DeepSeek V4.1 Flash مقابل Kimi K3: قراءة الادعاء، ثم الأدلة

DeepSeek V4.1 Flashوصل بادعاء محدد وقابل للتحقق: أنه يتفوق على Kimi K3 في اختبارات الأمن السيبراني والبرمجة — وعلى الصفوف التي اختارها المورّد، فهو يتفوق بالفعل. Terminal-Bench 2.1: 90.6 مقابل 88.3. CyberGym: 88.1 مقابل 80.0. DeepSWE v1.1: 74.2 مقابل 67.5. NL2Repo-Bench: 65.4 مقابل 58.0. كل رقم من أرقام DeepSeek تلك يأتي من منصة الاختبار الخاصة بـ DeepSeek وبجهد الاستدلال الخاص بـ DeepSeek، وكل رقم من أرقام Kimi K3 التي جرى مقارنتها بها جاء من مكان آخر. هذا ليس سببًا لرفض الادعاء. بل هو السبب في أن الادعاء يحتاج إلى تفكيك قبل أن تشتري أي شيء بناءً عليه.

إليك كيف تبدو قاعدتا الأدلة الخاصتان بالنموذجين في الواقع، وما يحدث عندما تضعهما على مقياس واحد، والرقم الوحيد الذي يصمد في كل نسخة من هذه المقارنة.

قاعدتا أدلة لا تكادان تتقاطعان

هذا هو الجزء غير المعتاد في هذه المواجهة، وهو يفسّر معظم الخلاف الذي ستجده على الإنترنت.

نشرت DeepSeek جدول معايير إطلاق. Terminal-Bench 2.1، وDeepSWE v1.1، وCyberGym، وProgramBench، وNL2Repo-Bench، وAutomation-Bench — جميعها مُبلَّغ عنها من المورّد. إنها الصفوف التي اختارت DeepSeek تشغيلها، على منصات اختبار هيّأتها DeepSeek، مع قيام DeepSeek بضبط جهد الاستدلال. يجدر معرفة ذلك قبل أن تصفّها مقابل أي شيء: وجدت Artificial Analysis أن تشغيل هذه المجموعات بأقصى جهد استدلالي يستهلك نحو 2.5 ضعف من رموز الإخراج مقارنة بإعداد متوسط المستوى، مع استعادة معظم الدقة المحققة في الإعدادات الأدنى منه. جدول المورّد عند أقصى جهد هو قياس سقفي، وليس قياسًا نموذجيًا.

أرقام Kimi K3 ليست في معظمها أرقام Moonshot. شغّلت Artificial Analysis منصة اختبار خاصة بها ونشرت نتائج لكل اختبار قياسي على مقياس قابل للمقارنة عبر كل نموذج تتبعه: GPQA Diamond 93.5، Humanity's Last Exam 46.9، Long-Context Recall 88.7، SciCode 59.5، Terminal-Bench 2.1 85.0 — إلى جانب مؤشر مركّب. تلك قياسات طرف ثالث.

إذن، عبارة "DeepSeek يتفوق على Kimi K3 في البرمجة" تُختصر إلى شيء أضيق مما تبدو عليه. ففي بيئة اختبار DeepSeek، يفوز نموذج DeepSeek في صفوف البرمجة التي اختارها DeepSeek. وهذا إشارة حقيقية — فالموردون لا ينشرون عادةً جداول يخسرون فيها — لكنه فئة مختلفة من الأدلة مقارنةً بمجموعة اختبارات تُدار بشكل مستقل، ولا ينبغي أن يظهر الاثنان أبدًا في العمود نفسه دون تصنيف.

على أحد المقاييس، تبلغ الفجوة أربع نقاط

ضع كليهما على مؤشر الذكاء لدى Artificial Analysis، وستجد الصورة أكثر تقاربًا مما توحي به حملات التسويق لدى أي من الطرفين. يسجل Kimi K3 نتيجة 44. ويسجل DeepSeek V4.1 Flash نتيجة 40.

أربع نقاط. في الصفوف الخاصة بكل معيار، يتّسم تفوّق Kimi K3 بالثبات والتركيز حيث يظهر الاستدلال بعيد المدى: Humanity's Last Exam 46.9 مقابل 36.8، وSciCode 59.5 مقابل 51.9، وGPQA Diamond 93.5 مقابل 90.9 التي أبلغ عنها مورّد DeepSeek، وLong-Context Recall 88.7 مقابل 84.0. كما يحتل Kimi K3 المركز الثاني على لوحة Artificial Analysis التي تضم 113 نموذجًا، مقابل DeepSeek V4.1 Flash في المركز السادس.

تلك فجوات حقيقية ومستقلة وقابلة للتكرار. لا ميزة سعرية تغلقها في مهمة تعتمد عليها.

وهي أيضًا أربع نقاط — الفارق نفسه البالغ أربع نقاط الذي يفصل DeepSeek V4.1 Flash عن Grok 4.6، وهو أصغر من الفارق البالغ خمس نقاط الذي يفصله عن Qwen3.8-Max. إن فارقًا مقداره أربع نقاط على مؤشر مركّب هو نطاق ضيق. إنه يخبرك أن Kimi K3 هو النموذج الأقوى، لكنه لا يبدأ حتى في إخبارك بأن هذه القوة تظهر في عبء عملك.

الرقم الذي يصمد في كل نسخة من هذه المقارنة

التكلفة لكل مهمة في Intelligence Index، وفق القياس الذي أجرته المنظمة نفسها التي أنتجت المؤشر: 0.27 دولارًا لـ DeepSeek V4.1 Flash، و2.00 دولارًا لـ Kimi K3.

7.4x. هذا هو الفرق الأكبر والأكثر متانة والأكثر قابلية للتحقق المتقاطع بين هذين النموذجين، وخلافًا لصفوف المعايير، فإنه لا يعتمد على مَن شغّل إطار الاختبار — فأعداد التوكنات هي أعداد التوكنات.

ويتفاوت هذا أيضًا بحسب مدى اعتماد عبء العمل لديك على الوكلاء. رقم $2.00 مستمد من مجموعة اختبارات مختلطة؛ وفي مقياس Vals AI للبرمجة الوكيلية، يتسع الفارق المذكور إلى نحو 40x، أي $0.41 لكل مهمة مقابل $17.59، بينما انتهى تشغيل DeepSeek في نحو 15 دقيقة مقابل نحو 90. وكلما ابتعدت عن مطالبة واستجابة واحدة نحو حلقة طويلة لاستدعاء الأدوات، زاد تباعد نموذجي التسعير — لأن التخزين المؤقت وحجم المخرجات هما ما يهيمنان على الفاتورة.

• السعر — DeepSeek V4.1 Flash $0.15/$0.60 لكل مليون خارج أوقات الذروة ($0.30/$1.20 في الذروة، أيام الأسبوع 01:00–04:00 و06:00–10:00 UTC) مقابل Kimi K3 $3.00/$15.00 لكل مليون، ثابت

• خصم ذاكرة التخزين المؤقت — 98% مقابل 90%؛ قراءة ذاكرة التخزين المؤقت 0.003 دولار لكل 1 مليون مقابل 0.30 دولار لكل 1 مليون

• السياق — 1,048,576 رمزًا لكل منهما، ولا يفرض أي منهما رسومًا إضافية للسياق الطويل

• الإنتاجية — 214.4 توكن/ثانية مقابل 34.7، فارق يبلغ 6.2 أضعاف

• الإسهاب — 250 مليون رمز إخراج عبر الفهرس مقابل 160 مليون

• المعاملات — 552 مليار إجمالاً، 8 مليارات نشطة عند التعبئة المسبقة و16 ملياراً عند فك التشفير، مقابل 2.8 تريليون إجمالاً مع 16 من 896 خبيراً نشطاً لكل رمز

• أخذ العينات — إتاحة كاملة لمعاملات temperature / top_p / seed مقابل لا شيء؛ لا يعرض Kimi K3 سوى reasoning_effort ولا يمكن تعطيل التفكير

• الترخيص — MIT مقابل MIT المعدّل، الذي يضيف شروطًا تتعلق بالعلامة التجارية عند تجاوز 100 مليون مستخدم شهريًا أو 20 مليون دولار من الإيرادات الشهرية

حيث يكون الجانب الرخيص أسوأ حقًا

تقع تكلفتان على جانب DeepSeek من دفتر الحسابات، وكلتاهما يسهل تفويتهما.

الإسهاب. أنتج DeepSeek V4.1 Flash ‏250M من رموز الإخراج عبر Intelligence Index مقابل 160M لـ Kimi K3. تُحتسب تكلفة الإخراج بسعر 4x للمدخل هنا. النموذج الذي يكون أرخص بعشرين مرة لكل رمز لكنه يتحدث أكثر بمقدار مرة ونصف ليس أرخص بعشرين مرة — وهذا بالضبط سبب استقرار الرقم الصادق عند 7.4x وليس 20x الذي يوحي به جدول الأسعار. DeepSeek هو النموذج الأكثر إسهابًا في هذه المقارنة؛ Grok 4.6 هو الأقل، عند 94M.

السرعة. تقول بطاقة الأسعار إن DeepSeek أرخص. وتقول الساعة إنه أسرع أيضاً بمقدار 6.2 مرة — 214.4 توكن/ثانية مقابل 34.7 لدى Kimi K3. لا يمكن إيقاف وضع التفكير لدى Kimi K3، وجهد الاستدلال لديه مُعيّن افتراضياً على الحد الأقصى، لذا لا يوجد مسار رخيص وسريع يمكن الرجوع إليه للطلبات السهلة. أنت تشتري استدلالاً متقدماً في كل طلب سواء احتاج الطلب ذلك أم لا. في مهمة برمجة صعبة، هذا هو المنتج. وفي تمريرة تصنيف، يكون ذلك هدراً.

ما تقوله حركة المرور، وهو ما لا يلتقطه أي معيار مرجعي.

تضيف بيانات التوجيه الخاصة بنا الإشارة الوحيدة التي لا يستطيع أيٌّ من المورّد أو المحلّل إنتاجها. خلال الأيام السبعة الماضية، نقل Kimi K3 نحو 3.04 مليار توكن عبر OrcaRouter. ونقل DeepSeek V4.1 Flash نحو 59.1 مليار — أي نحو تسعة عشر ضعفًا تقريبًا، في نموذج لم يمضِ على إطلاقه سوى أقل من أسبوع.

جزء من ذلك بنيوي. توجّه DeepSeek جميع طلبات V4 Pro إلى V4.1 Flash وتحتسبها بأسعار Flash حتى يصدر V4.1 Pro، لذا جرى ترحيل قاعدة كبيرة من المستخدمين الحاليين إليه دون أن يختار أي أحد شيئًا. لكن الحجم الناتج يظل أوضح دليل متاح على أن عددًا هائلًا من أحمال العمل الإنتاجية كان يُخدَم جيدًا بما يكفي بالنموذج الأرخص بالفعل — وهذا حكم لا تستطيع اختبارات القياس أن تمنحك إياه، لأن اختبارات القياس تقيس ما يستطيع النموذج فعله، بينما تقيس حركة المرور ما كانت الفرق مستعدة لوضعه أمام المستخدمين الدافعين.

الاختيار بينهما

كلاهما يقع خلف نفس نقطة النهاية المتوافقة مع OpenAI على OrcaRouter، وهذا ما يجعل التقسيم عمليًا لا مشروع ترحيل: وجّه جلسة البرمجة طويلة الأفق، حيث يستحق تفوّق Kimi K3 في الاستدلال أن تدفع مقابله، وحركة العمل الوكيلي والمعرفي عالية الحجم، حيث يكون الفارق بينهما في حدود أربع نقاط مؤشر، إلى DeepSeek V4.1 Flash. ولأن البوابة تمرّر سعر المزوّد كما هو دون أي هامش ربح، فإن التكلفة لكل رمز التي تراها هي تكلفة المورّد نفسه — ويستحق الأمر التحقق مرتين يوميًا على جانب DeepSeek، لأن نوافذ الذروة لديه تضاعف السعر في صباحات أيام الأسبوع بتوقيت UTC.

يتبع الحكم الأدلة لا جدول الإطلاق. إذا كان عملك نداء استدلاليًا صعبًا واحدًا — مسألة علمية، أو خوارزمية جديدة، أو وثيقة لا تملك ترف إساءة قراءتها — فإن Kimi K3 هو النموذج الأقوى، والفجوات المستقلة متسقة، والسعر ثانوي. وإذا كان عملك وكيل برمجة، أو حلقة طويلة لاستدعاء الأدوات، أو أي شيء ذي بادئة مخزنة مؤقتًا كبيرة يُعاد تشغيلها بكثافة، فإن الاثنين متقاربان بما يكفي في القدرات بحيث تصبح التكلفة هي المعيار الحاسم، وهناك تمتد الفجوة من 7.4x إلى نحو 40x حسب مدى وكيلية المهمة.

جدول المعايير الخاص بـDeepSeek نفسه يبالغ في مدى وضوح ذلك الانتصار. أما السعر فلا.