac Studio M3 Ultra 256GB

2026年9月まではカタログ価格が7,299ユーロでしたが、現在は中古品のみです（Apple では256 GBの M5 Ultra が後継となっています）。モデル170 GB＋コンテキスト30 GBでも、メモリに余裕を持って収まります。Q4では約10〜12トークン/秒です。

2× RTX 5090 32 GB（64 GB VRAM）

約11,400ユーロ。容量不足で、約110 GB足りません。CPU オフロードを使えば実行できますが、低速です（3〜5トークン/秒）。

4× RTX A6000 48 GB (192 GB VRAM)

中古で約12,000ユーロ。余裕を持ってメモリに収まり、約18〜25トークン/秒。

ワークステーション 2× Mac Studio Max 64 GB

単体では不十分です。llama.cpp RPC swarmと4台のMac Studioを組み合わせれば可能で、約5トークン/秒です。

#2. アーキテクチャ（V4の効率重視の派生版）

V4 Flash は V4 Pro の比例縮小版です：約 5.7 倍少ない専門家、約 3.8 倍少ないアクティブパラメータを持ちながらも、CSA+HCA + Muon + FP4/FP8 という構造がそのまま保持されています。この一貫性が、V4 Flash が Pro の品質を継承しつつも、コストを大きく削減できるようにしています。

層ごとのエキスパート

128（Pro は 256）です。トップ8ルーティングは同じです。

アクティブなパラメータ

13B（Proは49B）。総パラメータ数が同等の場合、推論速度は約3.8倍。

レイヤー

61層（Pro：76層）。推論の深さを保つため、層数の削減は控えめです。

アテンションヘッド

Proと同じです（CSA+HCAの設定も同一）。長いコンテキストでの品質を保つため、アテンションは削減していません。

事前学習

「効率的な推論」を目指す：18Tトークン（Proは32T）。数学とコード向けに最適化したデータの組み合わせを使用。

#3. 量子化ごとのハードウェア

#4. Mac Studio Ultra 256/512 GBの設定

# 1. Relever la mémoire GPU allouable
sudo sysctl iogpu.wired_limit_mb=240640    # 256 Go : 235 Go GPU
# Ou pour Mac Studio 512 Go :
# sudo sysctl iogpu.wired_limit_mb=491520

# Persistant
echo "iogpu.wired_limit_mb=240640" | sudo tee -a /etc/sysctl.conf

# 2. llama.cpp avec Metal + Flash Attention
git clone https://github.com/ggerganov/llama.cpp && cd llama.cpp
make GGML_METAL=1 LLAMA_METAL_EMBED_LIBRARY=1

# 3. Téléchargement Q4_K_M (~170 Go split en chunks)
huggingface-cli download deepseek-ai/DeepSeek-V4-Flash-GGUF \
  --include "*Q4_K_M*.gguf" \
  --local-dir ./models

# 4. Lancement avec optimisations max
./build/bin/llama-server \
  -m ./models/DeepSeek-V4-Flash-Q4_K_M-00001-of-00004.gguf \
  -ngl 99 -fa \
  -ctk q8_0 -ctv q8_0 \
  -c 65536 \
  --host 0.0.0.0 --port 8080

#5. NVIDIAマルチGPU設定

#オプションA — vLLM 4× RTX A6000 (48 GB × 4 = 192 GB)

pip install vllm>=0.7

vllm serve deepseek-ai/DeepSeek-V4-Flash \
  --tensor-parallel-size 4 \
  --quantization fp8 \
  --max-model-len 1000000 \
  --enable-prefix-caching \
  --port 8000

#オプション B — llama.cpp による部分オフロード

./build/bin/llama-server \
  -m ./models/DeepSeek-V4-Flash-Q4_K_M-00001-of-00004.gguf \
  -ngl 50 \
  --tensor-split 0.5,0.5 \
  -ctk q8_0 -ctv q8_0 \
  -c 32768

#6. ベンチマークおよびトークン/秒の測定値

#7. Thinkingモードと長コンテキストモード

V4 Flash は V4 Pro の3つの思考モードを継承しており、品質はやや劣りますが、推論コストは大幅に低くなっています。インフラを独占せずに推論する必要があるエージェントに適した選択です。

非モード

直接回答します。レイテンシは非常に低く、ストリーミング開始まで約1秒です。対話型チャットや翻訳向けです。

Highモード

回答前に200～2000トークンの思考連鎖（chain-of-thought）。数学・コードの品質が25％向上。最終回答の最初のトークンが出るまでの遅延は5～15秒。

Maxモード

思考トークン数は最大16k。ローカルでの待ち時間は1〜5分。難しい問題（数学の証明、複雑なデバッグ）に限って使用してください。

1Mの長いコンテキスト

HCAによりV4 Proと同等の能力を実現。Needle-in-Haystack 1Mは約95％（Proは98％）です。大規模なデータベースを使うRAGに非常によく適しています。

#V4 Flash と V4 Pro：どちらを選ぶか

#2026年7月31日に正式発表（ビルド0731）

DeepSeekは2026年7月末にV4-Flashのプレビューをビルド「0731」とともに公開しました。APIはパブリックベータ版です。また、V4-Proの初期価格は75%低下し、出力トークン100万あたり0.87ドルになりました。Artificial AnalysisはV4ファミリーを「オープンウェイトのリーダーの一人」と位置づけています。重みの面では変化はありません。総パラメータ数284B、アクティブ13Bであり、依然としてハイエンドローカル環境（Mac 256 GB、Strix Halo、マルチGPU）でアグレッシブな量子化により半ば実用的に動作する唯一のV4バリアントです。

8月2日から、LM Studioでもこれを利用できるようになりました。マシンの性能が足りればローカルで、またはBionicアプリを通じて米国のサーバー上で利用できます。後者では「Zero Data Retention」がデフォルトです。このサイトの方針はあくまで100％ローカルですが、このトレードオフは知っておく必要があります。

#FAQ

価格は変動が激しいため、当サイトでは毎週月曜日と木曜日に、ローカルAI向けグラフィックカードの最低価格とVRAM 1 GBあたりの価格を確認しています。

• ローカル AI 向けグラフィックカードの価格（週2回更新）