MiniMax M3.1 Flash vs DeepSeek V4.1 Flash: en qué coinciden realmente las dos tablas de proveedores

Dos filas. Eso es cuánto de la tabla de lanzamiento de MiniMax sobrevive a una comparación con las propias cifras publicadas por DeepSeek, y vale la pena decirlo sin rodeos antes de que se repita el titular de cualquiera de los dos proveedores: en los dos benchmarks en los que MiniMax M3.1 Flash y DeepSeek V4.1 Flash —el checkpoint 1017 que DeepSeek lanzó dos días antes— ambos laboratorios publicaron una puntuación en la misma evaluación, el modelo más reciente está por detrás. MiniMax lanzó M3.1 Flash el 19 de octubre de 2026 con una tabla que abarca trabajo agéntico, programación, uso de computadoras y ciberseguridad, y la afirmación de un salto generacional frente a su propio predecesor. DeepSeek lanzó V4.1 Flash 1017 el 17 de octubre de 2026 con una ficha de modelo que hace lo mismo. Lo interesante de ponerlas juntas no es quién gana. Es lo poco que cada tabla está diseñada para poder compararse en absoluto.Las tablas de los proveedores son un tipo de evidencia y los registros de incidentes son otro, así que los fallos detrás de lanzamientos como estos están catalogados en the OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

A qué le puso realmente un número M​iniMax

La publicación de M​iniMax es más específica que la mayoría. Ofrece seis cifras por adelantado: BankerToolBench 76,2; DeepSWE v1.1 73,7 %; OSWorld V2 61,7; Agents' Last Exam 29,6; CyberGym 82 %; y una afirmación de rendimiento superior en Automation-Bench sin una puntuación en el texto de resumen. Junto a ellas figuran dos afirmaciones de rendimiento —aproximadamente tres veces más rápida la inferencia en línea que el modelo al que sustituye, y más de 200 tokens por segundo con un P50 por encima de 170— y una afirmación de un coste un 70 % menor en tareas agénticas. Todo ello está reportado por el proveedor y no ha sido reproducido. M​iniMax lo ejecutó, M​iniMax lo publicó, y el arnés solo se nombra en las notas al pie.

La nota al pie es donde la tabla empieza a desmoronarse. BankerToolBench, dice MiniMax, se evaluó con el harness OpenCode 1.1718 y fue juzgado por MiniMax-M2.7, su propio modelo anterior. Eso es un benchmark autoevaluado: un modelo MiniMax puntuando resultados producidos por un modelo MiniMax, sobre un conjunto de tareas que MiniMax eligió. Puede estar perfectamente bien ejecutado. No es evidencia que puedas esgrimir contra un laboratorio que publica con un harness que mantiene otra persona.

Las dos filas que se alinean

DeepSWE v1.1 es la única medición verdaderamente compartida. Ambos laboratorios la reportan, y ambos nombran el arnés: D​eepSeek dice Mini-SWE-V2 en su ficha del modelo, M​iniMax reporta la misma versión del benchmark. M​iniMax afirma 73,7%. D​eepSeek afirma 77,0% para el checkpoint 1017, frente al 74,2% de la versión V4.1 Flash a la que reemplazó. Así que la clasificación aquí no es ambigua, y no es halagadora para el modelo más nuevo: la versión del 17 de octubre de D​eepSeek está por delante de la versión del 19 de octubre de M​iniMax en el único benchmark de agentes de programación que ambas empresas midieron de la misma manera, y está por delante de su propia versión anterior por casi tres puntos mientras lo hace.

Agents' Last Exam cuenta la misma historia con más distancia. MiniMax informa 29,6. DeepSeek informa 35,4 para 1017, frente a 31,8 del checkpoint anterior. Esa es una brecha de cinco puntos en un benchmark diseñado para ser difícil para agentes, y es la segunda fila consecutiva en la que el modelo dos días más antiguo está cómodamente por delante.

Todo lo demás en las dos tablas o se mide en una configuración distinta, o lo evalúa un modelo distinto, o lo publica solo una de las partes. La ficha de DeepSeek incluye Terminal-Bench 4.0 con 42.3 en el arnés de Claude Code, HLE sin herramientas con 42.6, ProgramBench 29.1, Apex Bench v1.1 72.1 y Automation-Bench v1.0.6 con 60.5. La publicación de MiniMax no da ninguna cifra de Terminal-Bench 4.0, y su fila de Automation-Bench aparece bajo una nota al pie sobre las 600 tareas publicadas públicamente, en lugar de junto a una cifra comparable que pudiéramos atribuir con confianza a la resolución con la que se muestra la publicación. Dos de esas filas son verificables. El resto son dos exámenes distintos con el mismo nombre en la portada.

Donde la tabla de MiniMax es sólida y la de DeepSeek permanece en silencio

Sería un error leer las dos filas compartidas como el panorama completo, porque ambas son filas de razonamiento de programación y agentes, y la propuesta de MiniMax es más amplia. OSWorld V2 con 61.7 es una cifra de uso de computadora que DeepSeek no publica, y MiniMax afirma el primer puesto entre los modelos chinos en ella. CyberGym con 82% es una cifra de agente de seguridad que DeepSeek tampoco publica. BankerToolBench 76.2 mide la selección de herramientas en un entorno de flujo de trabajo empresarial que ni la ficha de DeepSeek ni Artificial Analysis cubren. En ese terreno MiniMax no está perdiendo; no tiene oposición. No tener oposición no es lo mismo que ir por delante, y el propio resumen del proveedor —"alcanzar el nivel de los modelos líderes"— es una afirmación de paridad, no de liderazgo.

La otra cosa que merece la pena notar sobre la tabla de lanzamiento es lo que hace con los competidores. El gráfico publicado coloca la columna de M​iniMax junto a D​eepSeek, Kimi-K3, GLM-5.3, GPT-5.6 Sol y Opus 5, y las cifras de esas columnas son las publicadas por los propios otros laboratorios, en lugar de cifras obtenidas por M​iniMax. Es una práctica normal y no es deshonesto, pero significa que toda comparación entre columnas de esa imagen hereda el arnés de evaluación que cada laboratorio usara. Una tabla que alinea seis modelos invita a leer horizontalmente a lo largo de las filas. Solo dos de esas filas se construyeron para poder leerse horizontalmente.

La historia del precio va en sentido contrario, y es real.

En cuanto a precio, MiniMax tiene la tarjeta de precios más clara. M3.1 Flash cuesta $0.15 por millón de tokens de entrada y $0.60 por millón de salida, con la entrada en caché a $0.015 —un descuento del 90 %— y sin variación según la hora del día. DeepSeek V4.1 Flash 1017 tiene un precio de lista de $0.30 y $1.20 durante sus ventanas de máxima demanda entre semana, y baja a la mitad, a $0.15 y $0.60, fuera de horas pico, con aciertos de caché a $0.006 y $0.003 respectivamente. Durante las horas pico, DeepSeek cuesta el doble de lo que cobra MiniMax por el mismo millón de tokens. Fuera de horas pico, las dos tarifas son idénticas. Una carga de trabajo que se ejecuta según un horario que tú controlas puede aprovechar la ventana barata de DeepSeek; una carga de trabajo que se ejecuta cuando lo hacen tus usuarios, no.

Artificial Analysis cuantifica la diferencia que sobrevive a los juegos de precios: $0,22 para completar una tarea del Intelligence Index en M3.1 Flash frente a $0,26 en DeepSeek V4.1 Flash 1017. Es una brecha del 15% a favor de MiniMax en la misma evaluación, y es la única afirmación económica de esta comparación que se mide de forma independiente en lugar de ser aseverada por el proveedor. Importa porque la tarifa por token no te dice esto. Los $0,30/$1,20 de DeepSeek parecen una penalización de 2x y se comportan como una del 15%, porque MiniMax consume 180 millones de tokens de salida al ejecutar el índice frente a los 210 millones de DeepSeek y porque DeepSeek es aproximadamente el doble de rápido, con 208,7 tokens por segundo frente a unos 105. Dos modelos, dos filosofías de precios y una diferencia de coste real de dieciocho centavos por evaluación.

Que es también donde una capa de enrutamiento se gana su lugar, de una forma que es fácil de enunciar y difícil de hacer a mano. OrcaRouter pasa el precio de lista del proveedor con un 0% de margen, así que cuando cualquiera de los laboratorios cambia una tarifa, la cifra de tu factura cambia el mismo día en lugar de en la siguiente renovación del contrato — y en una tarjeta con ventana de pico, esa es la diferencia entre un presupuesto que fijas una vez y un presupuesto que revisas cada hora. Hoy no incluimos M​iniMax M3.1 Flash ni DeepSeek V4.1 Flash 1017 en el catálogo, y este artículo no afirma que lo hagamos; la familia D​eepSeek que sí enrutamos es un checkpoint diferente, una distinción que conviene mantener clara cuando la cadena del modelo es aquello a lo que tu código está fijado.

Dos números que la tabla de referencia no contiene

El primero es la velocidad. MiniMax afirma más de 200 tokens por segundo y un P50 superior a 170. Artificial Analysis mide aproximadamente 105 tokens por segundo en su propio entorno de pruebas, con 1,38 segundos hasta el primer token. DeepSeek mide 208,7 tokens por segundo con 1,07 segundos. Las afirmaciones de rendimiento de los proveedores casi siempre se miden en el mejor caso que puede producir una pila de servicio; la cifra independiente es la que aparece en tu p95. En esta dimensión, la propia afirmación de MiniMax y el resultado medido no están cerca, y el resultado medido es la mitad del de DeepSeek.

La segunda es la licencia. DeepSeek V4.1 Flash 1017 tiene licencia MIT, con pesos en Hugging Face y 552 mil millones de parámetros totales frente a 16 mil millones activos. MiniMax dice que los pesos de M3.1 Flash "se publicarán más adelante" y no ha adjuntado ninguna fecha, ninguna licencia ni ningún recuento de parámetros a esa promesa. Si su proceso de adquisición pasa por una revisión de seguridad que pregunta qué ocurre si el proveedor desaparece, la tabla de benchmarks no es la pregunta que está respondiendo, y en la tabla que le dieron la respuesta no está.

¿Qué cambiaría esta lectura?

Tres cosas, en orden de la importancia que tendrían. Ejecuciones independientes de DeepSWE v1.1 y Agents' Last Exam sobre el checkpoint de MiniMax permitirían determinar si el 73,7 y el 29,6 son conservadores o generosos; ahora mismo, nadie fuera de los dos laboratorios ha publicado ninguno de los dos. Una puntuación publicada de Automation-Bench por parte de MiniMax, sobre la misma versión de 600 tareas que usó DeepSeek, le daría a la afirmación sobre capacidades agénticas la cifra que actualmente le falta. Y una publicación de pesos con una licencia adjunta haría que el modelo fuera comparable en el eje donde DeepSeek actualmente no tiene competencia alguna.

Hasta entonces, el resumen honesto es más limitado de lo que sugiere cualquiera de las publicaciones de lanzamiento. M​iniMax M3.1 Flash es un modelo más barato con el que terminar una tarea, más lento con el que conversar, cerrado a la hora de adquirirlo y —en los dos únicos benchmarks que ambas empresas midieron de forma idéntica— el que queda en segundo lugar. Esa no es la historia que la tabla estaba destinada a contar, pero es la historia que la tabla contiene. Si esta semana tienes que elegir entre ellos, elige según la lista de precios y la licencia, porque esas son las dos filas que nadie tuvo que ser persuadido de aceptar.