DeepSeek をローカルで実行するか API を使うか？ハードウェア、速度、コスト

おそらく無理です。128 GB の RAM か Mac Studio クラスのマシンを所有しているか、すべてのトークンを自分のディスクに置いておく理由がある場合を除いて。DeepSeek V4-Flash のファイルだけで約 100 GB あり、あるコミュニティガイドによれば高価なハードウェアでも毎秒約 6〜10 トークンです。ほとんどのアプリやエージェントループでは、OpenAI クライアントをホスト型 API に向けるのが近道です。base_url とキーを変更するだけで、コードの他の部分は何も変わりません。

以下では、自分のマシンを 5 分で確認する方法、期待できる速度、実際のワークロードを API 経由で実行した場合のコストを説明します。

DeepSeek はメモリに収まるか？#

ここでのサイズは、DeepSeek をローカルで実行するためのコミュニティガイド（GitHub の deepseek-local-guide-ru、18 部構成、CC BY 4.0、2026 年 10 月 22 日閲覧）に基づいています。これは非公式であり、DeepSeek とは提携していません。ガイド自体のページ間でもサイズが完全には一致していないため、100 GB のダウンロードを開始する前に Hugging Face のモデルカードでファイルサイズを確認してください。

ガイドによると、DeepSeek V4-Flash-0731 は 284B パラメータで、そのうちトークンあたり 13B がアクティブです。ファイルは次のとおりです。

モデル全体をビデオメモリに置く必要はありません。llama.cpp はエキスパート層をシステム RAM に保持できますが、ガイドの経験則は率直です。24 GB の GPU には 128 GB の RAM が必要です。

24 GB の GPU と 64 GB の RAM を搭載した高性能ゲーミング PC があるとします。両方を足して最小のファイルと比較してください。

24 + 64 = 88 GB、Q3 ファイルは 103 GB です。

収まりませんし、OS 自体もメモリを必要とします。24 GB の VRAM と 128 GB の RAM があれば 152 GB となり、103 GB のファイルは余裕を持って収まります。

新しい DeepSeek-V4.1-Flash-1017 はさらに大きく、同じガイドによれば約 552B パラメータに加えて 196B の Engram があり、FP8 で約 510 GB、2 ビットで約 167 GB です。サポートももう一つの問題です。ガイド時点（2026 年 10 月 22 日確認）では、deepseek_v41 アーキテクチャがサポートされていないため Ollama では動作せず、llama.cpp と LM Studio のサポートもメインブランチにはありません。これは急速に変わるため、計画を立てる前に使用するエンジンのリリースノートを確認してください。

速度はどれくらいか？#

ガイドには 2 つの測定値があり、どちらも重い量子化でのコミュニティの数値なので、ベンチマークではなく桁感として読んでください。

• 128 GB の DGX Spark、IQ2 の V4-Flash：毎秒約 6〜7 トークン。
• 256 GB の Mac Studio M3 Ultra、MLX 2 ビットの V4.1-Flash：毎秒約 9.5 トークン。

ガイドには RTX 4090 や 5090 の数値はありません。

これはどのくらいの感覚でしょうか？1,000 トークンの回答はおよそ 1 ページ半のテキストです。

1,000 ÷ 9.5 = 105.3 秒

1,000 ÷ 6 = 166.7 秒

ストリーミングしながら読むチャットなら、遅いですが使えます。タスクごとに何十回も呼び出すエージェントなら、すぐに積み上がります。ループが 1 日に 2,000,000 出力トークンを生成し、マシンが休みなく実際に毎秒 9.5 トークンを生成するとします。

2,000,000 ÷ 9.5 = 210,526 秒

210,526 ÷ 3,600 = 58.5 時間

1 日分の作業に対して 1 日以上の生成時間です。実際のサーバーは複数のリクエストをまとめてバッチ処理するので、チームにとってはそれほど厳しい話ではありませんが、製品を作る代わりにエンジンをチューニングすることになります。

同じワークロードを API 経由で実行した場合のコスト#

例を具体的にしましょう。エージェントループが 1 日に 1,000 万入力トークンを送信し、200 万出力トークンを受け取ると仮定します。これらは仮定の数値なので、使用ログから自分の数値に置き換えてください。

DeepSeek 自身の料金ページ（2026 年 10 月 22 日、ページ自体に日付表示なし）には、DeepSeek-V4.1-Flash-1017 が提供する deepseek-flash が 1M トークンあたり、オフピーク / ピークで次の価格で記載されています。キャッシュミスの入力 $0.15 / $0.30、出力 $0.60 / $1.20。ピーク時間は UTC の月曜から金曜の 01:00〜04:00 と 06:00〜10:00（中国の祝日を除く）で、オフピークはピークの半額です。キャッシュヒットの入力ははるかに安い（$0.003 / $0.006）ため、同じ長いプレフィックスを再送するループはここに示す数値より低くなります。

仮定のワークロードで、キャッシュミスの場合：

オフピーク：10 × $0.15 + 2 × $0.60 = 1 日あたり $2.70

ピーク：10 × $0.30 + 2 × $1.20 = 1 日あたり $5.40

CheapTokens では、同種のエージェントループに対して MiniMax-M2.7（minimax-m2.7）を選べます。時間帯を問わず固定価格で、ピーク時間帯はなく、回答あたり最大 8,192 出力トークン、180K コンテキスト、すべてのモデルで 1 つの残高です。同じ 1,000 万入力と 200 万出力トークンで 1 日あたり $0.80 です。全体として、入力と出力を合計すると OpenRouter より安くなります。まさにこのワークロードのライブ表は次のとおりです。

この表は表示されるたびに現在の価格リストを読み込むため、価格が変わっても正しいままです。完全な価格リストは CheapTokens の料金ページ にあり、2026 年の DeepSeek API 料金 ではキャッシュヒットとピーク時間が請求額をどう変えるかを説明しています。

自前のハードウェアはいつ元が取れるか？#

ローカルトークンはリクエストごとのコストはかかりませんが、マシンには費用がかかります。確認する簡単な方法は次のとおりです。

payback days = hardware price ÷ (daily API bill − daily electricity)

ハードウェアの価格は変動が大きすぎるためここでは示しません。見積もられた価格を入れてください。感覚をつかむために、上記の DeepSeek 料金ページのオフピーク請求額を使います。ハードウェアの $1,000 ごとに、電気代と自分の時間を除いて、API 請求の何日分で元が取れるか：

1,000 ÷ 2.70 = 370.4 日

そして、これはマシンがそもそもこの量を処理できると仮定した場合です。毎秒 9.5 トークンでは処理できません（上記の速度セクションを参照）。したがって、エージェントのワークロードでは元が取れません。ローカルがより理にかなうのは次の場合です。

• データがネットワーク外に出てはならず、それが請求額より重要な場合。
• すでにマシンを所有していて負荷が軽い場合。たとえば個人ツールで 1 日に数百リクエスト程度。
• 重み自体を試したい場合。量子化、ファインチューニング、好みのエンジンなど。

API がより理にかなうのは、ワークロードがエージェントやサービスである場合、数秒で回答が必要な場合、またはハードウェアが上記のメモリサイズを下回る場合です。マシンが最も軽い DeepSeek ファイルにも小さすぎる場合、MiniMax-M2.7（180K コンテキスト、回答あたり最大 8,192 出力トークン、全体として OpenRouter より安い）は同じクライアント経由で試せるモデルです。

ローカルからホスト型 API への移行#

趣味のプロジェクトは Ollama で始まり、その後大きくなりすぎることがよくあります。良い知らせは、ローカルエンジンが OpenAI プロトコルを話すことです。Ollama の互換性ページ（docs.ollama.com、2026 年 10 月 22 日確認）にはエンドポイント http://localhost:11434/v1/ が示されています。クライアントは何らかの api_key 値を必要としますが、Ollama はそれを無視します。ストリーミング、JSON モード、ツールは動作します。logprobs は動作しません。

したがって、切り替えは 2 行とモデル名だけです。

import os
from openai import OpenAI

# Local Ollama: the key is required by the client but ignored by the server
# client = OpenAI(base_url="http://localhost:11434/v1/", api_key="ollama")

client = OpenAI(
    base_url="https://api.cheaptokens.dev/v1",
    api_key=os.environ["CHEAPTOKENS_API_KEY"],
)

reply = client.chat.completions.create(
    model="MiniMaxAI/MiniMax-M2.7",  # take the exact id from the CheapTokens docs
    messages=[{"role": "user", "content": "Summarize this ticket in one sentence: ..."}],
    max_tokens=200,
)
print(reply.choices[0].message.content)
print(reply.usage)

動作すると、1 文の要約と、プロンプトと完了のトークン数を含む usage オブジェクトが表示されます。これは請求額の基になるのと同じ数値です。CheapTokens API は Anthropic Messages 形式も受け付け、ドキュメント では最初のリクエストを段階的に示しています。base_url が初めてなら、OpenAI 互換 API：base_url とは何か が 2 分でわかります。

動作しない場合#

• localhost:11434 での Connection refused：Ollama が実行されていないか、まだローカルアドレスを指しています。
• 401：キーが欠落しているか、スペース付きでコピーされています。例のように環境変数から読み取ってください。
• 404 または不明なモデル：モデル ID が一致していません。ローカル名とホスト名は異なるため、ドキュメントから ID をコピーしてください。

どちらを選ぶか#

128 GB 以上を所有していて興味があるなら、自宅で重みを実行して制御を楽しんでください。1 日に数百万トークンを消費するエージェントや、ユーザーが回答を待つサービスを構築するなら、API を使ってローカル環境は実験用に取っておいてください。コードはどちらでも同じなので、一方で始めてもう一方に後で移行できます。セルフホスティングについては DeepInfer がセルフホスティングに何をもたらすか を、API 経由で DeepSeek を試すには CheapTokens の DeepSeek モデル をご覧ください。