DeepSeek V4.1-Flash-1017（ディープシーク・ブイヨンテンイチ・フラッシュ・イチゼロイチセブン）は、DeepSeekが2026年10月17日に発表した大規模言語モデルの更新版で、推論・コーディング・エージェント作業を強化しながらタスク実行時間と出力長を短縮したモデルです。このモデルを、Unsloth（アンスロス）が1-bit量子化によって128GB以上のRAMを積んだ手元の端末で動かせるようにした——というのが今回の発表の核心です。
室谷代表取締役DeepSeek V4.1-Flash-1017は、DeepSeekが2026年10月17日に発表したモデルで、推論・コーディング・エージェント系のベンチマークを伸ばしつつ、タスクの実行時間と出力長を短くした更新版なんですよね。それが今回、Unslothの1-bit量子化で250GBまで縮んで、128GB RAMの端末で動くようになった、と。
これは単なる量子化の話じゃなくて、これまで手が出なかった規模のモデルが「自分のマシンで動く」線に落ちてきたという話です。
これは単なる量子化の話じゃなくて、これまで手が出なかった規模のモデルが「自分のマシンで動く」線に落ちてきたという話です。
テキトー教師DotAI 認定講師そうなんですよ。しかも今回の発表はUnsloth側の取り組みで、モデル本体を開発したのはDeepSeekです。
ここは整理しておきたいところで、DeepSeekがモデルとAPIを提供し、Unslothがそのオープンウェイトをローカル向けのGGUFに変換して公開した、という役割分担になっています。講座でも「誰が作ったモデルで、誰が何をした発表か」を分けて読むように伝えているんですけど、まさにその典型例ですね。
ここは整理しておきたいところで、DeepSeekがモデルとAPIを提供し、Unslothがそのオープンウェイトをローカル向けのGGUFに変換して公開した、という役割分担になっています。講座でも「誰が作ったモデルで、誰が何をした発表か」を分けて読むように伝えているんですけど、まさにその典型例ですね。
DeepSeek-V4.1-Flash-1017とは？何が発表されたのか
まとめ
DeepSeek-V4.1-Flash-1017の発表内容
- DeepSeek-V4.1-Flash(2026年9月10日リリース)に対するマイナーアップデート
- 公式モデルカードでは推論・コーディング・エージェント・視覚系ベンチマークが大幅改善
- チェンジログは「性能とコストのパレート改善」。ベンチマーク向上とタスク実行時間・出力長の短縮を両立
- API呼び出し方法と料金は据え置き。モデル名はdeepseek-flashのまま最新版に切り替わる
- Unslothがローカル実行用GGUFを公開。1-bit量子化で精度約88.2%を維持しつつ508GB→250GBへ52%削減
- 128GB以上のRAM搭載端末で動作するという主張。Hugging FaceリポジトリはMITライセンスで公開
- Unslothは「コーディングやエージェント作業で現時点最強のオープンモデル」と評価
室谷代表取締役まず前提として、DeepSeek-V4.1-Flash-1017は2026年9月10日リリースのDeepSeek-V4.1-Flashに対するマイナーアップデートという位置づけです。ただ中身はかなり濃くて、公式のモデルカードでは推論・コーディング・エージェント・視覚系のベンチマークで大幅な改善があったと説明されています。
テキトー教師DotAI 認定講師公式のチェンジログでも「性能とコストのパレート改善」と書かれていて、ベンチマークを上げながらタスク実行時間と出力長を短くした、と。つまり速くて安くなった方向の改善なんですよ。
APIの呼び出し方法と料金は据え置きで、モデル名はdeepseek-flashのまま最新版に切り替わる、という案内になっています。
APIの呼び出し方法と料金は据え置きで、モデル名はdeepseek-flashのまま最新版に切り替わる、という案内になっています。
室谷代表取締役で、今回Unslothが発表したのはそこじゃなくて、このモデルをローカルで動かすためのGGUFを用意したという話です。1-bit量子化で精度を約88.2%に保ちながら、サイズを508GBから250GBへ52%削減した、と。
128GB以上のRAMを積んだ端末で動く、というのが彼らの主張ですね。
128GB以上のRAMを積んだ端末で動く、というのが彼らの主張ですね。
テキトー教師DotAI 認定講師Unslothの公式ドキュメントでは、このモデルを「コーディングやエージェント作業において現時点で最強のオープンモデル」と位置づけています。これはUnsloth側の評価表現なので、そのまま受け取るとして、少なくともGGUFが公開されて手元で試せる状態になったのは事実です。
Hugging FaceのリポジトリはMITライセンスで公開されています。
Hugging FaceのリポジトリはMITライセンスで公開されています。
室谷代表取締役ライセンスがMITなのは大きいですよね。自前ホストして商用利用も検討できるわけで、API課金を避けたいとか、データを外に出したくないというニーズに直撃します。
MYUUUでも機密性の高い案件はローカルで回したいという相談が増えているので、この流れは追いかけています。
MYUUUでも機密性の高い案件はローカルで回したいという相談が増えているので、この流れは追いかけています。
DeepSeek-V4.1-Flash-1017はローカルでどこまで動く？必要スペックと量子化の種類
量子化ごとの必要メモリと対応端末
| 量子化 | 必要メモリ(RAM+VRAM/ユニファイド) | 対応端末の目安 |
|---|---|---|
| 1-bit | 128〜145GB | MacBook・DGX Spark・RTX Sparkなど128GB級 |
| 2-bit | 176〜205GB | — |
| 3-bit | 256〜290GB | Mac Studioなど256GB級(UD-IQ3_XXS) |
| 4-bit | 305GB | — |
| 8-bit | 315GB | — |
テキトー教師DotAI 認定講師ここが実務で一番気になるところです。まずモデルの構造を押さえると、552Bのバックボーンに196BのEngram（条件付きメモリ）を組み合わせた構成で、Hugging Face上では748Bパラメータと表示されています。
このEngramのn-gramテーブルが110.6〜202.8GBあって、これがサイズの大部分を占めるんですね。
このEngramのn-gramテーブルが110.6〜202.8GBあって、これがサイズの大部分を占めるんですね。
室谷代表取締役そこがミソで、EngramのテーブルはSSDに置いたまま必要な行だけ読み込めるんですよ。だからRAMやVRAMに全部載せなくていい。
この仕組みがあるから128GB級の端末に収まる、と。
この仕組みがあるから128GB級の端末に収まる、と。
テキトー教師DotAI 認定講師必要スペックを整理するとこうです。Unslothのドキュメントに記載の数値をまとめますね。
| 量子化 | 必要メモリ（RAM+VRAMまたはユニファイドメモリ） |
|---|---|
| 1-bit | 128〜145GB |
| 2-bit | 176〜205GB |
| 3-bit | 256〜290GB |
| 4-bit | 305GB |
| 8-bit | 315GB |
テキトー教師DotAI 認定講師これはEngramを除いた重みに対して概ね5〜10GB上乗せした見積もりで、実行時のコンテキストやランタイム次第でもっと必要になる場合がある、と注記されています。1-bitならMacBookやDGX Spark、RTX Sparkといった128GB RAM級の端末が射程に入り、3-bitのUD-IQ3_XXSならMac Studioのような256GB級が対象になります。
室谷代表取締役量子化の種類ごとにサイズと精度が細かく出ているのも親切ですよね。UD-IQ1_Sが233.0GB、UD-IQ1_Mが250.4GB、UD-IQ2_XXSが300.5GB、UD-Q2_K_XLが334.8GB、UD-IQ3_XXSが394.7GB、UD-IQ3_Sが423.6GB、UD-Q3_K_XLが485.1GB、UD-Q4_K_XLが500.7GB、UD-Q8_K_XLが508.4GBというラインナップです。
テキトー教師DotAI 認定講師注目は1-bitの中でもIQ1_SとIQ1_Mの差で、IQ1_MはIQ1_Sより17.4GB大きい代わりに、top-1一致率がwiki1100で4.3ポイント、long17kで3.1ポイント向上するんですよ。250GBという数字はこのIQ1_Mのことを指していて、精度を取るならこっち、ディスクを削るならIQ1_S、という選び方になります。
室谷代表取締役ちなみに「1-bit」と言っても全部の重みが1-bitなわけじゃなくて、DeepSeekのモデルはMXFP4やFP8、BF16が混在していて、Q4やQ8はMXFP4のエキスパートとEngramテーブルをそのまま保持する、と。ラベルは全テンソルの精度を表しているわけではないので、そこは誤解しないほうがいいですよね。
DeepSeek-V4.1-Flash-1017の使い方・始め方——GGUFとllama.cppで動かす手順
DeepSeek-V4.1-Flash-1017をGGUFとllama.cppで動かす手順
- 01Unsloth Desktopで導入（最も簡単）macOS/Windows/Linux対応。アプリを入れ、モデルハブでDeepSeek-V4.1-Flash-1017を検索し、unsloth/DeepSeek-V4.1-Flash-1017-GGUFを選んで使いたい量子化をダウンロード。オフロードやngram設定は自動でほぼ最適に選ばれる
- 02手動インストール（任意）インストールスクリプトを使用。macOS・Linux・WSLはcurl、WindowsはPowerShellのコマンドで導入
- 03GGUFを取得huggingface_hubのCLIで、使いたい量子化をincludeで指定してダウンロード。7つのシャードを同じフォルダに置き、最初のシャードを--modelで指定すれば残りは自動で読み込まれる
- 04llama.cppをビルドDS4.1に対応した特定のPR（pull/30817）を使用。GPUがなければ-DGGML_CUDA=OFFでCPU推論、MacのMetalはデフォルトで有効
- 05実行時の設定--load-mode mmapと--lazy-mode onを有効にし、EngramテーブルをSSDからオンデマンドに読む
- 06サンプリング設定temperature=1.0、top-p=1.0、top-kとmin-pは無効化。コンテキスト最大1,048,576トークン、最低256Kの出力トークンを確保
- 07reasoning_effortを指定1〜100の整数で思考の深さを指定。デフォルト75（high）。プリセットはlow=50、medium=62、high=75、max=100
- 08DSpark（投機的デコーディング）で高速化（任意）Q8_0で8GB、BF16で8.5GBのdrafterを別途用意し、バージョンをメインと揃える。デコードが約1.3〜1.5倍速くなる。Engramのn-gramルックアップとは別物
- 09Engramの精度を差し替え（任意）IQ4_NLの110.6GBからMXFP8の202.8GBまで選択可能。1-bitのIQ1_S使用時でもEngramだけMXFP8に交換するスクリプトが用意されている
室谷代表取締役じゃあ実際どうやるのか。一番簡単なのはUnsloth Desktopで、macOS、Windows、Linuxに対応しています。
アプリを入れて、モデルハブでDeepSeek-V4.1-Flash-1017を検索して、unsloth/DeepSeek-V4.1-Flash-1017-GGUFを選んで、使いたい量子化をダウンロードするだけ。オフロードやngramの設定はUnslothが自動でほぼ最適に選んでくれると書かれています。
アプリを入れて、モデルハブでDeepSeek-V4.1-Flash-1017を検索して、unsloth/DeepSeek-V4.1-Flash-1017-GGUFを選んで、使いたい量子化をダウンロードするだけ。オフロードやngramの設定はUnslothが自動でほぼ最適に選んでくれると書かれています。
テキトー教師DotAI 認定講師手動で入れる場合はインストールスクリプトが用意されていて、macOS・Linux・WSLならcurlで、WindowsならPowerShellのコマンドで入ります。そのうえでGGUFを取得して、llama.cppで動かす流れですね。
室谷代表取締役llama.cppで動かす場合は注意があって、DS4.1に対応した特定のPR（pull/30817）を使う必要があります。ビルド手順はドキュメントに載っていて、GPUがなければ-DGGML_CUDA=OFFにしてCPU推論にする、MacのMetalはデフォルトで有効、という案内です。
テキトー教師DotAI 認定講師モデルの取得はhuggingface_hubのCLIで、使いたい量子化をincludeで指定してダウンロードします。7つのシャードを同じフォルダに置いて、最初のシャードを--modelで指定すれば残りは自動で読み込まれる、と。
実行時は--load-mode mmapと--lazy-mode onを有効にしてEngramテーブルをSSDからオンデマンドに読むのがポイントですね。
実行時は--load-mode mmapと--lazy-mode onを有効にしてEngramテーブルをSSDからオンデマンドに読むのがポイントですね。
室谷代表取締役サンプリング設定も公式推奨があって、temperature=1.0、top-p=1.0、top-kとmin-pは無効化。コンテキストは最大1,048,576トークンで、長い生成のために最低256Kの出力トークンを確保するよう推奨されています。
思考の深さはreasoning_effortで1〜100の整数を指定できて、デフォルトは75（high）。low=50、medium=62、high=75、max=100というプリセットも用意されています。
思考の深さはreasoning_effortで1〜100の整数を指定できて、デフォルトは75（high）。low=50、medium=62、high=75、max=100というプリセットも用意されています。
テキトー教師DotAI 認定講師さらにDSparkという投機的デコーディングがあって、メインモデルが検証する前に複数トークンを提案する仕組みで、デコードが約1.3〜1.5倍速くなるそうです。Q8_0で8GB、BF16で8.5GBのdrafterを別途用意して、バージョンをメインと揃える必要があります。
Engramのn-gramルックアップとは別物なので、そこは混同しないように、と。
Engramのn-gramルックアップとは別物なので、そこは混同しないように、と。
室谷代表取締役あと面白いのがEngramの精度を差し替えられることで、IQ4_NLの110.6GBからMXFP8の202.8GBまで選べる。1-bitのIQ1_Sを入れていても、EngramだけMXFP8に交換するスクリプトが用意されています。
この辺の自由度は、ローカルで詰めていく人にはたまらないですよね。
この辺の自由度は、ローカルで詰めていく人にはたまらないですよね。
テキトー教師DotAI 認定講師1-bit量子化で精度88.2%は実用になるのか——サイズと精度のトレードオフ
室谷代表取締役ここが一番議論になるところで、1-bitで精度88.2%という数字をどう見るかですよね。これはDeepSeekの公式リファレンスに対するtop-1一致率で、long17kでの値。
wiki1100では87.1%です。
wiki1100では87.1%です。
テキトー教師DotAI 認定講師量子化の評価はKLダイバージェンスとtop-1一致率で見られていて、KLが低いほど次のトークン確率が近く、top-1が高いほど予測が一致する、という指標です。全体で見ると82.8〜98.5%（wiki1100）、85.1〜98.7%（long17k）のレンジになっています。
室谷代表取締役つまり1-bitはレンジの下の方で、Q4やQ8はほぼロスレスに近い。UD-Q4_K_XLは98.2%/98.5%、UD-Q8_K_XLは98.5%/98.7%ですから、精度を最優先するなら4-bit以上、サイズを優先するなら1-bit、という単純な構図です。
テキトー教師DotAI 認定講師ただ面白いのは、UD-Q4_K_XLがUD-Q8_K_XLより7.7GB小さいのに、一致率の差はwiki1100で0.3ポイント、long17kで0.2ポイントしかないんですよ。コスパで言えば4-bitが非常に優秀で、8-bitはよほどのことがない限り選ばない、という判断になります。
室谷代表取締役1-bitの88.2%をどう見るかですが、これは「元モデルと8割方同じ次のトークンを選ぶ」という意味なので、雑談や要約なら十分だけど、厳密なコーディングやエージェントの連続タスクで誤差が積み上がる可能性はある。実際に本番で使うなら、まず1-bitで触ってみて、精度が足りなければ2-bit、3-bitと上げていくのが現実的ですよね。
テキトー教師DotAI 認定講師受講生さんでも「小さい量子化で動いたけど出力が不安定」という声はよく聞くので、まずは動かす喜びを1-bitで味わって、実務は4-bitという使い分けがおすすめです。とはいえ、250GBで動くこと自体が以前は不可能だったわけで、そこは素直に評価すべき進歩だと思います。
DeepSeek-V4.1-Flash-1017は“最強のオープンモデル”か——性能とライセンスの位置づけ
室谷代表取締役Unslothはこのモデルを「現時点で最強のオープンモデル」と言っていますが、公式ベンチマークを並べるとどう見えるか。DeepSeekのモデルカードにはK3、GLM-5.3、GPT-5.6 Sol、Opus 5との比較表が載っています。
テキトー教師DotAI 認定講師数字を整理するとこうです。
| ベンチマーク | V4.1-Flash-1017 | V4.1-Flash | K3 | GLM-5.3 | GPT-5.6 Sol | Opus 5 |
|---|---|---|---|---|---|---|
| HLE w/o tools | 42.6 | 36.8 | 43.5 | 42.0 | 44.5 | 56.3 |
| Terminal-Bench 4.0 | 42.3 | 31.2 | 12.6 | 37.9 | 39.9 | 51.8 |
| DeepSWE v1.1 | 77.0 | 74.2 | 67.5 | 66.9 | 73.0 | 74.0 |
| ProgramBench | 29.1 | 20.3 | 17.5 | 19.0 | 23.0 | 37.0 |
| NL2Repo-Bench | 68.2 | 65.4 | 58.0 | 58.0 | 56.8 | 75.3 |
| Automation-Bench v1.0.6 | 60.5 | 54.8 | 46.7 | 48.8 | 45.8 | 50.3 |
| Agents’ Last Exam | 35.4 | 31.8 | 27.6 | 28.5 | 26.7 | 28.6 |
| Apex Bench v1.1 | 72.1 | 64.6 | 47.8 | 56.6 | 54.3 | 65.8 |
| Chartography (w/tools) | 83.0 | 78.9 | 68.1 | — | 79.9 | 84.0 |
| BabyVision (w/tools) | 92.5 | 89.6 | 85.7 | — | 88.9 | 94.1 |
| ZeroBench-main (w/tools) | 51.0 | 49.0 | 41.0 | — | 53.0 | 52.0 |
室谷代表取締役見ての通り、Terminal-Bench 4.0やDeepSWE、ProgramBench、Automation-Bench、Agents’ Last Exam、Apex Benchあたりで競合と並ぶか上回る数値が出ています。一方でHLEは42.6で、Opus 5の56.3には届いていない。
全部で最強とは言い切れないけど、コーディングとエージェント系ではトップクラス、というのが正確なところですよね。
全部で最強とは言い切れないけど、コーディングとエージェント系ではトップクラス、というのが正確なところですよね。
テキトー教師DotAI 認定講師しかもこれは公式のモデル結果で、GGUFの測定値ではないという注記がUnsloth側にもあります。評価環境やreasoning effort、コンテキスト予算に依存するので、数字は参考値として見るべきです。
Terminal-Bench 4.0はClaude Codeのハーネス、DeepSWE v1.1はMini-SWE-V2のハーネスで測られていて、ZeroBench-mainはPass@5評価という条件も添えられています。
Terminal-Bench 4.0はClaude Codeのハーネス、DeepSWE v1.1はMini-SWE-V2のハーネスで測られていて、ZeroBench-mainはPass@5評価という条件も添えられています。
室谷代表取締役ライセンスはMITで、Hugging FaceとModelScopeで公開されています。オープンウェイトとして自前ホストできるので、「最強かどうか」より「自前でホストできる中で最強クラスか」という問いの立て方が実務的だと思います。
テキトー教師DotAI 認定講師前バージョンからの差分で見ると、Terminal-Bench 4.0が31.2から42.3、ProgramBenchが20.3から29.1、Apex Bench v1.1が64.6から72.1と、エージェント系の伸びが特に大きいんですよ。マイナーアップデートと言いつつ、エージェント用途では乗り換える価値が十分ある数字だと思います。
室谷代表取締役この辺の前バージョンとの違いやSearch APIの開放については、DeepSeek-V4.1-Flash-1017とは？性能とコストを両立した更新とSearch API開放でも詳しく解説しています。モデル系列全体の整理はDeepSeek V4とは？V4-ProとV4.1-Flashの違いと料金・安全性を整理が参考になります。
APIとローカル、どちらを選ぶ？提供状況と使い分けの指針
室谷代表取締役提供状況を整理すると、DeepSeekはこのモデルをWebサイト、アプリ、APIで提供していて、APIはモデル名deepseek-flashで最新版にアクセスでき、呼び出し方法と料金は据え置きと案内されています。
テキトー教師DotAI 認定講師公式はDeepSeek Harness、Tencent CodeBuddy、WorkBuddyなどへの最適化も謳っていて、DeepSeek Harnessはv0.2.1-rc.1以降へのアップグレードが推奨されています。ツール連携で使うならそちらのバージョン確認が要りますね。
室谷代表取締役さらに同日、DeepSeekは自社検索エンジンによるSearch & Fetch APIを全公開しています。1,000コールあたり0.75ドルで、DeepSeek HarnessやClaude Code、Codex経由のサーバーサイドツール呼び出しは2026年10月31日16:00 UTCまで無料、その後課金開始という案内です。
テキトー教師DotAI 認定講師ローカルのメリットは、API課金を気にせず回せること、データを外に出さないこと、レイテンシを自分でコントロールできること。デメリットは、128GB以上のメモリと250GB超のディスクを用意する必要があることと、1-bitなら精度が88.2%相当に落ちることです。
室谷代表取締役使い分けの指針としては、まずAPIで試して挙動を掴み、機密性やコストの要件が強ければローカルに落とす、という順番が現実的ですよね。MYUUUでも、PoCはAPIで回して、本番の一部をローカルに寄せるという進め方をしています。
テキトー教師DotAI 認定講師逆に、手元にMacBookやDGX Sparkがあるなら、1-bitのIQ1_Sから触ってみるのが一番早いです。動かしてみて精度が足りなければIQ1_Mや2-bitに上げる、という段階的なアプローチができますから。
よくある質問
Q. DeepSeek V4.1-Flash-1017は無料で使えますか？
テキトー教師DotAI 認定講師モデルの重みはMITライセンスで公開されているので、自前でホストする限りにおいてはライセンス条件に従って利用できます。APIはDeepSeekの料金体系に従う形で、今回の更新では呼び出し方法と料金は据え置きと案内されています。
具体的な料金は公式のModels & Pricingを確認してください。
具体的な料金は公式のModels & Pricingを確認してください。
Q. 128GB RAMのMacBookで本当に動きますか？
室谷代表取締役Unslothのドキュメントでは、1-bitのUD-IQ1_Sが128GB RAM級のMacBookやDGX Spark、RTX Sparkで動くと書かれています。ただしEngramのテーブルをSSDに置く前提で、コンテキストやランタイムによっては追加のメモリが必要になる場合がある、と注記されています。
250GB超のディスク空き容量も必要です。
250GB超のディスク空き容量も必要です。
Q. 1-bitと4-bitはどちらを選ぶべきですか？
テキトー教師DotAI 認定講師精度重視ならUD-Q4_K_XLが現実的です。UD-Q8_K_XLと比べて7.7GB小さいのに、一致率の差はwiki1100で0.3ポイント、long17kで0.2ポイントしかありません。
一方、メモリが128GB級しかないなら1-bitのUD-IQ1_SかUD-IQ1_M一択になります。
一方、メモリが128GB級しかないなら1-bitのUD-IQ1_SかUD-IQ1_M一択になります。
Q. 量子化するとどのくらい精度が落ちますか？
室谷代表取締役Unslothの評価では、top-1一致率がwiki1100で82.8〜98.5%、long17kで85.1〜98.7%のレンジです。1-bitのUD-IQ1_Mはlong17kで88.2%、UD-IQ1_Sは85.1%です。
KLダイバージェンスも公開されているので、詳細は公式ドキュメントのQuantization Analysisを確認してください。
KLダイバージェンスも公開されているので、詳細は公式ドキュメントのQuantization Analysisを確認してください。
Q. 商用利用は可能ですか？
テキトー教師DotAI 認定講師リポジトリとモデル重みはMITライセンスで公開されています。ただし利用にあたってはライセンス条文を確認のうえ、自社の用途に照らして判断してください。
Q. DSparkとは何ですか？
室谷代表取締役DeepSeek-V4.1に含まれる投機的デコーディングの仕組みで、メインモデルが検証する前に複数トークンを提案してデコードを約1.3〜1.5倍高速化します。Engramのn-gramルックアップとは別機能で、Q8_0で8GB、BF16で8.5GBのdrafterを別途用意し、メインとバージョンを揃える必要があります。
Q. 前バージョンから乗り換える価値はありますか？
テキトー教師DotAI 認定講師公式ベンチマークではTerminal-Bench 4.0が31.2から42.3、ProgramBenchが20.3から29.1、Apex Bench v1.1が64.6から72.1と、エージェント系を中心に伸びています。コーディングやエージェント作業が中心なら乗り換える価値は十分あると思います。
室谷代表取締役まとめると、今回の発表は「巨大モデルが手元で動く時代に入った」という象徴的な出来事なんですよね。250GBというサイズはまだ気軽とは言えませんが、128GB RAM級の端末で動く線に落ちてきた意味は大きい。
まずはAPIで触って、必要ならローカルに落とす。この順番で試してみてください。
まずはAPIで触って、必要ならローカルに落とす。この順番で試してみてください。
