Eine generierte Titelkarte mit der Aufschrift „Sage-S2.1-Flash vs DeepSeek V4.1 Flash“ über dem Untertitel „Zwei Open-Weight-MoEs, ein Anbieter-Scoreboard“, darunter zwei Chips mit der Aufschrift „18B aktiv“ und „16B aktiv“. Weißer Hintergrund, blau- und cyanfarbene Gradient-Akzente, flache Linien-Icons. Das OrcaRouter-Logo ist in der unteren rechten Ecke eingefügt.
Guides & Insights

Sage-S2.1-Flash vs. DeepSeek V4.1 Flash: Das einzige Duell mit gemeinsamem Scoreboard

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Es gibt genau einen Ort im Internet, an dem Sage-S2.1-Flash und DeepSeek V4.1 Flash gegeneinander bewertet wurden, und dieser Ort ist nicht neutral. InternLM, das Labor, das Sage-S2.1-Flash am 15. November 2026 veröffentlichte, nahm DeepSeek-V4.1-Flash-1017 in seine eigene Vergleichstabelle auf – 35 Benchmarks, acht konkurrierende Modelle, eine tabulatorgetrennte Datei in einem GitHub-Repository, auf die die Hugging-Face-Modellkarte nicht verlinkt. Die beiden Modelle teilen sich also eine Punktetabelle, und eines von ihnen hat sie erstellt.

Das lässt sich von den beiden anderen Vergleichen in dieser Reihe nicht behaupten, bei denen es überhaupt keine gemeinsame Tabelle gibt. Außerdem macht es dies zur nützlichsten der drei Seiten, denn eine gemeinsame Tabelle – selbst eine des Anbieters selbst – ermöglicht Fragen, die ein Paar getrennter Blogbeiträge nicht beantworten kann. Im Folgenden geht es darum, was die gemeinsame Tabelle aussagt, welche beiden Architekturen dahinterstehen und wie viel man davon glauben sollte.

Die Asymmetrie, die alles rahmt

Stellen Sie die beiden Releases als Artefakte nebeneinander, bevor Sie sie als Modelle nebeneinanderstellen.

DeepSeek V4.1 Flash erschien am 10. September 2026 mit einer vollständigen Modellkarte, einem technischen Bericht als PDF mit dem Titel „Pushing the Limits of KV Cache Compression“, einer MIT-Lizenz, einer dokumentierten API mit veröffentlichten Preisen für Nebenzeiten und Hauptzeiten sowie einem aktualisierten Snapshot – 1017 – am 17. Oktober. Ihr Hugging-Face-Repository wurde 1,69 Millionen Mal heruntergeladen und hat 4.978 Likes. Artificial Analysis bewertet es unabhängig mit 32,6 auf dem Intelligence Index bei maximalem Aufwand.

Sage-S2.1-Flash erschien am 15. November 2026 mit 120 bfloat16-Shards, einer 21-Byte-Modellkarte, deren gesamter Inhalt eine Lizenzdeklaration und eine Bereitstellungsanleitung ist, sowie nirgendwo einem veröffentlichten Preis. Es hat ein Like und null Downloads. Kein unabhängiges Test-Harness hat es bisher angefasst.

Beide sind MIT-lizenzierte Open-Weights-Mixture-of-Experts-Modelle mit einem Kontextfenster von einer Million Token und nativem Bildeingang. Auf dem Papier sind sie ebenbürtig. Den Belegen nach sind sie nicht annähernd gleichauf.

A generated two-column comparison scoreboard titled 'Sage-S2.1-Flash vs DeepSeek V4.1 Flash - the scoreboard'. The Sage-S2.1-Flash column reads: Parameters: 320B, 18B active; Layers: 45, 34 linear; Price: none published; Context: 1,048,576 tokens; Independent score: none; Downloadable: MIT weights. The DeepSeek V4.1 Flash column reads: Parameters: 552B, 16B active; Layers: 40, encoder-decoder; Price: $0.15 / $0.60 off-peak; Context: 1,000,000 tokens; Independent score: AA Index 32.6; Downloadable: open weights. Footer: 'Sage rows from InternLM; DeepSeek price from DeepSeek; DeepSeek score per Artificial Analysis.' The OrcaRouter logo is composited in the bottom-right corner.

Was die gemeinsame Tabelle tatsächlich enthält

Die Benchmark-Datei von InternLM listet 31 Zeilen auf, die einen DeepSeek-V4.1-Flash-1017-Wert enthalten. Sie zu lesen ist eine andere Erfahrung als das Lesen eines Launch-Beitrags, denn die Zeilen, in denen Sage verliert, sind immer noch da. Ein repräsentativer Ausschnitt, Sage jeweils zuerst in jeder Zeile:

• Terminal-Bench 2.1 — 87,9 zu 87,6, ein Gleichstand mit drei Zehnteln Unterschied

• DeepSWE — 67,0 vs. 73,9, ein Defizit von 6,9 Punkten

• SWE-bench Pro — 60,6 gegenüber 64,7, ein Rückstand von 4,1 Punkten

• NL2Repo-Bench — 57,2 vs. 62,7, ein Rückstand von 5,5 Punkten

• APEX-Agents — 61,7 gegenüber 69,2, ein Defizit von 7,5 Punkten

• WideSearch — 81,5 gegenüber 86,3

• BrowseComp — 91,2 vs. 93,8

• CyberGym — 84,3 vs. 88,8

• τ³-bench Banking — 45,4 vs. 47,4

• OSWorld v2.1 — 69,3 vs. 70,1

• AutomationBench — 56,7 vs. 57,8

Das Muster in dieser Liste ist unangenehm für das neuere Modell: Bei allgemeinen agentischen und Coding-Aufgaben gewinnt DeepSeek V4.1 Flash in der Mehrheit der Zeilen, oft mit Abständen, die nicht auf Rauschen beruhen. Ein zwei Monate früher veröffentlichtes Modell von einem Labor mit einem öffentlichen technischen Bericht schlägt die leise Veröffentlichung bei den Benchmarks, die die leise Veröffentlichung selbst zu veröffentlichen beschloss.

Dann kehrt sich die Tabelle um. Die Zeilen, in denen Sage führt, sind die wissenschaftlichen und die Dokument-Zeilen, und die Abstände sind von einer völlig anderen Größenordnung:

• Harvey LAB — 25,0 vs. 11,7, mehr als das Doppelte

• OfficeQA Pro V2 — 72,2 vs. 69,7

• BabyVision — 75,8 vs. 58,0, ein Unterschied von 17,8 Punkten

• OSWorld-G — 84,8 vs. 61,4, eine Differenz von 23,4 Punkten

• MLE-bench Lite — 90.3 vs 89.2

• Workspace-Bench-Lite — 67,1 vs. 66,8

• GDPval — 78,0 vs. 77,6

• SpreadsheetBench 2 — 37,1 vs. 35,8

Zwei Muster, und sie weisen in entgegengesetzte Richtungen. Bei Software-Engineering und werkzeuggetriebener Agentenarbeit in einer allgemeinen Umgebung ist DeepSeek V4.1 Flash das stärkere Modell, und InternLMs eigene Zahlen sagen das. Bei wissenschaftlicher Wahrnehmung, dokumentenlastiger professioneller Arbeit und grafischer Desktop-Steuerung liegt Sage-S2.1-Flash nicht knapp vorn, sondern in einer anderen Liga.

Warum die Architekturen genau diese Aufteilung erzeugen würden

Die beiden Modelle lösen unterschiedliche Probleme, und ihre Konfigurationen zeigen das bereits, bevor es irgendein Benchmark tut.

DeepSeek V4.1 Flash ist ein Backbone mit 552 Milliarden Parametern und 16 Milliarden aktiven Parametern pro Token, aufgebaut auf einer Architektur, die DeepSeek als Causal Encoder-Decoder bezeichnet: 40 Schichten, gleichmäßig aufgeteilt in einen 20-schichtigen kausalen Encoder und einen 20-schichtigen Decoder. Die Rahmung des technischen Berichts ist die KV-Cache-Komprimierung – die zentrale Aussage des Modells betrifft die Serving-Effizienz bei einer Million Tokens, nicht die Wahrnehmung. Es verarbeitet Bilder nativ, doch der veröffentlichte Schwerpunkt liegt auf der Ökonomie des Long-Context-Servings.

Sage-S2.1-Flash ist ein Modell mit 320 Milliarden Parametern, von denen pro Token 18 Milliarden aktiv sind, und laut seinem Deployment-Leitfaden 45 Schichten. Die Konfiguration teilt sie scharf auf: 34 Schichten verwenden einen linearen Attention-Typ, den die Datei kda nennt, und nur 11 verwenden Sparse Attention mit einem Top-k-Index von 2.048 Token. Es gibt einen 24-schichtigen Vision-Tower bei 448-Pixel-Eingabe, und das Token-Vokabular enthält explizite Bild-, Video-, Audio-, Start- und End-Token. InternLMs eigener englischer Veröffentlichungstext – gehostet unter internlm.github.io/Sage-S2.1-Flash, erstellt am 16. November, von der Modellkarte nicht referenziert – beschreibt Training über molekulare Graphen, Kristallstrukturen, Proteinsequenzen und 3D-Strukturen, DNA und RNA, Spektren, Massenspektren, Röntgenbeugung, Elektrokardiogramme, Elektroenzephalogramme und Lichtkurven.

Liest man diese Liste vor dem Hintergrund der Zeilen, in denen Sage gewinnt, sieht das Bild nicht mehr nach Benchmark-Glück aus. Harvey LAB ist juristische Arbeit mit Dokumenten. OfficeQA Pro ist die Beantwortung von Fragen zu Finanzdokumenten. BabyVision ist visuelle Wahrnehmung. OSWorld-G ist grafische Desktop-Steuerung – Klicken in einer UI, nicht das Aufrufen einer API. Das sind die Konstrukte, bei denen ein Modell, das auf wissenschaftlichen Abbildungen, Spektren, Diagrammen und Softwareoberflächen trainiert wurde, gut sein sollte, und genau dort wäre bei einem Modell, das für KV-Cache-effizientes allgemeines Serving trainiert wurde, ein Rückstand zu erwarten.

Der Punkt schneidet in beide Richtungen. Sage verliert die Coding-Zeilen, weil es kein primär auf Coding ausgerichtetes Modell ist; DeepSeek verliert die Vision-Zeilen, weil es kein primär auf Wahrnehmung ausgerichtetes Modell ist. Keines der Ergebnisse ist ein Skandal. Der Fehler wäre, eine der beiden Spalten als allgemeines Urteil zu lesen.

Screenshot of the OrcaRouter model page for deepseek/deepseek-v4.1-flash. It shows a 1M-token context window, text and image input, vision, tools, JSON and reasoning tags, a release date of 2026-10-17, and the price row $0.15 input and $0.60 output per million tokens with a 1.20 s time to first token. The page states the model carries a context window of 1,048,576 tokens, can generate up to 384,000 tokens in a response, and is billed at $0.15 per 1M input and $0.60 per 1M output tokens.

Die Preisspanne, die nicht eng ist

DeepSeek V4.1 Flash hat einen veröffentlichten Tarif, und dieser gehört zu den günstigsten Tarifen für ein Modell dieser Größe:

• Außerhalb der Hauptverkehrszeiten, Cache-Miss — 0,15 $ pro Million Eingabe, 0,60 $ pro Million Ausgabe

• Spitzenlast, Cache-Miss — 0,30 $ pro Million Eingabe, 1,20 $ pro Million Ausgabe

• Cache-Treffer — 0,003 $ pro Million außerhalb der Stoßzeiten, 0,006 $ zu Stoßzeiten

• Stoßzeiten — 01:00–04:00 und 06:00–10:00 UTC, Montag bis Freitag, ausgenommen chinesische Feiertage

• Kontext — 1.000.000 Tokens, mit bis zu 384.000 Ausgabe-Tokens

Sage-S2.1-Flash hat keinen veröffentlichten Preis. Weder auf der Modellkarte noch im Bereitstellungsleitfaden oder auf der Release-Mikrowebsite ist ein Preis angegeben; der Link „Try the API“ auf der Website verweist auf ein Portal, das seinen Katalog einem Nicht-JavaScript-Client nicht anzeigen würde. Was Sage stattdessen bietet, ist eine Hardwareanforderung: Die Referenzbereitstellung im Leitfaden besteht aus acht H200-GPUs bei bfloat16, rund 645 GB Gewichte über den Knoten verteilt.

Dadurch wird der Kostenvergleich zu einer Frage der Form statt zu einer Zahl. DeepSeek V4.1 Flash kostet zu Schwachlastzeiten 0,15 US-Dollar pro einer Million Eingabe-Tokens, was bedeutet, dass ein Prompt mit einer Million Tokens fünfzehn Cent kostet. Sage-S2.1-Flash mit einer Million Tokens laufen zu lassen, kostet so viel, wie dich acht H200 für die reale Laufzeit des Aufrufs kosten, und niemand hat eine Durchsatzzahl dafür veröffentlicht. Wenn dir der Node bereits gehört, liegen die Grenzkosten des Aufrufs nahe null, und DeepSeek wirkt im Vergleich teuer. Wenn nicht, gewinnt DeepSeek mit einem so großen Vorsprung, dass sich der Vergleich mit Sage erst lohnt, wenn es einen Preis für eine gehostete Variante gibt.

Was Ihnen die gemeinsame Tabelle nicht verraten kann

Eine Eigenschaft eines vom Anbieter verfassten Vergleichs sollte klar benannt werden, denn sie beeinflusst, wie jede obige Zeile zu lesen ist: Der Harness ist nicht dokumentiert. InternLM hat die Zahlen veröffentlicht, nicht die Laufkonfiguration. Es gibt keine Angabe dazu, wie viele Versuche pro Aufgabe unternommen wurden, welches Scaffolding verwendet wurde, welche Sampling-Parameter galten, ob Tools verfügbar waren oder wie hoch das Reasoning-Budget für jedes der beiden Modelle war. DeepSeeks eigener Wert von 32,6 im Artificial Analysis Intelligence Index stammt aus einem öffentlichen Harness, der auf jedes Modell in seinem Index dasselbe Verfahren anwendet; InternLMs 73,9 für DeepSeek bei DeepSWE stammt aus einem privaten.

Das macht die Tabelle nicht nutzlos. Es macht sie richtungsweisend. Die Coding-Zeilen und die Vision-Zeilen sind beide groß genug und intern konsistent genug, dass Scaffolding-Entscheidungen sie wahrscheinlich nicht erzeugen. Das Unentschieden von drei Zehntelpunkten bei Terminal-Bench 2.1 hingegen liegt gut innerhalb des Bereichs, den jede Harness-Variation erzeugen könnte – behandle einen Unterschied von 0,3 Punkten als Unentschieden, und nichts geht verloren.

Bemerkenswert ist auch: InternLM hat für DeepSeek auf DeepSWE einen Wert (73,9) veröffentlicht, der im Vergleich zu den anderen Coding-Zeilen in der eigenen Tabelle hoch ist, während DeepSeek bei SWE-bench Pro auf 64,7 kommt. Diese interne Inkonsistenz ist genau die Art von Sache, die eine veröffentlichte Testumgebung an einem Nachmittag klären würde und eine private überhaupt nicht klären kann.

Screenshot of the Hugging Face model page for internlm/Sage-S2.1-Flash. The header shows the safetensors and glm5_next tags, an MIT licence, a model size of 321B params and a bfloat16 tensor type. The sidebar notes that the README exists but its content is empty, that the model is not deployed by any Inference Provider, and it lists the collection including internlm/Sage-S2.1-Flash. Download counts are not shown.

Deployment: ein Nachmittag versus ein Dokument

Wenn Sie aufgrund operativer Erwägungen statt anhand von Benchmark-Zeilen auswählen, ist die Lücke größer, als die Scores nahelegen, und sie verläuft in dieselbe Richtung wie die Evidenzlücke.

DeepSeek V4.1 Flash wird mit einem technischen Bericht, einer Standard-Transformer-Architektur, einer fp8-Variante und Deployment-Tags für Azure und SageMaker auf seiner Modellkarte ausgeliefert. Es ist seit zwei Monaten im Einsatz, verzeichnet 1,69 Millionen Downloads, und auf jede Serving-Eigenheit, die es aufweist, ist bereits jemand gestoßen und hat sie dokumentiert.

Sage-S2.1-Flash wird mit einem Deployment-Leitfaden ausgeliefert, der bei genauem Lesen eine Liste stiller Fehlschläge ist. Lässt man --trust-remote-code weg, kodiert der mitgelieferte Tokenizer agentische Strings wie <|user|> und <tool_call> als Kontrolltokens – das Modell bricht vorzeitig ab oder beschädigt einen Tool-Aufruf, und nichts wird protokolliert. Wird es auf vLLM ohne den Ein-Datei-Patch in vllm_patch/ bereitgestellt, ordnen parallel zurückgegebene Tool-Ergebnisse, die in falscher Reihenfolge eintreffen, Bilder dem falschen Ergebnis zu, sodass das Modell über das falsche Bild antwortet; der Upstream-Fix steht als vllm-project/vllm#67108 noch aus. Wird es auf SGLang bereitgestellt, ohne chat_template.jinja explizit zu übergeben, installiert die Engine ihre eigene Vorlage für die Architektur. Auf Hopper wird der FP8-KV-Cache nicht unterstützt. LMDeploy benötigt transformers fest zwischen 5.17 und 5.19, weil 5.19 einen Schichttyp umbenannt hat.

All das ist dokumentiert, was dem Labor zur Ehre gereicht – das schaffen die meisten stillen Veröffentlichungen nicht. Aber es ist auch der Fingerabdruck eines Modells, das bis heute ausschließlich von seinen eigenen Autoren bedient wurde.

Das einzig Nützliche, das die gemeinsam genutzte Tabelle klärt

Angesichts all des oben Gesagten ist dies die Entscheidung, die die Beweislage tatsächlich stützt.

• Wenn es bei Ihrer Arbeit um Code, Agent-Tooling oder allgemeines Long-Context-Serving geht — DeepSeek V4.1 Flash. Es gewinnt die meisten dieser Zeilen in der eigenen Tabelle des Konkurrenten, kostet außerhalb der Stoßzeiten 0,15 US-Dollar pro Million Eingabe-Tokens und bietet einen unabhängigen Score zum Gegenprüfen. Es gibt hier kein ernsthaftes Argument für Sage.

• Wenn Ihre Arbeit aus wissenschaftlichen Abbildungen, Spektren, Diagrammen, gescannten Fachdokumenten oder GUI-gesteuerter Software besteht, dann ist Sage-S2.1-Flash das Wochenende wert. Die 23-Punkte-Lücke bei OSWorld-G und die 13-Punkte-Lücke bei Harvey LAB sind die Art von Unterschied, die darüber entscheidet, ob eine Aufgabe überhaupt automatisierbar ist, und kein anderes Modell in der Tabelle von InternLM kommt in diesen Zeilen auch nur annähernd heran.

• Wenn Sie sich heute entscheiden müssen — DeepSeek V4.1 Flash, denn es ist das einzige der beiden, das Sie ohne Wartungsfenster aufrufen können.

DeepSeek V4.1 Flash wird auf OrcaRouter als deepseek/deepseek-v4.1-flash zu 0,15 $ für Eingabe und 0,60 $ für Ausgabe pro Million Tokens geroutet – DeepSeeks eigener Off-Peak-Listenpreis, ohne Aufschlag weitergegeben – mit einem Kontext von 1.048.576 Tokens, zusammen mit dem 1017-Snapshot zum selben Tarif. Sage-S2.1-Flash ist nicht in unserem Katalog; es sind offene Gewichte, die Sie selbst bereitstellen würden, und wir werden nichts anderes suggerieren.

Was Ihnen ein Router hier bringt, ist enger als eine Migration und nützlicher als ein Benchmark. Die in diesem Artikel beschriebene Aufteilung – allgemeine agentische und Coding-Arbeit auf ein Modell, wissenschaftliche und GUI-lastige Arbeit auf das andere – ist genau die Form, die eine Routing-Richtlinie ausdrückt: ein Endpoint, eine Regel, die Anfragen mit Bildern und Dokumenten auf den spezialisierten Pfad schickt, und automatisches Failover, das verhindert, dass eine Störung auf Anbieterseite den gesamten Pfad lahmlegt. Beide DeepSeek-Identifikatoren liegen auf demselben Schlüssel, sodass es nur eine Änderung der Modellzeichenkette statt eines zweiten Vertrags kostet, den 1017-Snapshot gegen das Original zu testen. Das Stück, das Sie nicht routen können – Sage-S2.1-Flash –, ist das Stück, das Sie selbst betreiben müssten, was das klarste Argument dafür ist, zuerst gegen das zu prototypisieren, was im Katalog steht.

Was würde eine Überarbeitung dieser Seite rechtfertigen?

Zwei Dinge. Ein Preis für Sage-S2.1-Flash, der den Kostenabschnitt von einer Form in Arithmetik verwandeln würde. Und ein unabhängiger Score, idealerweise auf demselben Harness, der DeepSeek V4.1 Flash auf 32,6 brachte – denn die interessante Frage ist nicht, ob Sage DeepSeek im Durchschnitt schlägt. Alles oben Gesagte deutet darauf hin, dass dem nicht so ist. Die interessante Frage ist, ob Sages 23-Punkte-Vorsprung bei OSWorld-G einen Harness übersteht, der nicht von dem Labor geschrieben wurde, das ihn veröffentlicht hat, und ob das 6,9-Punkte-Defizit bei DeepSWE so real ist, wie es die Coding-Zeilen in seiner eigenen Tabelle implizieren.

Bis jemand diese Zeilen erneut laufen lässt, ist die gemeinsame Ergebnisübersicht der beste verfügbare Beleg, und sie wurde von einem der beiden Konkurrenten erstellt. Lies sie so, wie du jede selbst veröffentlichte Gegenüberstellung lesen würdest, die zufällig ihre eigenen Niederlagen enthält: vertrauenswürdiger als eine Tabelle, in der keine Niederlagen stehen, und trotzdem nicht dasselbe wie eine Messung.

In diesem Artikel verglichen1

Aus diesem Artikel erkannt · Benchmarks: Artificial Analysis · täglich aktualisiert