DeepSeek V4.1 Flash vs Kimi K3: leer la afirmación, luego la evidencia

DeepSeek V4.1 Flash llegó con una afirmación específica y verificable: que supera a Kimi K3 en benchmarks de ciberseguridad y programación — y en las filas que el proveedor seleccionó, lo hace. Terminal-Bench 2.1: 90,6 frente a 88,3. CyberGym: 88,1 frente a 80,0. DeepSWE v1.1: 74,2 frente a 67,5. NL2Repo-Bench: 65,4 frente a 58,0. Todas esas cifras de DeepSeek provienen del propio harness de DeepSeek con el propio esfuerzo de razonamiento de DeepSeek, y todas las cifras de Kimi K3 comparadas con ellas vinieron de otro lugar. Eso no es razón para descartar la afirmación. Es la razón por la que la afirmación debe desglosarse antes de que compres algo basándote en ella.

Aquí está cómo son en realidad las bases de evidencia de los dos modelos, qué sucede cuando las pones en una misma escala, y el único número que sobrevive a todas las versiones de esta comparación.

Dos bases de evidencia que apenas se superponen

Esta es la parte inusual de este enfrentamiento, y explica la mayor parte del desacuerdo que encontrarás en línea.

DeepSeek publicó una tabla de benchmarks de lanzamiento. Terminal-Bench 2.1, DeepSWE v1.1, CyberGym, ProgramBench, NL2Repo-Bench, Automation-Bench — todos reportados por el proveedor. Son las filas que DeepSeek eligió ejecutar, sobre arneses que DeepSeek configuró, con DeepSeek fijando el esfuerzo de razonamiento. Vale la pena saberlo antes de compararlas con cualquier cosa: Artificial Analysis descubrió que ejecutar estas suites con el máximo esfuerzo de razonamiento consume aproximadamente 2,5 veces más tokens de salida que una configuración de nivel medio, a la vez que recupera la mayor parte de la precisión por debajo de ese nivel. Una tabla de proveedor con el máximo esfuerzo es una medición de techo, no una típica.

Las cifras de Kimi K3 en su mayoría no son de Moonshot. Artificial Analysis ejecutó su propio sistema de evaluación y publicó resultados por benchmark en una escala comparable entre todos los modelos que monitorea: GPQA Diamond 93,5, Humanity's Last Exam 46,9, Long-Context Recall 88,7, SciCode 59,5, Terminal-Bench 2.1 85,0 — además de un índice compuesto. Esas son mediciones de un tercero.

Así que "DeepSeek supera a Kimi K3 en programación" se reduce a algo más limitado de lo que suena. En el arnés de DeepSeek, el modelo de DeepSeek gana las filas de programación que DeepSeek seleccionó. Eso es una señal real —los proveedores no suelen publicar tablas en las que pierden—, pero es una clase de evidencia distinta de la de una suite ejecutada de forma independiente, y las dos nunca deberían aparecer en la misma columna sin una etiqueta.

En una escala, la diferencia es de cuatro puntos

Coloca ambos en el Índice de Inteligencia de Artificial Analysis y la diferencia es más estrecha de lo que sugiere el marketing de cualquiera de las dos partes. Kimi K3 obtiene 44. DeepSeek V4.1 Flash obtiene 40.

Cuatro puntos. En las filas por benchmark, la ventaja de Kimi K3 es consistente y se concentra donde se manifiesta el razonamiento de largo horizonte: Humanity's Last Exam 46,9 frente a 36,8; SciCode 59,5 frente a 51,9; GPQA Diamond 93,5 frente al 90,9 reportado por el proveedor de DeepSeek; Long-Context Recall 88,7 frente a 84,0. Kimi K3 también ocupa el segundo puesto en el ranking de 113 modelos de Artificial Analysis, frente a DeepSeek V4.1 Flash, que está en el sexto.

Esas son brechas genuinas, independientes y reproducibles. Ninguna ventaja de precio las cierra para una tarea que depende de ellas.

También son cuatro puntos —la misma brecha de cuatro puntos que separa a DeepSeek V4.1 Flash de Grok 4.6, y menor que la brecha de cinco puntos que lo separa de Qwen3.8-Max. Una diferencia de cuatro puntos en un índice compuesto es una banda estrecha. Te dice que Kimi K3 es el modelo más fuerte, y no alcanza ni a decirte que esa fortaleza se refleje en tu carga de trabajo.

El número que sobrevive a todas las versiones de esta comparación

Costo por tarea de Intelligence Index, medido por la misma organización que elaboró el índice: $0.27 para DeepSeek V4.1 Flash, $2.00 para Kimi K3.

7.4x. Esa es la diferencia más grande, más robusta y más contrastable entre estos dos modelos y, a diferencia de las filas de benchmark, no depende de quién lo haya ejecutado en su harness: los recuentos de tokens son los recuentos de tokens.

También escala según cuán agéntica sea tu carga de trabajo. La cifra de $2.00 proviene de una suite mixta; en el benchmark de codificación agéntica de Vals AI, la brecha reportada se amplía a aproximadamente 40x, $0.41 por tarea frente a $17.59, con la ejecución de DeepSeek terminando en unos 15 minutos frente a aproximadamente 90 minutos. Cuanto más te alejas de un único prompt y respuesta hacia un bucle largo de llamadas a herramientas, más divergen los dos modelos de precios —porque ahí es donde el almacenamiento en caché y el volumen de salida dominan la factura.

• Tarifa — DeepSeek V4.1 Flash $0.15/$0.60 por 1M en horario valle ($0.30/$1.20 en horario punta, días laborables 01:00–04:00 y 06:00–10:00 UTC) vs Kimi K3 $3.00/$15.00 por 1M, tarifa plana

• Descuento de caché — 98% vs 90%; lectura de caché $0.003 por 1M vs $0.30 por 1M

• Contexto — 1.048.576 tokens en ambos casos, y ninguno aplica un recargo por contexto largo

• Rendimiento — 214.4 tokens/seg frente a 34.7, una diferencia de 6.2x

• Verbosidad — 250M tokens de salida en todo el índice frente a 160M

• Parámetros — 552B en total, 8B activos en prefill y 16B en decode, frente a 2,8T en total con 16 de 896 expertos activos por token

• Muestreo — superficie completa de temperature / top_p / seed frente a ninguna; Kimi K3 solo expone reasoning_effort y el pensamiento no se puede desactivar

• Licencia — MIT vs MIT modificada, que añade términos de marca por encima de 100 millones de usuarios mensuales o 20 millones de dólares de ingresos mensuales

Donde el lado barato es genuinamente peor

En el lado de DeepSeek del libro mayor hay dos costos, y ambos son fáciles de pasar por alto.

Verbosidad. DeepSeek V4.1 Flash emitió 250M tokens de salida en el Intelligence Index frente a los 160M de Kimi K3. Aquí la salida se factura a 4x la entrada. Un modelo que es veinte veces más barato por token pero que habla una vez y media más no es veinte veces más barato, y es exactamente por eso que la cifra honesta se sitúa en 7,4x y no en el 20x que implica la tabla de precios. DeepSeek es el modelo más verboso de esta comparación; Grok 4.6 es el menos, con 94M.

Velocidad. La lista de precios dice que DeepSeek es más barato. El reloj también dice que es 6,2 veces más rápido: 214,4 tokens/s frente a los 34,7 de Kimi K3. El modo de pensamiento de Kimi K3 no se puede desactivar y su esfuerzo de razonamiento predeterminado es el máximo, así que no hay una ruta barata y rápida a la que recurrir para las llamadas fáciles. Compras razonamiento de frontera en cada solicitud, la necesite o no. En una tarea de programación difícil, eso es el producto. En una pasada de clasificación, es desperdicio.

Lo que dice el tráfico, que ningún benchmark captura

Nuestros propios datos de enrutamiento aportan la única señal que ni el proveedor ni el analista pueden producir. Durante los últimos siete días, Kimi K3 movió aproximadamente 3,04 mil millones de tokens a través de OrcaRouter. DeepSeek V4.1 Flash movió aproximadamente 59,1 mil millones — unas diecinueve veces más, en un modelo que lleva activo menos de una semana.

Parte de eso es estructural. DeepSeek está enrutando todas las solicitudes de V4 Pro a V4.1 Flash y facturándolas a tarifas de Flash hasta que se lance V4.1 Pro, así que una gran base instalada fue migrada a él sin que nadie eligiera nada. Pero el volumen resultante sigue siendo la evidencia más clara disponible de que un enorme número de cargas de trabajo de producción ya estaban siendo atendidas lo suficientemente bien por el modelo más barato, y ese es un veredicto que los benchmarks no pueden darte, porque los benchmarks miden lo que un modelo puede hacer y el tráfico mide lo que los equipos estaban dispuestos a poner delante de usuarios de pago.

Elegir entre ellos

Ambos están detrás del mismo endpoint compatible con OpenAI en OrcaRouter, lo que hace que la división sea práctica en lugar de un proyecto de migración: enruta la sesión de codificación de horizonte largo, donde la ventaja de razonamiento de Kimi K3 vale la pena pagar, a DeepSeek V4.1 Flash, y el tráfico de alto volumen de agentes y de trabajo de conocimiento, donde los dos están dentro de cuatro puntos de índice, también a DeepSeek V4.1 Flash. Como la puerta de enlace transfiere la tarifa del proveedor sin ningún margen, el costo por token que ves es el del propio proveedor: vale la pena verificarlo dos veces al día en el lado de DeepSeek, ya que sus ventanas de máxima demanda duplican la tarifa las mañanas de días laborables en UTC.

El veredicto sigue a la evidencia, no a la tabla de lanzamiento. Si tu trabajo es una sola llamada de razonamiento difícil —una pregunta científica, un algoritmo novedoso, un documento que no puedes permitirte malinterpretar—, Kimi K3 es el modelo más potente, las diferencias independientes son consistentes y el precio es secundario. Si tu trabajo es un agente de programación, un bucle largo de llamadas a herramientas o cualquier cosa con un prefijo en caché grande reproducido a gran escala, los dos son lo bastante cercanos en capacidad como para que el costo se convierta en el criterio decisivo, y ahí la diferencia va de 7.4x a aproximadamente 40x según qué tan agéntica sea la tarea.

La propia tabla de benchmarks de DeepSeek exagera lo limpia que es esa victoria. El precio no.