Une carte de titre générée indiquant « Sage-S2.1-Flash vs DeepSeek V4.1 Flash » au-dessus du sous-titre « Deux MoE à poids ouverts, un tableau de scores fournisseur », avec deux pastilles en dessous indiquant « 18B actifs » et « 16B actifs ». Fond blanc, accents en dégradé bleu et cyan, icônes linéaires plates. Le logo OrcaRouter est incrusté dans le coin inférieur droit.
Guides & Insights

Sage-S2.1-Flash vs DeepSeek V4.1 Flash : le seul duel avec un tableau de scores partagé

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Il existe exactement un endroit sur Internet où Sage-S2.1-Flash et DeepSeek V4.1 Flash ont été évalués l’un contre l’autre, et il n’est pas neutre. InternLM, le laboratoire qui a publié Sage-S2.1-Flash le 15 novembre 2026, a intégré DeepSeek-V4.1-Flash-1017 dans son propre tableau comparatif — 35 benchmarks, huit modèles concurrents, un fichier à valeurs séparées par des tabulations dans un dépôt GitHub vers lequel la fiche de modèle Hugging Face ne renvoie pas. Ainsi, les deux modèles partagent un tableau de scores, et l’un d’eux l’a construit.

C’est plus qu’on ne peut en dire de l’une ou l’autre des deux autres comparaisons de cette série, où il n’existe aucun tableau partagé. Cela fait aussi de cette page la plus utile des trois, car un tableau commun — même celui d’un fournisseur — permet de poser des questions auxquelles une paire d’articles de blog séparés ne peut pas répondre. Ce qui suit décrit ce que dit le tableau partagé, quelles sont les deux architectures qui le sous-tendent, et dans quelle mesure vous devriez y croire.

L’asymétrie qui encadre tout

Placez les deux versions côte à côte en tant qu'artefacts avant de les placer côte à côte en tant que modèles.

DeepSeek V4.1 Flash est arrivé le 10 septembre 2026 avec une fiche modèle complète, un rapport technique au format PDF intitulé « Pushing the Limits of KV Cache Compression », une licence MIT, une API documentée avec des tarifs heures creuses et heures de pointe publiés, ainsi qu’un instantané actualisé — 1017 — le 17 octobre. Son dépôt Hugging Face a été téléchargé 1,69 million de fois et compte 4 978 mentions J’aime. Artificial Analysis lui attribue indépendamment une note de 32,6 sur l’Intelligence Index au niveau d’effort maximal.

Sage-S2.1-Flash est arrivé le 15 novembre 2026 avec 120 fragments bfloat16, une fiche modèle de 21 octets dont l’intégralité du contenu est une déclaration de licence, un guide de déploiement, et aucun prix publié nulle part. Il compte un like et zéro téléchargement. Aucun banc d’évaluation indépendant ne l’a testé.

Tous deux sont des mélanges d’experts à poids ouverts, sous licence MIT, dotés d’une fenêtre de contexte d’un million de jetons et d’une prise en charge native des images. Sur le papier, ils sont équivalents. Dans les faits, ils sont loin de l’être.

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.

Ce que contient réellement la table partagée

Le fichier de benchmark d’InternLM répertorie 31 lignes qui contiennent une valeur pour DeepSeek-V4.1-Flash-1017. Sa lecture diffère de celle d’un article de lancement, car les lignes où Sage perd sont toujours là. Un extrait représentatif, avec Sage en premier à chaque ligne :

• Terminal-Bench 2.1 — 87,9 vs 87,6, une égalité à trois dixièmes

• DeepSWE — 67,0 vs 73,9, un déficit de 6,9 points

• SWE-bench Pro — 60,6 contre 64,7, un déficit de 4,1 points

NL2Repo-Bench — 57,2 contre 62,7, un déficit de 5,5 points

• APEX-Agents — 61,7 contre 69,2, un déficit de 7,5 points

• WideSearch — 81,5 vs 86,3

• BrowseComp — 91,2 vs 93,8

• CyberGym — 84,3 contre 88,8

• τ³-bench Banking — 45,4 vs 47,4

• OSWorld v2.1 — 69,3 vs 70,1

• AutomationBench — 56,7 vs 57,8

Le schéma qui se dégage de cette liste est gênant pour le modèle plus récent : sur les tâches générales d’agentique et de codage, DeepSeek V4.1 Flash gagne sur la majorité des lignes, souvent avec des écarts qui ne relèvent pas du bruit. Un modèle publié deux mois plus tôt, par un laboratoire doté d’un rapport technique public, bat la version publiée discrètement sur les benchmarks que cette dernière a elle-même choisi de publier.

Alors le tableau s’inverse. Les lignes où Sage est en tête sont celles des sciences et des documents, et les écarts sont d’un tout autre ordre :

• Harvey LAB — 25,0 vs 11,7, plus du double

• OfficeQA Pro V2 — 72,2 contre 69,7

• BabyVision — 75,8 contre 58,0, soit un écart de 17,8 points

• OSWorld-G — 84,8 vs 61,4, un écart de 23,4 points

• MLE-bench Lite — 90,3 vs 89,2

• Workspace-Bench-Lite — 67,1 contre 66,8

• GDPval — 78,0 vs 77,6

• SpreadsheetBench 2 — 37,1 vs 35,8

Deux tendances, et elles pointent dans des directions opposées. En ingénierie logicielle et pour le travail d’agents pilotés par outils dans un environnement général, DeepSeek V4.1 Flash est le modèle le plus performant, et les propres chiffres d’InternLM le confirment. Sur la perception scientifique, le travail professionnel à forte composante documentaire et le contrôle graphique de bureau, Sage-S2.1-Flash n’est pas légèrement en avance, mais dans une autre catégorie.

Pourquoi les architectures produiraient exactement cette division

Les deux modèles résolvent des problèmes différents, et leurs configurations le montrent avant même qu’un benchmark ne le fasse.

DeepSeek V4.1 Flash est un socle de 552 milliards de paramètres avec 16 milliards actifs par token, bâti sur ce que DeepSeek appelle une architecture Causal Encoder-Decoder : 40 couches réparties équitablement entre un encodeur causal de 20 couches et un décodeur de 20 couches. Le rapport technique est axé sur la compression du cache KV — la principale affirmation du modèle concerne l’efficacité de service à un million de tokens, et non la perception. Il traite les images nativement, mais l’accent publié porte sur l’économie de service en contexte long.

Sage-S2.1-Flash est un modèle de 320 milliards de paramètres avec 18 milliards de paramètres actifs par token et, d’après son guide de déploiement, 45 couches. La configuration les répartit nettement : 34 couches utilisent un type d’attention linéaire que le fichier appelle kda, et seulement 11 utilisent une attention parcimonieuse avec un index top-k de 2 048 tokens. Il y a une tour de vision de 24 couches avec une entrée de 448 pixels, et le vocabulaire de tokens comporte des tokens explicites pour l’image, la vidéo, l’audio, le début et la fin. Le texte de présentation en anglais d’InternLM — hébergé à internlm.github.io/Sage-S2.1-Flash, créé le 16 novembre, non référencé par la fiche du modèle — décrit un entraînement sur des graphes moléculaires, des structures cristallines, des séquences protéiques et des structures 3D, de l’ADN et de l’ARN, des spectres, des spectres de masse, de la diffraction des rayons X, des électrocardiogrammes, des électroencéphalogrammes et des courbes de lumière.

Lisez cette liste en regard des lignes où Sage l’emporte, et le tableau cesse de ressembler à un coup de chance au benchmark. Harvey LAB porte sur le travail juridique sur documents. OfficeQA Pro concerne les questions-réponses sur des documents financiers. BabyVision relève de la perception visuelle. OSWorld-G porte sur le contrôle graphique de bureau — cliquer dans une interface, pas appeler une API. Ce sont là les dimensions dans lesquelles un modèle entraîné sur des figures scientifiques, des spectres, des graphiques et des interfaces logicielles devrait être performant, et précisément celles où un modèle entraîné pour un service général efficace en cache KV devrait accuser un retard.

L’argument joue dans les deux sens. Sage perd les lignes consacrées au codage parce qu’il n’est pas avant tout un modèle de codage ; DeepSeek perd les lignes consacrées à la vision parce qu’il n’est pas avant tout un modèle de perception. Aucun des deux résultats n’est un scandale. L’erreur serait de lire l’une ou l’autre colonne comme un verdict général.

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.

L’écart de prix, qui n’est pas proche

DeepSeek V4.1 Flash a un tarif publié, et c'est l'un des tarifs les plus bas parmi tous les modèles de cette taille :

• Hors heures de pointe, défaut de cache — $0.15 par million de tokens d’entrée, $0.60 par million de tokens de sortie

• Pic, échec de cache — 0,30 $ par million d’entrées, 1,20 $ par million de sorties

• Hit de cache — 0,003 $ par million hors pointe, 0,006 $ en pointe

• Heures de pointe — 01:00–04:00 et 06:00–10:00 UTC, du lundi au vendredi, hors jours fériés chinois

• Contexte — 1 000 000 de tokens, avec jusqu'à 384 000 tokens de sortie

Sage-S2.1-Flash n’a aucun tarif publié. Aucun prix n’apparaît sur la fiche du modèle, aucun dans le guide de déploiement, et aucun sur le microsite de lancement ; le lien « Try the API » du site renvoie vers un portail qui ne rendrait pas son catalogue à un client non-JavaScript. Ce que Sage propose à la place, c’est une exigence matérielle : le déploiement de référence du guide repose sur huit GPU H200 en bfloat16, soit environ 645 GB de poids répartis sur le nœud.

Cela fait de la comparaison des coûts une forme plutôt qu’un nombre. DeepSeek V4.1 Flash coûte 0,15 $ par million de jetons d’entrée en heures creuses, ce qui signifie qu’une invite d’un million de jetons coûte quinze cents. Exécuter Sage-S2.1-Flash sur un million de jetons coûte ce que vous coûtent huit H200 pour le temps réel que prend l’appel, et personne n’a publié de chiffre de débit pour cela. Si vous possédez déjà le nœud, le coût marginal de l’appel est proche de zéro et DeepSeek paraît cher en comparaison. Si ce n’est pas le cas, DeepSeek l’emporte avec une marge si large que la comparaison avec Sage ne vaut pas la peine d’être faite tant qu’un prix d’offre hébergée n’existe pas.

Ce que la table partagée ne peut pas vous dire

Une caractéristique d’une comparaison rédigée par un fournisseur mérite d’être énoncée clairement, car elle influence la façon de lire chaque ligne ci-dessus : le harnais n’est pas documenté. InternLM a publié les chiffres, pas la configuration d’exécution. Il n’est précisé nulle part combien de tentatives par tâche ont été effectuées, quel échafaudage a été utilisé, quels paramètres d’échantillonnage ont été retenus, si des outils étaient disponibles, ni quel budget de raisonnement était accordé à chacun des deux modèles. Le 32,6 de DeepSeek sur l’Artificial Analysis Intelligence Index provient d’un harnais public qui applique la même procédure à chaque modèle de son index ; le 73,9 d’InternLM pour DeepSeek sur DeepSWE provient d’un harnais privé.

Cela ne rend pas le tableau inutile. Cela le rend indicatif. Les lignes de codage et les lignes de vision sont toutes deux suffisamment grandes, et suffisamment cohérentes en interne, pour que les choix d’échafaudage ne les génèrent probablement pas. L’égalité de trois dixièmes sur Terminal-Bench 2.1, en revanche, se situe bien dans la plage que toute variation de harnais pourrait produire — considérez une différence de 0,3 point comme une égalité et rien n’est perdu.

Il convient également de noter : InternLM a publié pour DeepSeek un chiffre sur DeepSWE (73,9) qui est élevé par rapport aux autres lignes de codage de son propre tableau, où DeepSeek obtient 64,7 sur SWE-bench Pro. Ce type d’incohérence interne est le genre de chose qu’un harness publié résoudrait en un après-midi et qu’un harness privé ne peut pas résoudre du tout.

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.

Déploiement : un après-midi contre un document

Si vous choisissez pour des raisons opérationnelles plutôt que d’après des lignes de benchmarks, l’écart est plus large que ne le suggèrent les scores, et il va dans le même sens que l’écart de preuves.

DeepSeek V4.1 Flash est accompagné d'un rapport technique, d'une architecture transformers standard, d'une variante fp8 et de tags de déploiement pour Azure et SageMaker sur sa fiche modèle. Il est en circulation depuis deux mois, compte 1,69 million de téléchargements, et chaque bizarrerie de serving qu'il présente a déjà été rencontrée et consignée par quelqu'un.

Sage-S2.1-Flash est livré avec un guide de déploiement qui, lu attentivement, est une liste d’échecs silencieux. Omettez --trust-remote-code et le tokenizer standard encode des chaînes agentiques comme <|user|> et <tool_call> en tant que tokens de contrôle — le modèle s’arrête prématurément ou corrompt un appel d’outil, et rien n’est journalisé. Servez-le sur vLLM sans le correctif d’un seul fichier dans vllm_patch/ et des résultats d’outils parallèles revenant dans le désordre attachent des images au mauvais résultat, si bien que le modèle répond à propos de la mauvaise image ; le correctif amont est en attente sous vllm-project/vllm#67108. Servez-le sur SGLang sans passer explicitement chat_template.jinja et le moteur installe son propre template pour l’architecture. Sur Hopper, le cache KV FP8 n’est pas pris en charge. LMDeploy nécessite que transformers soit épinglé entre 5.17 et 5.19, car la version 5.19 a renommé un type de couche.

Tout cela est documenté, ce qui est à l’honneur du laboratoire — c’est plus que ce que font la plupart des sorties discrètes. Mais c’est aussi l’empreinte d’un modèle que ses propres auteurs sont encore les seuls à avoir exploité.

La seule chose utile que la table partagée règle

Compte tenu de tout ce qui précède, voici la décision que les éléments de preuve étayent réellement.

• Si votre travail relève du code, de l’outillage d’agents ou du service général à long contexte — DeepSeek V4.1 Flash. Il l’emporte sur la plupart de ces lignes dans le propre tableau du concurrent, coûte 0,15 $ par million de jetons d’entrée hors heures de pointe, et dispose d’un score indépendant auquel se comparer. Il n’y a ici aucun argument sérieux en faveur de Sage.

• Si votre travail concerne des figures scientifiques, des spectres, des graphiques, des documents professionnels numérisés ou des logiciels pilotés par interface graphique — Sage-S2.1-Flash vaut le week-end. L’écart de 23 points sur OSWorld-G et l’écart de 13 points sur Harvey LAB sont le genre de différence qui change la question de savoir si une tâche est automatisable tout court, et aucun autre modèle du tableau d’InternLM n’en approche sur ces lignes.

• Si vous devez décider aujourd'hui — DeepSeek V4.1 Flash, car c'est le seul des deux que vous pouvez appeler sans fenêtre de maintenance.

DeepSeek V4.1 Flash est routé sur OrcaRouter en tant que deepseek/deepseek-v4.1-flash à 0,15 $ en entrée et 0,60 $ en sortie par million de tokens — le prix catalogue hors pointe de DeepSeek lui-même répercuté sans marge — avec un contexte de 1 048 576 tokens, aux côtés du snapshot 1017 au même tarif. Sage-S2.1-Flash ne figure pas dans notre catalogue ; ce sont des poids ouverts que vous hébergeriez vous-même, et nous n'allons pas laisser entendre le contraire.

Ce qu’un routeur vous apporte ici est plus étroit qu’une migration et plus utile qu’un benchmark. La séparation décrite dans cet article — le travail agentique général et de codage vers un modèle, le travail scientifique et à forte composante GUI vers l’autre — correspond exactement à la forme qu’exprime une politique de routage : un seul point de terminaison, une règle qui achemine les requêtes contenant des images et des documents vers le chemin spécialisé, et un basculement automatique qui empêche une dégradation côté fournisseur de faire tomber tout le chemin. Les deux identifiants DeepSeek reposent sur la même clé, donc essayer l’instantané 1017 par rapport à l’original coûte un changement de chaîne de modèle plutôt qu’un second contrat. Le composant que vous ne pouvez pas router — Sage-S2.1-Flash — est celui que vous devriez mettre en place vous-même, ce qui constitue l’argument le plus clair en faveur d’un prototypage d’abord sur ce qui figure au catalogue.

Qu’est-ce qui ferait que cette page mérite d’être réécrite ?

Deux choses. Un prix pour Sage-S2.1-Flash, qui ferait passer la section sur les coûts d’une forme à de l’arithmétique. Et un score indépendant, idéalement sur le même harnais qui a placé DeepSeek V4.1 Flash à 32,6 — car la question intéressante n’est pas de savoir si Sage bat DeepSeek en moyenne. Tout ce qui précède suggère que non. La question intéressante est de savoir si l’avantage de 23 points de Sage sur OSWorld-G survit à un harnais qui n’a pas été écrit par le laboratoire qui l’a publié, et si le déficit de 6,9 points sur DeepSWE est aussi réel que les lignes de codage de son propre tableau le laissent entendre.

Jusqu'à ce que quelqu'un relance ces lignes, le tableau des scores partagé constitue la meilleure preuve disponible, et il a été construit par l'un des deux concurrents. Lisez-le comme vous liriez n'importe quelle comparaison auto-publiée qui se trouve inclure ses propres pertes : plus digne de confiance qu'un tableau où ne figure aucune perte, et pourtant pas la même chose qu'une mesure.

Comparés dans cet article1

Détecté à partir de cet article · Benchmarks : Artificial Analysis · mis à jour quotidiennement