SWE-2 Flash vs. DeepSeek V4 Flash: uno tiene una lista de tarifas y el otro, una ratio

Lo primero que se rompe cuando pones SWE-2 Flash y DeepSeek V4 Flash uno al lado del otro es la unidad. DeepSeek publica dólares por millón de tokens y un checkpoint que puedes descargar. Cognition publica una fracción —un quinto de SWE-2— y un puesto dentro de Devin. Uno de estos es un modelo sobre el que puedes construir; el otro es un modelo que puedes usar. Toda comparación que venga después tiene que sobrevivir a esa asimetría, y la mayoría de las que circulaban el día del lanzamiento no lo hicieron.

Eso no es una razón para omitir la comparación. Es la razón por la que vale la pena hacer la comparación con cuidado. Los dos modelos están dirigidos al mismo comprador —un equipo que quiere un comportamiento de programación cercano a la frontera sin precios de frontera— y apuestan por cosas opuestas sobre cómo ese comprador quiere recibirlo. Una apuesta es desagregada: pesos, una API, una ventana de contexto publicada y una factura que puedes prever. La otra es integrada: un modelo ajustado para un entorno de ejecución, vendido como una fracción del coste de otro modelo, con la pila de servicio incluida en la cifra.

Qué es realmente cada uno, y la trampa del checkpoint

SWE-2 Flash se anunció el 4 de noviembre de 2026. Está entrenado posteriormente a partir de Inkling-Small, la mezcla de Thinking Machines de 276B en total y 12B activos, y está disponible en Devin Desktop y Devin CLI. Allí es gratis hasta el 30 de noviembre. No hay API, ni pesos públicos, ni ventana de contexto publicada.

DeepSeek V4 Flash es una mezcla de 284B en total y aproximadamente 13B activos bajo la licencia MIT, con una ventana de contexto de 1M de tokens y hasta 384.000 tokens de salida. Solo acepta texto; la variante de visión es un ID experimental separado. Se sirve mediante una API compatible con OpenAI y se puede invocar desde la primavera, con un checkpoint 0731 sometido a un nuevo post-entrenamiento que hizo la mayor parte del trabajo en codificación agéntica.

Luego viene la trampa. La propia página de modelos y precios de DeepSeek, consultada el 5 de noviembre de 2026, incluye deepseek-v4-flash entre los nombres heredados que la API aún acepta y dice que ahora lo sirve DeepSeek-V4.1-Flash-1017. Ese es un modelo distinto y más grande: la tabla comparativa de Cognition sitúa a V4.1 Flash 1017 en 763B en total y 16B activos. Así que «DeepSeek V4 Flash» se resuelve en al menos tres cosas según quién hable: la versión de abril, el checkpoint 0731 o el checkpoint V4.1 de octubre al que ahora apunta el ID. En OrcaRouter, los IDs fijados son rutas separadas, que es la única razón por la que una comparación puede llegar a ser reproducible.

Esto no es pedantería. Cambia a qué fila del benchmark tienes derecho a citar. Las cifras públicas del leaderboard de «DeepSeek V4 Flash» se midieron en la build 0731. La tabla de Cognition midió V4.1 Flash 1017. No son el mismo modelo, y las cifras difieren en consecuencia.

Precio, en las dos unidades que cada proveedor publica realmente

La tarifa de DeepSeek es pura aritmética. Por millón de tokens para el modelo que ahora sirve el ID deepseek-flash —DeepSeek-V4.1-Flash-1017, que la página nombra explícitamente—, consultada el 5 de noviembre de 2026: entrada a $0.15 en horario valle y $0.30 en las ventanas de hora punta, salida a $0.60 en valle y $1.20 en punta, entrada en caché a $0.003 y $0.006. La hora punta es de 01:00 a 04:00 y de 06:00 a 10:00 UTC, de lunes a viernes, excluidos los días festivos públicos de China. Fuera de esas ventanas se aplica la tarifa más barata.

El checkpoint antiguo fijado tiene un precio distinto. El catálogo de OrcaRouter ofrece deepseek/deepseek-v4-flash a $0,22 por millón de tokens de entrada y $0,66 por millón de salida, una tarifa plana sin nivel de hora punta. Ese es el precio de la reproducibilidad: fija el modelo de la línea de abril en lugar de llamar al actual y pagas más, a cambio del modelo sobre el que realmente se midieron la mayoría de las filas de benchmarks publicados. Ninguna opción es incorrecta; responden a preguntas distintas.

La ficha de Cognition es una comparación. «Una quinta parte del precio y 3 veces la velocidad de su hermano mucho más grande» es toda la declaración pública, sin ninguna cifra absoluta adjunta, y además es gratis hasta el 30 de noviembre. No hay forma de calcular cuánto cuesta una tarea en SWE-2 Flash a partir de información pública, porque el denominador es un modelo cuyo propio precio por token tampoco se publicó nunca.

De ello se derivan dos consecuencias, y ambas son prácticas más que pedantes.

• Previsibilidad — el costo de DeepSeek por millón de tokens se puede conocer al centavo, incluido el multiplicador de hora pico. El costo de SWE-2 Flash solo se puede conocer como una fracción de un número no publicado, dentro de una suscripción que ya está pagando.

• Las cotizaciones planas son engañosas: la ruta fijada V4 Flash es una tarifa plana única, mientras que la tarjeta actual del proveedor tiene dos niveles. Por lo tanto, una cifra plana es incorrecta para parte de la semana y describe un checkpoint distinto del que nombran la mayoría de las filas del benchmark. Planifique según la tarjeta del proveedor; reproduzca según la ruta fijada.

Ambos importan más de lo que parecen. Para un agente que realiza miles de llamadas cortas, el multiplicador de pico es un problema de planificación que se puede resolver con ingeniería; para un agente de programación que ejecuta un puñado de sesiones largas, es un error de redondeo. Cuál de esos eres determina si la tarjeta de DeepSeek tiene dos precios o uno.

Velocidad: una repetición frente a una medición

Los 200 tokens por segundo de Cognition no son una medición en vivo. La publicación lo explica: la propia ejecución de cada modelo en la tarea gsea-proteomics de Terminal-Bench 4.0, «reproducida a una simulación de 200 frente a 60 tokens por segundo», con las transcripciones acortadas a la misma longitud. Los 60 tok/s de SWE-2 provienen de la misma reproducción. Describe el perfil de servicio al que apunta Cognition, que es algo legítimo de publicar, pero no es un cronómetro sobre dos endpoints.

Artificial Analysis mide DeepSeek V4 Flash en 112 tokens de salida por segundo en su página de modelo actual, con un tiempo de 32,41 segundos hasta el primer token de respuesta. Se trata de una medición de una API en vivo, incluido cualquier encolamiento que realice el proveedor. Los dos números no son comparables, y restarlos no tendría sentido: uno es una reproducción simulada dentro de un producto, el otro es una tasa de servicio observada en el endpoint público.

Lo que sobrevive a la advertencia es la dirección. Si un modelo con 12B de parámetros activos realmente se sirve a aproximadamente 200 tok/s dentro de Devin, mientras que un modelo con 13B de parámetros activos mide 112 tok/s en una API pública, el modelo con menos parámetros activos no es obviamente el más rápido: la pila de servicio está haciendo tanto trabajo como la arquitectura. Eso es un punto a favor de los productos integrados y en contra de deducir la velocidad a partir del número de parámetros.

La única ejecución en la misma tabla, y quién la ejecutó

La tabla de lanzamiento de Cognition incluye directamente el modelo de DeepSeek. La columna es DeepSeek V4.1 Flash 1017 —el checkpoint al que ahora resuelve el ID deepseek-v4-flash—, lo que la convierte en la única comparación del par elaborada bajo un mismo techo. Todas las cifras que aparecen a continuación son de Cognition, sobre los benchmarks de Cognition, y sin que se haya divulgado el harness.

• FrontierCode 2.0 — SWE-2 Flash 24.0 frente a DeepSeek V4.1 Flash 1017 19.3

• FrontierCode 1.1 Principal — 45.5 vs 43.9

• DeepSWE 1.1 — 60,1 vs 77,0

• Terminal-Bench 4.0 — 20,0 vs 42,3

• Terminal-Bench 2.1 — 89,2 frente a 91,0

• SWE-Atlas QA — 50,0 frente a 71,0

• SWE-Bench Pro v2 Hard — 89.9 frente a 86.3

• ExploitBench — 34,8 frente a 31,1

El reparto es de cuatro filas cada uno, y los márgenes distan mucho de ser simétricos. SWE-2 Flash gana FrontierCode 2.0 por 4.7 puntos, FrontierCode 1.1 Main por 1.6, SWE-Bench Pro v2 Hard por 3.6 y ExploitBench por 3.7. DeepSeek gana DeepSWE 1.1 por 16.9, Terminal-Bench 4.0 por 22.3, SWE-Atlas QA por 21.0 y Terminal-Bench 2.1 por 1.8. Cada victoria de Flash es de un puñado de puntos. Dos de las victorias de DeepSeek superan los veinte.

Pondera la comparación por margen en lugar de por número de victorias y deja de estar reñida. El Flash es genuinamente competitivo en FrontierCode, que recompensa un parche acotado frente a una especificación escrita, y está muy por detrás en Terminal-Bench 4.0, que mide a un agente de terminal llevando una tarea hasta su finalización. Esa es también la fila en la que se separa el resto del campo: GLM 5.3 Flash obtiene 41.8 en el mismo benchmark y Claude Haiku 5.5 obtiene 39.2, frente al 20.0 del Flash.

Ahora, las salvedades que deben ir en la misma frase. Esta es la tabla de un competidor. FrontierCode es un instrumento propio de Cognition, y Cognition lo califica. La publicación no revela el entorno de pruebas, el ajuste de esfuerzo ni el número de ejecuciones, así que «misma tabla» no equivale a «mismas condiciones»: es la metodología de un solo proveedor aplicada de forma uniforme, lo que es mejor que nada y peor que algo independiente. Y la columna de DeepSeek es V4.1 Flash 1017, no la compilación 0731 que describen la mayoría de las cifras públicas.

Hay una útil comprobación de cordura sobre cuánto importa el instrumento. La evaluación de Artificial Analysis de la build 0731 de DeepSeek V4 Flash, ejecutada por última vez el 31 de julio de 2026, registra un 12,1 % en Terminal-Bench 4.0. La tabla de Cognition registra un 42,3 % para el checkpoint V4.1 Flash 1017. Treinta puntos de diferencia en el mismo benchmark con el mismo nombre. Parte de eso se debe al checkpoint —V4.1 es un modelo distinto y más grande— y parte al arnés, ya que una es una ejecución estandarizada de terceros y la otra es la propia de un proveedor. En cualquier caso, ninguna fila de esta comparación es una propiedad exclusiva de un modelo, y las filas en las que los dos proveedores discrepan más son las que hay que tomar con más cautela.

Contexto, pesos y lo que puedes construir.

• Ventana de contexto — DeepSeek: 1,048,576 tokens publicados frente a SWE-2 Flash: no publicada

• Salida máxima — DeepSeek: 384.000 tokens frente a SWE-2 Flash: no publicado

• Pesos — DeepSeek MIT, descargable frente a SWE-2 Flash con acceso restringido, programa de socios prometido «en unas semanas»

• Modalidad — DeepSeek V4 Flash solo texto, con visión llegando en el checkpoint V4.1 y en un ID experimental aparte; frente a SWE-2 Flash, no se indica

• Distribución — API de DeepSeek y plataformas de terceros frente a únicamente Devin Desktop y Devin CLI

• Control de esfuerzo — modos de pensamiento y sin pensamiento de DeepSeek frente a SWE-2 Flash no documentados

• Licencia para el ajuste fino — DeepSeek sí vs SWE-2 Flash no, todavía no

Para un equipo que construye un producto, cinco de esas siete filas son descalificantes por sí solas. No puedes planificar un pipeline de recuperación en torno a una ventana de contexto no publicada, no puedes ajustar finamente unos pesos que no tienes y no puedes poner en tu arquitectura una dependencia que solo existe dentro del IDE de otra persona. SWE-2 Flash no compite por ese lugar. Compite por el asiento que un desarrollador ya ocupa.

La única fila en la que Flash tiene ventaja es aquella sobre la que Cognition es menos clara: el coste por tarea. Si una quinta parte del precio de SWE-2 equivale a una quinta parte del coste de completar un trabajo, supera la tarifa por token de DeepSeek para el trabajo interactivo dentro de Devin, porque la suscripción ya está pagada. Si es una quinta parte del precio por token en un modelo que genera más tokens por tarea, la ventaja se reduce. Cognition no publica lo suficiente como para saber cuál de las dos cosas ocurre.

Donde un router cambia la aritmética

DeepSeek V4 Flash se enruta en OrcaRouter como deepseek/deepseek-v4-flash, al precio de lista del proveedor sin recargo añadido, lo cual importa para un modelo cuyo precio cambia dos veces al día: una rebaja del proveedor o un cambio de ventana pico llega a la ruta en lugar de esperar a que una plataforma le vuelva a fijar el precio. La misma clave llega a más de 200 modelos, así que la versión razonable de esta comparación —ejecutar tu cola contra DeepSeek V4 Flash, GLM 5.3 Flash y Kimi K3 y ver cuál prefieren realmente tus tareas— cuesta un cambio de ID de modelo en lugar de tres contratos. La conmutación automática por error entre proveedores es la otra mitad: las ventanas pico de DeepSeek son exactamente cuando una segunda ruta se gana su lugar, y una cadena de respaldo es más barata que una alerta al buscapersonas.

SWE-2 Flash no está en OrcaRouter y no puede estarlo. No hay ningún endpoint al que enrutar, y esa es la conclusión honesta de toda la comparativa. Si lo quieres, tienes que comprar Devin. Si quieres llamar a un modelo de programación desde tu propio software, la decisión ya estaba tomada por ti antes de que se publicaran los benchmarks.

¿Cuál elegir?

Si necesitas un modelo de programación en producción —una API, una ventana de contexto con la que puedas dimensionar, unos pesos que puedas fijar, una factura que puedas prever—, DeepSeek V4 Flash es el único de los dos que cumple los requisitos, y el checkpoint de octubre es el que conviene fijar. El descuento de la ventana de máxima demanda merece la pena tenerse en cuenta al diseñar la arquitectura, y el contexto de 1 M merece la pena tenerlo aunque rara vez lo llenes.

Si ya pagas por Devin, SWE-2 Flash está cerca de ser una opción gratuita hasta el 30 de noviembre. Úsalo en el extremo acotado de tu cola, conserva SWE-2 para el trabajo de varios pasos que describe la brecha de DeepSWE y trata la ventana gratuita como el periodo de evaluación que es. El riesgo no es que sea malo. El riesgo es que se esté usando una proporción donde debería usarse una medición.

Si estás estandarizando un equipo en un único modelo de programación, este no es el enfrentamiento para decidirlo. Un candidato se puede probar y el otro no, y una comparación en la que solo un lado es observable es una decisión de distribución disfrazada de benchmark. Elige el que puedas medir y vuelve a planteártelo cuando Cognition lance un endpoint o un programa de socios que ponga los pesos en un lugar al que puedas acceder.