DeepSeek V4.1 Flash vs. Kimi K3: Die Behauptung lesen, dann die Belege

DeepSeek V4.1 Flash kam mit einer konkreten, überprüfbaren Behauptung: dass es Kimi K3 bei Cyber- und Coding-Benchmarks schlägt — und bei den Zeilen, die der Anbieter ausgewählt hat, tut es das. Terminal-Bench 2.1: 90,6 gegen 88,3. CyberGym: 88,1 gegen 80,0. DeepSWE v1.1: 74,2 gegen 67,5. NL2Repo-Bench: 65,4 gegen 58,0. Jede einzelne dieser DeepSeek-Zahlen stammt aus DeepSeeks eigenem Harness bei DeepSeeks eigenem Reasoning-Aufwand, und jede einzelne der damit verglichenen Kimi-K3-Zahlen stammt aus einer anderen Quelle. Das ist kein Grund, die Behauptung zu verwerfen. Es ist der Grund, warum die Behauptung auseinandergenommen werden muss, bevor man aufgrund dieser Behauptung irgendetwas kauft.

Hier sehen Sie, wie die Evidenzgrundlagen der beiden Modelle tatsächlich aussehen, was passiert, wenn man sie auf eine gemeinsame Skala setzt, und die eine Zahl, die jede Version dieses Vergleichs übersteht.

Zwei Evidenzbasen, die sich kaum überschneiden

Das ist der ungewöhnliche Teil dieses Aufeinandertreffens, und er erklärt den größten Teil der Meinungsverschiedenheiten, die man online findet.

DeepSeek hat eine Benchmark-Tabelle zum Launch veröffentlicht. Terminal-Bench 2.1, DeepSWE v1.1, CyberGym, ProgramBench, NL2Repo-Bench, Automation-Bench — alle vom Anbieter gemeldet. Es sind die Zeilen, die DeepSeek zum Ausführen ausgewählt hat, auf von DeepSeek konfigurierten Harnesses, wobei DeepSeek den Reasoning-Aufwand festlegt. Wichtig zu wissen, bevor Sie sie mit irgendetwas vergleichen: Artificial Analysis hat festgestellt, dass das Ausführen dieser Suiten mit maximalem Reasoning-Aufwand ungefähr 2,5-mal mehr Output-Tokens verbraucht als eine mittlere Einstellung, während es den Großteil der Genauigkeit darunter zurückgewinnt. Eine Anbietertabelle bei maximalem Aufwand ist eine Obergrenzenmessung, keine typische.

Kimi K3s Zahlen stammen größtenteils nicht von Moonshot. Artificial Analysis führte eine eigene Testumgebung aus und veröffentlichte Ergebnisse pro Benchmark auf einer Skala, die über alle von ihm erfassten Modelle hinweg vergleichbar ist: GPQA Diamond 93,5, Humanity's Last Exam 46,9, Long-Context Recall 88,7, SciCode 59,5, Terminal-Bench 2.1 85,0 — plus einen zusammengesetzten Index. Das sind die Messungen eines Dritten.

Also: „DeepSeek beats Kimi K3 on coding“ läuft auf etwas Engeres hinaus, als es klingt. Auf DeepSeeks Harness gewinnt DeepSeeks Modell die Coding-Zeilen, die DeepSeek ausgewählt hat. Das ist ein echtes Signal – Anbieter veröffentlichen normalerweise keine Tabellen, in denen sie verlieren –, aber es ist eine andere Art von Evidenz als eine unabhängig durchgeführte Suite, und die beiden sollten niemals ohne Kennzeichnung in derselben Spalte erscheinen.

Auf einer Skala beträgt der Abstand vier Punkte

Setzt man beide auf den Intelligence Index von Artificial Analysis, liegen sie näher beieinander, als es das Marketing beider Seiten suggeriert. Kimi K3 erreicht 44. DeepSeek V4.1 Flash erreicht 40.

Vier Punkte. In den Zeilen je Benchmark ist der Vorsprung von Kimi K3 konsistent und konzentriert sich dort, wo Long-Horizon-Reasoning zum Tragen kommt: Humanity's Last Exam 46,9 gegen 36,8, SciCode 59,5 gegen 51,9, GPQA Diamond 93,5 gegen die vom Anbieter gemeldeten 90,9 von DeepSeek, Long-Context Recall 88,7 gegen 84,0. Kimi K3 belegt außerdem den zweiten Platz auf dem Leaderboard von Artificial Analysis mit 113 Modellen, während DeepSeek V4.1 Flash auf Rang sechs liegt.

Das sind echte, unabhängige, reproduzierbare Lücken. Kein Preisvorteil überbrückt sie bei einer Aufgabe, die auf sie angewiesen ist.

Sie betragen ebenfalls vier Punkte – dieselbe Vier-Punkte-Lücke, die DeepSeek V4.1 Flash von Grok 4.6 trennt, und kleiner als die Fünf-Punkte-Lücke, die es von Qwen3.8-Max trennt. Eine Vier-Punkte-Differenz auf einem zusammengesetzten Index ist ein schmales Band. Sie sagt Ihnen, dass Kimi K3 das stärkere Modell ist, und sie sagt Ihnen nicht im Entferntesten, dass sich diese Stärke in Ihrer Workload niederschlägt.

Die Zahl, die jede Version dieses Vergleichs übersteht

Kosten pro Aufgabe des Intelligence Index, gemessen von derselben Organisation, die den Index erstellt hat: 0,27 $ für DeepSeek V4.1 Flash, 2,00 $ für Kimi K3.

7,4-fach. Das ist der größte, robusteste und am besten nachprüfbare Unterschied zwischen diesen beiden Modellen, und anders als bei den Benchmark-Zeilen hängt er nicht davon ab, wessen Harness ihn ausgeführt hat – die Token-Zahlen sind die Token-Zahlen.

Es skaliert außerdem damit, wie agentisch Ihre Arbeitslast ist. Die 2,00-Dollar-Zahl stammt aus einer gemischten Suite; auf dem agentischen Coding-Bench von Vals AI weitet sich die berichtete Lücke auf rund 40x, 0,41 $ pro Aufgabe gegenüber 17,59 $, wobei der DeepSeek-Lauf in etwa 15 Minuten fertig ist – gegenüber rund 90. Je weiter man sich von einem einzelnen Prompt und einer Antwort hin zu einer langen Tool-Calling-Schleife entfernt, desto stärker divergieren die beiden Preismodelle – denn dort dominieren Caching und Ausgabevolumen die Rechnung.

• Preis — DeepSeek V4.1 Flash 0,15 $/0,60 $ pro 1 Mio. außerhalb der Spitzenzeiten (0,30 $/1,20 $ zu Spitzenzeiten, werktags 01:00–04:00 und 06:00–10:00 UTC) vs. Kimi K3 3,00 $/15,00 $ pro 1 Mio., pauschal

• Cache-Rabatt — 98 % vs. 90 %; Cache-Lesevorgang 0,003 $ pro 1M vs. 0,30 $ pro 1M

• Kontext — 1.048.576 Tokens bei beiden, und keiner von beiden erhebt einen Langkontext-Zuschlag

• Durchsatz — 214,4 Tokens/Sek. gegenüber 34,7, ein 6,2-facher Unterschied

• Ausführlichkeit — 250 Mio. Output-Tokens im gesamten Index vs. 160 Mio.

• Parameter — 552B insgesamt, 8B aktiv beim Prefill und 16B beim Decode, gegenüber 2,8T insgesamt mit 16 von 896 Experten, die pro Token aktiv sind

Sampling — vollständige temperature-/top_p-/seed-Oberfläche vs. keine; Kimi K3 stellt nur reasoning_effort bereit und Thinking lässt sich nicht deaktivieren

• Lizenz — MIT vs. Modified MIT, das Branding-Bedingungen ab 100 Mio. monatlichen Nutzern oder 20 Mio. $ Monatsumsatz hinzufügt

Wo die billige Seite wirklich schlechter ist

Auf der DeepSeek-Seite der Bilanz stehen zwei Kosten, und beide sind leicht zu übersehen.

Ausführlichkeit.DeepSeek V4.1 Flash gab über den Intelligence Index hinweg 250 Mio. Ausgabe-Tokens aus, gegenüber 160 Mio. bei Kimi K3. Die Ausgabe wird hier mit dem 4-Fachen der Eingabe abgerechnet. Ein Modell, das pro Token zwanzigmal günstiger ist, aber eineinhalbmal so viel redet, ist nicht zwanzigmal günstiger – genau deshalb liegt der ehrliche Wert bei 7,4x und nicht bei den 20x, die die Preisliste nahelegt. DeepSeek ist das ausführlichste Modell in diesem Vergleich; Grok 4.6 ist das am wenigsten ausführliche, mit 94 Mio.

Geschwindigkeit. Die Preisliste sagt, DeepSeek sei günstiger. Die Uhr sagt, es sei außerdem 6,2-mal schneller – 214,4 Token/Sek. gegenüber Kimi K3s 34,7. Der Denkmodus von Kimi K3 lässt sich nicht abschalten, und sein Reasoning-Aufwand ist standardmäßig auf Maximum gesetzt, es gibt also keinen günstigen, schnellen Pfad, auf den man für die einfachen Aufrufe zurückfallen könnte. Man kauft Frontier-Reasoning bei jeder Anfrage, ob die Anfrage es braucht oder nicht. Bei einer schwierigen Coding-Aufgabe ist das das Produkt. Bei einem Klassifizierungsdurchlauf ist es Verschwendung.

Was der Traffic sagt, was kein Benchmark erfasst

Unsere eigenen Routing-Daten liefern das eine Signal, das weder Anbieter noch Analyst erzeugen können. In den letzten sieben Tagen hat Kimi K3 etwa 3,04 Milliarden Token durch OrcaRouter geleitet. DeepSeek V4.1 Flash hat etwa 59,1 Milliarden Token geleitet — rund neunzehnmal so viel, bei einem Modell, das seit weniger als einer Woche live ist.

Ein Teil davon ist strukturell bedingt. DeepSeek leitet alle Anfragen für V4 Pro an V4.1 Flash weiter und rechnet sie zu Flash-Tarifen ab, bis V4.1 Pro erscheint, sodass eine große installierte Basis darauf migriert wurde, ohne dass irgendjemand eine Wahl getroffen hat. Doch das daraus resultierende Volumen ist nach wie vor der klarste verfügbare Beleg dafür, dass enorm viele Produktions-Workloads bereits gut genug von dem günstigeren Modell bedient wurden – und das ist ein Urteil, das Benchmarks nicht liefern können, denn Benchmarks messen, was ein Modell leisten kann, während Traffic misst, was Teams bereit waren, zahlenden Nutzern vorzusetzen.

Zwischen ihnen wählen

Beide liegen hinter demselben OpenAI-kompatiblen Endpunkt auf OrcaRouter, was die Aufteilung praktikabel macht statt zu einem Migrationsprojekt: Leite die Long-Horizon-Coding-Session, bei der der Reasoning-Vorsprung von Kimi K3 den Aufpreis wert ist, und den hochvolumigen agentischen und Knowledge-Work-Traffic, bei dem die beiden innerhalb von vier Indexpunkten liegen, an DeepSeek V4.1 Flash. Da das Gateway den Anbietertarif ohne Aufschlag durchreicht, entsprechen die Kosten pro Token, die du siehst, denen des Anbieters selbst – ein Blick zweimal täglich auf der DeepSeek-Seite lohnt sich, da seine Peak-Fenster den Tarif an Wochentagvormittagen UTC verdoppeln.

Das Urteil folgt den Belegen und nicht der Launch-Tabelle. Wenn Ihre Arbeit aus einem einzigen anspruchsvollen Reasoning-Call besteht – einer wissenschaftlichen Frage, einem neuartigen Algorithmus, einem Dokument, das Sie sich nicht leisten können falsch zu lesen –, dann ist Kimi K3 das stärkere Modell, die unabhängigen Abstände sind konsistent, und der Preis ist zweitrangig. Wenn Ihre Arbeit ein Coding-Agent ist, eine lange Tool-Calling-Schleife oder irgendetwas, bei dem ein großer gecachter Prefix in großem Umfang erneut verarbeitet wird, dann liegen die beiden bei der Leistungsfähigkeit nah genug beieinander, dass die Kosten zum entscheidenden Kriterium werden, und dort liegt die Differenz zwischen 7,4x und ungefähr 40x, je nachdem, wie agentisch die Aufgabe ist.

DeepSeeks eigene Benchmark-Tabelle übertreibt, wie sauber dieser Sieg ist. Der Preis nicht.