MiniMax M3.1 Flash vs. DeepSeek V4.1 Flash: Worin die beiden Anbietertabellen tatsächlich übereinstimmen

Zwei Zeilen. So viel von MiniMax' Launch-Tabelle übersteht einen Vergleich mit DeepSeeks eigenen veröffentlichten Zahlen, und es lohnt sich, das klar zu sagen, bevor die Schlagzeile eines der beiden Anbieter wiederholt wird: Bei den beiden Benchmarks, bei denen MiniMax M3.1 Flash und DeepSeek V4.1 Flash — der 1017-Checkpoint, den DeepSeek zwei Tage zuvor ausgeliefert hat — beide Labore einen Wert für dieselbe Evaluierung veröffentlicht haben, liegt das neuere Modell zurück. MiniMax veröffentlichte M3.1 Flash am 19. Oktober 2026 mit einer Tabelle, die agentische Arbeit, Coding, Computer Use und Cybersicherheit abdeckt, sowie der Behauptung eines Generationssprungs gegenüber dem eigenen Vorgänger. DeepSeek veröffentlichte V4.1 Flash 1017 am 17. Oktober 2026 mit einer Modellkarte, die dasselbe tut. Das Interessante an der Gegenüberstellung ist nicht, wer gewinnt. Es ist, wie wenig in jeder Tabelle überhaupt auf Vergleichbarkeit ausgelegt ist.Anbietertabellen sind eine Art von Belegen, Vorfallaufzeichnungen eine andere, daher sind die Fehler hinter Veröffentlichungen wie diesen katalogisiert in dem OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, Schweregrad, Vertrauensgrad und eine Kennzeichnung als umstritten trägt.

Was M​iniMax tatsächlich beziffert hat

M​iniMax' Beitrag ist konkreter als die meisten. Er nennt vorab sechs Zahlen: BankerToolBench 76,2, DeepSWE v1.1 73,7 %, OSWorld V2 61,7, Agents' Last Exam 29,6, CyberGym 82 % und die Behauptung von Spitzenleistung auf Automation-Bench, ohne dass im Zusammenfassungstext eine Punktzahl genannt wird. Daneben stehen zwei Durchsatzangaben – etwa dreimal schnellere Online-Inferenz als das Modell, das es ersetzt, und über 200 Token pro Sekunde bei einem P50 über 170 – sowie eine Kostenangabe von 70 % niedriger bei agentischen Aufgaben. All das ist vom Anbieter angegeben und nicht reproduziert. M​iniMax hat es ausgeführt, M​iniMax hat es veröffentlicht, und die Testumgebung wird nur in Fußnoten genannt.

Die Fußnote ist der Punkt, an dem die Tabelle auseinanderzufallen beginnt. BankerToolBench, sagt M​iniMax, wurde mit dem OpenCode-1.1718-Harness evaluiert und von MiniMax-M2.7 bewertet, dem eigenen älteren Modell. Das ist ein selbstbewerteter Benchmark: Ein M​iniMax-Modell bewertet Ausgaben, die von einem M​iniMax-Modell erzeugt wurden, auf einem Aufgabensatz, den M​iniMax ausgewählt hat. Er mag einwandfrei durchgeführt worden sein. Er ist kein Beleg, den man einem Labor entgegenhalten kann, das auf einem Harness veröffentlicht, den jemand anderes pflegt.

Die beiden Reihen, die übereinstimmen

DeepSWE v1.1 ist die einzige tatsächlich gemeinsame Messgröße. Beide Labore berichten sie, und beide nennen das Harness: DeepSeek gibt auf seiner Modellkarte Mini-SWE-V2 an, MiniMax berichtet dieselbe Benchmark-Version. MiniMax beansprucht 73,7 %. DeepSeek beansprucht 77,0 % für den 1017-Checkpoint, gegenüber 74,2 % für das V4.1-Flash-Release, das er ablöste. Die Rangfolge ist hier also nicht mehrdeutig und wenig schmeichelhaft für das neuere Modell: DeepSeeks am 17. Oktober veröffentlichte Version liegt vor MiniMax’ am 19. Oktober veröffentlichter Version – bei dem einzigen Coding-Agent-Benchmark, den beide Unternehmen auf dieselbe Weise gemessen haben – und liegt dabei zugleich fast drei Punkte vor der eigenen vorherigen Version.

Agents' Last Exam erzählt dieselbe Geschichte mit mehr Abstand. M​iniMax meldet 29,6. D​eepSeek meldet 35,4 für 1017, ein Anstieg von 31,8 beim vorherigen Checkpoint. Das ist eine Fünf-Punkte-Lücke bei einem Benchmark, der absichtlich schwer für Agenten sein soll, und es ist die zweite aufeinanderfolgende Zeile, in der das zwei Tage ältere Modell deutlich vorn liegt.

Alles andere in den beiden Tabellen wurde entweder auf einem anderen Prüfaufbau gemessen, von einem anderen Modell bewertet oder nur von einer Seite veröffentlicht. DeepSeeks Modellkarte führt Terminal-Bench 4.0 mit 42,3 im Claude-Code-Harness auf, HLE ohne Tools mit 42,6, ProgramBench mit 29,1, Apex Bench v1.1 mit 72,1 und Automation-Bench v1.0.6 mit 60,5. MiniMax' Beitrag nennt überhaupt keinen Wert für Terminal-Bench 4.0, und dessen Automation-Bench-Zeile steht unter einer Fußnote über die 600 öffentlich veröffentlichten Aufgaben statt neben einer vergleichbaren Zahl, die wir mit der Auflösung, in der der Beitrag dargestellt wird, sicher zuordnen könnten. Zwei dieser Zeilen sind überprüfbar. Der Rest sind zwei verschiedene Prüfungen mit demselben Namen auf dem Deckblatt.

Wo M​iniMax’ Tabelle stark ist und die von D​eepSeek schweigt

Es wäre ein Fehler, die beiden gemeinsamen Zeilen als Gesamtbild zu lesen, denn beide sind Zeilen zum Coding- und Agenten-Reasoning, und MiniMax’ Anspruch ist breiter. OSWorld V2 mit 61,7 ist ein Computer-Use-Wert, den DeepSeek nicht veröffentlicht, und MiniMax beansprucht dabei den ersten Platz unter chinesischen Modellen. CyberGym mit 82 % ist ein Security-Agenten-Wert, den DeepSeek ebenfalls nicht veröffentlicht. BankerToolBench 76,2 misst die Tool-Auswahl in einem Business-Workflow-Kontext, den weder DeepSeeks Modellkarte noch Artificial Analysis abdeckt. Auf diesem Gebiet verliert MiniMax nicht; es ist konkurrenzlos. Konkurrenzlos ist nicht dasselbe wie voraus, und die eigene Zusammenfassung des Anbieters – „das Niveau führender Modelle erreichen“ – ist eine Aussage über Gleichstand, nicht über eine Führung.

Das andere Bemerkenswerte an der Launch-Tabelle ist, wie sie mit Wettbewerbern umgeht. Die veröffentlichte Grafik stellt die Spalte von M​iniMax neben D​eepSeek, Kimi-K3, GLM-5.3, GPT-5.6 Sol und Opus 5; die Zahlen in diesen Spalten sind die von den anderen Laboren selbst veröffentlichten Werte und nicht Zahlen, die M​iniMax selbst erhoben hat. Das ist übliche Praxis und nicht unehrlich, aber es bedeutet, dass jeder spaltenübergreifende Vergleich in diesem Bild das jeweilige Test-Harness erbt, das die einzelnen Labore gerade verwendet haben. Eine Tabelle, die sechs Modelle nebeneinanderstellt, verleitet dazu, eine Zeile über alle Spalten hinweg zu lesen. Nur zwei dieser Zeilen wurden dafür gebaut, über alle Spalten hinweg gelesen zu werden.

Die Preisgeschichte verläuft in die andere Richtung, und sie ist real.

Was die Kosten betrifft, hat M​iniMax das sauberere Preismodell. M3.1 Flash kostet 0,15 US-Dollar pro Million Eingabe-Tokens und 0,60 US-Dollar pro Million Ausgabe-Tokens, wobei zwischengespeicherte Eingabe bei 0,015 US-Dollar liegt – ein Rabatt von 90 % – und es keine Schwankungen je nach Tageszeit gibt. D​eepSeek V4.1 Flash 1017 listet 0,30 und 1,20 US-Dollar in den Spitzenzeitfenstern an Wochentagen, halbiert auf 0,15 und 0,60 US-Dollar außerhalb der Spitzenzeiten, mit Cache-Treffern bei jeweils 0,006 und 0,003 US-Dollar. Während der Spitzenzeiten kostet D​eepSeek doppelt so viel wie M​iniMax für dieselbe Million Tokens. Außerhalb der Spitzenzeiten sind die beiden Preismodelle identisch. Eine Workload, die nach einem von Ihnen kontrollierten Zeitplan läuft, kann das günstige Zeitfenster von D​eepSeek nutzen; eine Workload, die läuft, wenn Ihre Nutzer aktiv sind, kann das nicht.

Artificial Analysis beziffert den Unterschied, der die Preisspielchen übersteht: $0.22, um eine Intelligence-Index-Aufgabe auf M3.1 Flash abzuschließen, gegenüber $0.26 auf DeepSeek V4.1 Flash 1017. Das ist ein 15-%-Vorsprung für MiniMax bei derselben Bewertung, und es ist die einzige ökonomische Aussage in diesem Vergleich, die unabhängig gemessen statt vom Anbieter behauptet ist. Das ist wichtig, weil die Pro-Token-Preisangabe Ihnen das nicht verrät. DeepSeeks $0.30/$1.20 sieht wie ein 2-facher Aufschlag aus und verhält sich wie ein 15-prozentiger, weil MiniMax 180 Millionen Ausgabe-Token verbraucht, um den Index laufen zu lassen, gegenüber DeepSeeks 210 Millionen, und weil DeepSeek mit 208.7 Token pro Sekunde gegenüber etwa 105 ungefähr doppelt so schnell ist. Zwei Modelle, zwei Preisphilosophien und ein realer Kostenunterschied von achtzehn Cent pro Auswertung.

Und genau hier rechtfertigt eine Routing-Schicht ihren Platz – auf eine Weise, die leicht zu benennen und von Hand schwer umzusetzen ist. OrcaRouter gibt den Listenpreis des Anbieters mit 0 % Aufschlag weiter, sodass sich der Betrag auf Ihrer Rechnung noch am selben Tag ändert, wenn eines der Labore einen Preis ändert, und nicht erst bei der nächsten Vertragsverlängerung – und bei einer Karte mit Peak-Fenster ist das der Unterschied zwischen einem Budget, das Sie einmal festlegen, und einem Budget, das Sie stündlich nachprüfen. Wir führen MiniMax M3.1 Flash oder DeepSeek V4.1 Flash 1017 derzeit nicht im Katalog, und dieser Artikel behauptet nicht, dass wir das tun; die DeepSeek-Familie, die wir tatsächlich routen, ist ein anderer Checkpoint, eine Unterscheidung, die man sauber auseinanderhalten sollte, wenn der Modellstring das ist, worauf Ihr Code festgelegt ist.

Zwei Zahlen, die die Benchmark-Tabelle nicht enthält

Der erste Punkt ist die Geschwindigkeit. MiniMax behauptet über 200 Token pro Sekunde und P50 über 170. Artificial Analysis misst mit seinem eigenen Harness etwa 105 Token pro Sekunde, bei 1,38 Sekunden bis zum ersten Token. DeepSeek misst 208,7 Token pro Sekunde bei 1,07 Sekunden. Durchsatzangaben von Anbietern werden fast immer im besten Fall gemessen, den ein Serving-Stack erzeugen kann; die unabhängige Zahl ist diejenige, die in Ihrem p95 auftaucht. In dieser Dimension liegen MiniMax' eigene Behauptung und das gemessene Ergebnis nicht nahe beieinander, und das gemessene Ergebnis beträgt die Hälfte von DeepSeek.

Das Zweite ist die Lizenz. DeepSeek V4.1 Flash 1017 ist MIT-lizenziert, mit Gewichten auf Hugging Face und 552 Milliarden Gesamtparametern gegenüber 16 Milliarden aktiven. MiniMax sagt, die Gewichte von M3.1 Flash „würden später veröffentlicht“, und hat diesem Versprechen weder ein Datum noch eine Lizenz noch eine Parameteranzahl beigefügt. Wenn Ihre Beschaffung durch eine Sicherheitsprüfung läuft, die fragt, was passiert, wenn der Anbieter verschwindet, dann ist die Benchmark-Tabelle nicht die Frage, die Sie beantworten, und in der Tabelle, die Sie erhalten haben, steht die Antwort nicht.

Was würde diese Lesart ändern?

Drei Punkte, geordnet nach ihrer Bedeutung. Unabhängige Läufe von DeepSWE v1.1 und Agents' Last Exam auf M​iniMax' Checkpoint würden klären, ob die 73,7 und 29,6 konservativ oder großzügig sind – derzeit hat niemand außerhalb der beiden Labs eines von beiden veröffentlicht. Ein veröffentlichter Automation-Bench-Score von M​iniMax auf demselben 600-Aufgaben-Release, das D​eepSeek verwendet hat, würde dem Agentic-Anspruch die Zahl geben, die ihm derzeit fehlt. Und eine Veröffentlichung der Gewichte mit beigefügter Lizenz würde das Modell auf der Achse vergleichbar machen, auf der D​eepSeek derzeit überhaupt keine Konkurrenz hat.

Bis dahin ist die ehrliche Zusammenfassung enger gefasst als jeder der beiden Launch-Beiträge. M​iniMax M3.1 Flash ist ein günstigeres Modell, um eine Aufgabe abzuschließen, ein langsameres, mit dem man spricht, ein geschlossenes, das man beschaffen muss, und – bei den einzigen beiden Benchmarks, die beide Unternehmen identisch gemessen haben – das zweitplatzierte. Das ist nicht die Geschichte, die die Tabelle erzählen sollte, aber es ist die Geschichte, die die Tabelle enthält. Wenn Sie diese Woche zwischen ihnen wählen, wählen Sie nach dem Preisblatt und der Lizenz, denn das sind die beiden Zeilen, von denen niemand überzeugt werden musste.