2種類のデータ：DeepSeek 公式発表スコア；サードパーティ（Z.ai 公式ブログ 2026-08-14）によるクロス比較。いずれも MIT オープンウェイトから再現可能。
| 評価 | モデル | 成績 | 備考 |
|---|---|---|---|
| DeepSWE v1.1（Pass@1） | V4.1-Flash-1017 | 77.0% | タスクあたり平均約 $0.20；低ティア 72%+ @ $0.10；前世代 V4.1-Flash は 74.2% @ $0.50 |
| SWE-Bench Verified | V4-Pro | 80.6% | 実リポジトリレベルの問題修正 |
| LiveCodeBench | V4-Pro | 93.5% | リアルタイム競技プログラミング |
| Terminal-Bench 2.0 | V4-Pro | 67.9% | ターミナルエージェント |
| Codeforces | V4-Pro | 3,206 | 競技プログラミング Rating |
| Putnam-200（Pass@8） | V4-Flash | 81.0% | 数学コンテスト |
| SWE-Bench Verified | V4-Flash | 79.0% | フラッグシップとの差は 1.6pt、価格は約 1/4 |
出典：DeepSeek 公式リリースページおよび API ドキュメント（V4 プレビュー 2026-04-24、V4.1-Flash 2026-09-10、1017 2026-10-17）。
GLM-5.3 のリリース時に公式が公開した比較スコア。DeepSeek-V4-Pro の列はハイライト表示。同時期の GPT-5.6 Sol が比較対象の中で最強であり、V4-Pro はオープンソース陣営で第一グループの地位を維持している。
| Benchmark | GLM-5.3 | Kimi K3 | DeepSeek-V4-Pro | Opus 4.8 | GPT-5.6 Sol |
|---|---|---|---|---|---|
| Terminal-Bench 2.1 | 88.2 | 88.3 | 87.9 | 85.0 | 88.8 |
| DeepSWE v1.1 | 66.9 | 67.5 | 62.7 | 58.0 | 72.7 |
| NL2Repo | 58.0 | 58.0 | 61.1 | 69.7 | — |
| CyberGym | 84.5 | 80.0 | 83.3 | 78.1 | 83.6 |
| Toolathlon Verified | 73.0 | 76.5 | 74.1 | 76.2 | 74.9 |
| AutomationBench v1.0.6 | 48.2 | 46.7 | 43.2 | 41.0 | 45.8 |
| ALE-CLI | 28.5 | 27.6 | 25.7 | 25.7 | 28.6 |
| HLE w/ Tools | 62.5 | 59.8 | 60.0 | 57.9 | 64.5 |
| GDPval-AA v2 | 1769 | 1682 | 1590 | 1588 | 1730 |
データ出典：Z.ai 公式ブログ（2026-08-14）。未評価の項目は — で表示。価格比較：V4-Pro オフピーク $0.66/$1.98、V4-Flash $0.14/$0.28（100万 tokens あたり）。
1M token 負荷時の総計算コストは V3.2 の約 27%——ハイブリッドアテンション（CSA+HCA）による直接的な効果です。
KV キャッシュの占有量は V3.2 の約 10% に抑えられ、長いコンテキストを同時に処理する際の VRAM コストが大幅に削減されます。
V4.1-Flash 系のキャッシュヒット入力は $0.003/百万 tokens まで低く、同一コーパスを繰り返し検索するパイプラインのコストはほぼゼロに近づきます。
大模型网摘