結論速覧
DeepSeek はこれらが V4 であると公式に確認したわけではない。手元にあるのは、件数は多いものの一致性に疑問が残る疑似的なグレーテスト（段階的ロールアウト）出力──2026 年 7 月 7–19 日の期間に 53 人のクリエイターが投稿した 121 本の Bilibili 動画、40 件の OpenCode 共有セッション、少数のダウンロード可能なプロジェクトだ。パターンを読み取るには十分な量だが、モデル ID を確定し制御されたベンチマークを回すには足りない。
この前提で読めば結論は明確だ。Kimi K3、GPT-5.6、Fable 5.0 がそれぞれ最も得意な領域では V4 は一歩譲る。だがその差はすでに小さく、日常プログラミングの大半においては、コスト重視の開発者が V4 をデフォルトにし、コードレビューや厄介なバグ、多ターン長期タスクの最後の 10% のためにライトな上位プランを一つ残しておく、という判断が完全に成立する。
より早い波のスクリーンショットとチャットリンクは、DeepSeek V4 グレーテスト証拠まとめ を参照。
完全なソース一覧 決定的証拠
本記事の全結論の一次証拠──オープンソースリポジトリ YunhaoFu/dsv4ga-news-gather のミラー。展開すると UP主・日付・キーワードで検索できる。タイトルは Bilibili に直接リンクしている。
クリックして全 136 件のレコードを展開
ヒント：タイトルがそのまま Bilibili リンク。緑 = 共有セッション、オレンジ = プロジェクトダウンロード。UP主にマウスホバーでフルネーム表示。
121 本のテストが示していること
データはオープンソースプロジェクト dsv4ga-news-gather から取得した。このプロジェクトは Bilibili の公開動画をインデックスし、タイトル・クリエイター・タイムスタンプ・概要・コメント・共有セッション・ダウンロードリンクを保持する。7 月 19 日時点のスナップショットはおおよそ次のとおり。
毎日の投稿量
7 月 15 日以前は散発的な流出、その後集中爆発し、7 月 18 日にピークを迎えた。
クリエイター Top 10
上位 10 名のうち、多数のセッションを公開しているのは kdzzzds と Delight-linger のみ。緑 = 共有セッション 5 件以上、オレンジ = 1–4 件、青 = なし。
実際に何がテストされているか
タイトル分類で計 136 件。ゲームが圧倒的多数──本番級バックエンド、セキュリティ、長期間プロジェクトはほぼ現れない。
二つのバイアスが、どの単一の数字よりも重要だ。セレクションバイアス：大半は「願い事プログラミング」──ブラウザゲーム、3D シーン、SVG アニメーション、物理おもちゃ、音楽ツールだ。したがってこのデータはラピッドプロトタイピングとフロントエンド生成については強力な証拠になるが、本番級バックエンド、セキュリティ、巨大リポジトリの保守、数ヶ月単位のプロジェクトについてはほとんど説得力を持たない。透明性バイアス：上位 10 名のクリエイターのうちプロンプトやセッションログを公開しているのは 3 名のみ。動画タイトルの「正式版」は基本的に再生数稼ぎであり、UP主自身もグレーテスト対象に入ったかどうかは疑似的なものだ。本稿では一貫して疑似的な V4 グレーテスト版と表記する。
V4 が得意そうなこと
一言アプリが本当に動くようになった、見せるだけではない
最も顕著なパターンは、短い仕様から完全な実装を生成する能力だ。セットには voxel ワールド、シューティング、リズムゲーム、サバイバル、three.js シーン、音楽ジェネレーター、エンジニアリング可視化が含まれる。代表的な GTA 風 SVG デモ は、説明によればメイン生成 1 回＋バグ修正 1 回で作られ、共有セッションが添付されている。これは「一言でゲームを納品できる」ではなく、「モデルが自らアーキテクチャを選び、アイデアを示すのに十分なサブシステムを繋ぎ合わせ、空っぽのモックアップに退行しない」ことを意味する。
3D・SVG・軽量シミュレーションコードが強化された
three.js シーン、カスタム SVG アセット、ゲーム物理、インタラクティブなシミュレーションが繰り返し現れる。気液 CFD 風ウェブページ は、液体に PBF、気体に LBM を使い、2 往復の対話で作られたという。クリエイター自身も空気力学は不正確で修正が必要と指摘している──まさにこれが「驚くプロトタイプ」と「信頼できるエンジニアリングツール」の境界線だ。
価格こそが本当のヘッドラインかもしれない
コミュニティの比較では、V4 と Kimi K3 は実プロジェクトでほぼ互角と繰り返し評されている。最終的な API が DeepSeek の従来の価格優位性を維持すれば、「インフラ価格でフロンティアに近い能力を提供する」ことは、どんな直接対決のデモに勝つよりも重要だ。AI API 価格比較 を参照。
V4 がまだ苦戦する領域
- センスと仕上げ。フロントエンドの構成と長文テキストでは、コミュニティはしばしば Kimi K3 を好む。V4 のビジュアルは驚くべきものになるが、品質はプロンプト設計によって大きくブレる。
- 指示の境界。あるデモでは、モデルにコメント削除を依頼したところ、ついでにゲームのバグも修正した。この自主性はおもちゃの中では魔法だが、実際のリポジトリではレビュー上のリスクになる。差分はすべて見ること──「動く」を「合格」と混同しない。
- 多ターンの信頼性。セッションはまだクラッシュし、脱線し、多ターンの末にアーキテクチャ負債を蓄積する。1 回目が強くても 20 回目が強いとは限らない。
- 物理の正確性。それっぽく見える流体や重力シミュレーションが、有効な CFD や力学とは限らない。見た目が正しい ≠ 数値が正しい。
- 再現性。グレールーティングは不安定に見える。ユーザーによって異なるモデル、ティア、サンプリング挙動にヒットした可能性がある。
- 証拠の品質。多くの動画は完全なプロンプト、モデル ID、失敗回数、トークン使用量、手動編集を提示していない。
正直な表現は「高い上限を持つプロトタイプジェネレーターであり、同時に本物のプログラミング能力を備えている」──「レビューが不要なシニアエンジニア」ではない。
V4 vs Kimi K3 vs GPT-5.6 vs Fable 5.0
ここに制御された 4 モデルベンチマークはない。下表はグレー証拠とユーザーフィードバックに基づくワークフロー志向のまとめであり、ランキングではない。
| モデル | 想定される強み | V4 の位置 | 最適な役割 |
|---|---|---|---|
| DeepSeek V4 | コスト、幅広い実装、高速プロトタイプ | ベースライン | 日常のデフォルトプログラミングと初回実装 |
| Kimi K3 | フロントエンドの仕上げ、プレゼン、文章 | V4 は仕上げでやや劣るが機能面ではしばしば互角 | UI 最適化、プロダクトコピー、ビジュアルの洗練 |
| GPT-5.6 | レビューの一貫性、ツールエコシステム、ファイル横断推論 | 通常業務では V4 がより安い代替、全体勝利の証拠は不十分 | コードレビュー、検証、厄介なバグ |
| Fable 5.0 | 長期間の実装、多ターン復帰 | 選別されたデモでは V4 は近く見えるが、エッジでの安定性は弱い | 最も難しい部分のアップグレードモデル |
V4 vs Kimi K3：最も信頼できる直接素材は、互角の戦いを示している。フロントエンドと文章では K3 がより良く見える。V4 はコストパフォーマンスが高く、実装力で対抗できる。ある比較動画は数万再生に達したが、プロンプトと採点は標準化されていない。
V4 vs GPT-5.6：断続的なコメントが、一部のウェブプロジェクトでは互いに一進一退あると主張している。これらはテストのインスピレーションであってベンチマーク結果ではない。本当に有用な問いは別だ──V4 はより低コストで、あなたのリポジトリのテストスイートを通せるか。
V4 vs Fable 5.0：驚くゲームデモが比較を魅力的にするが、このデータセットは V4 が大規模コードベース、セキュリティレビュー、長時間の自動実行で互角に戦えると証明するには不十分だ。再現可能なテストが別の結論を出すまでは、Fable 5.0 をアップグレードオプションとして扱うこと。
実践的な推奨
最も安く、かつ裏目に出ない構成：
- V4 に最初の 80–90% を任せる。計画、スキャフォールド、実装、テスト、ドキュメント、通常のバグ修正。
- ローカルで検証。Lint、型チェック、単体テストと結合テスト、加えて手動の差分レビュー。妥協不可。
- 証拠を持ってエスカレート。行き詰まったら、差分・失敗したテスト・具体的な問題を Kimi K3、GPT-5.6、Fable 5.0 に渡す──同じ曖昧なプロンプトをもう一度送り直さない。
- フルプラン複数ではなく、ライトな上位プラン一つ。それをレビューアーとレスキューモデルとして扱い、デフォルトのトークン消費者にはしない。
この構成が効くのは、2 つ目のモデルに証拠（差分、ログ、失敗テスト）を渡したときだけだ。同じ曖昧な問いを 2 つのモデルに投げるのは、通常コストを倍にするだけで信頼性は上がらない。
正式リリース時に検証すべきこと
正式版は発表会のデモではなく、再現性で評価すべきだ。以下を確認すること：
- 正確な API モデル ID、および web・アプリ・API が同じティアを使っているか；
- コンテキストウィンドウ、出力上限、ツール呼び出しと構造化出力のサポート；
- 入力・キャッシュ入力・出力のトークン単価；
- レート制限、ピーク時のルーティング、「Pro/Flash/Max」ティアで挙動が違うか；
- リポジトリ規模の編集、テスト補完、指示追従；
- 同じプロンプトでグレー品質を再現できる確率；
- ライセンス、データ保持、デプロイメントオプション。
DeepSeek が正式なモデルカード・API ドキュメント・価格を公開した時点で本稿を更新する。それまでは、最終モデルに関するいかなる主張も暫定的なものとして扱うこと。
よくある質問
正式版は今すぐ使えるか？
このデータセットが記録しているのは疑似的なグレールーティングであり、確認されたリリースではない。動画タイトルに「正式版」と書かれていても、DeepSeek の公式確認を意味しない。
V4 のプログラミング能力は実際どうか？
証拠は、高速なウェブプロトタイプ、ゲーム、SVG、three.js、反復によるバグ修正で最も強く、本番級バックエンド、セキュリティ上重要なコード、長時間の自動タスクで最も弱い。
V4 は Kimi K3 より強いか？
全タスクで強いわけではない。V4 は互角に見え、コストパフォーマンスで勝る可能性がある。Kimi K3 はフロントエンドの仕上げと文章でしばしば優位に立つ。同じプロンプト・ランタイム・受け入れテストで判断すること。
上位プログラミングプランは解約すべきか？
多くの人にとって、すべて解約するよりライトな上位プラン 1 つに絞る方が合理的だ。V4 に量を担わせ、レビューとエスカレーション用に独立したモデルを一つ残す。
元のグレーテストはどこで見られるか？
121 動画の GitHub インデックス から。代表的な事例：V4 と Kimi K3 の網羅テスト、3D 物理比較、8192 ブロック MC テスト、自発的バグ修正の事例。