DeepSeek V4.1 Flash発表、KVキャッシュを437分の1へ圧縮しVRAM消費を格段に削減

何が発表されたのか

DeepSeekは、最新の言語モデル「DeepSeek-V4.1-Flash」および技術論文「DeepSeek V4.1 Flash: Pushing the Limits of KV Cache Compression」を公式に発表しました。本モデルは研究段階にとどまらず、すでにオープンモデルとして公開されており、論文とあわせて技術詳細が確認できます。

本モデルの位置づけは、既存の「DeepSeek V4-Flash」および大規模モデル「DeepSeek 4.0 Pro」の系統を継承・進化させた後継モデルです。総パラメータ数が5000億（500B）を超える極めて巨大な規模でありながら、推論時にネックとなるKVキャッシュ（Key-Value Cache）のメモリ容量を画期的に小さく抑えることに成功しました。従来の大規模モデルでは高価なマルチGPU環境が必要でしたが、推論コストを大幅に引き下げる実用的な選択肢となります。

発表された機能・アップデートの全容

1. 独自アーキテクチャ「CSA2」による層間メモリ共有

従来のアテンション機構を持つTransformerモデルでは、ニューラルネットワークの各層（レイヤー）が独立したKVメモリ領域を保持していました。例えば40層あるモデルでは、40個分のKVキャッシュ領域が必要となり、長いコンテキストを処理する際に多大なVRAM（ビデオメモリ）を消費します。DeepSeek-V4.1-Flashでは「CSA2（Context Sharing Architecture）」と呼ばれる技術を導入しました。

この構成により、複数の層にわたってグローバルな共通KVメモリ領域（shared global KV）を共有できます。結果として、1トークンあたりのグローバルKVキャッシュ消費量はわずか890バイトにまで縮小しました。これは初期モデルである「DeepSeek-V1」の389,120バイトと比較して約437分の1、前世代の「DeepSeek-V4-Flash」の3,514バイトと比較しても約4分の1という圧縮率を達成しています。

2. コード生成による高度な3Dコンテンツおよびゲーム構築

動画内のデモでは、DeepSeek-V4.1-Flashが極めて高速かつ正確にプログラムコードを出力する挙動が示されています。プロンプトの入力からリアルタイムでコードが生成され、複雑なインタラクティブコンテンツが構築されました。

具体的には、Three.jsおよびWebGLを用いた「3Dドラムブレーキの分解・動作シミュレーション」の完全なコード生成が実演されました。機械部品の内部構造やバネの挙動が正確に描写されています。また、ドット絵風の浮遊島（Minecraft形式）や、シューティングゲーム、スノーボードの3Dゲーム画面、パーティクル物理シミュレータ「FIELD LAB」など、Webブラウザ上で直接動作するインタラクティブなプログラムを一発で出力する能力が確認できます。

3. 高度な画像理解（Vision）機能によるUI再現

DeepSeek-V4.1-Flashは、テキスト処理能力だけでなくネイティブな画像理解能力（Visual Understanding）を備えています。動画内では、クラシックゲーム「Warcraft III」のメインメニュー画面のスクリーンショットを直接モデルへ入力する実験が行われました。

モデルは画像からUIのレイアウト、メニュー項目の配置、グラフィックの配色、ボタンの立体感を詳細に読み取りました。その情報をもとに、全く同じ見た目と動作を持つゲームメニューのUIコードを再構築することに成功しています。デザイン画や既存アプリケーションのキャプチャ画像から、直接動作可能なフロントエンドコードを生成する実効性が証明されました。

4. 物理シミュレーションのコード化とレンダリング表現

流体や粘性体の物理シミュレーションコードを出力する評価では、論文に掲載された挙動の再現テストが行われました。液体が垂れ落ちて渦を巻く「ハニーコイリング現象」をコード化して描画させる実験です。

比較対象として提示された他社モデルとの比較において、描画精度に違いが現れました。「GPT-6 Astra」は完璧な質感と物理挙動を再現し、「Claude Opus 5.1」も高いレベルの物理計算を実現しています。一方のDeepSeek-V4.1-Flashが生成したシミュレーションは、粘性体の形状表現に若干の粗さが残り、物性の精密な再現においては既存の超大型有料モデルに一歩譲る結果となりました。ただし、計算コストの差を考慮すると十分に実用範囲内といえます。

5. 多量の思考トークン消費を伴う推論プロセスの最適化

DeepSeek-V4.1-Flashの運用上の特徴として、内部で長時間の思考（Reasoning）を行う点が挙げられます。ユーザーからの複雑な問いかけに対して、思考プロセスを巡らせるため、出力・処理されるトークン数が急激に増大する傾向があります。

動画内の実証実験では、タスク実行中に処理されたトークン数が1億トークン（101,257,961トークン）を超過するシーンが記録されています。トークン消費量は膨大になりますが、APIの単価設定が極めて低く抑えられているため、1億トークンを消費した際の実際の課金金額は約1.48米ドルにとどまりました。効率的な並列処理技術「DSpark」と組み合わせることで、大量のトークンを消費しても費用が膨らまない設計になっています。