DeepSeek V4.1 Flash מול Kimi K3: לקרוא את הטענה, ואז את הראיות

DeepSeek V4.1 Flash הגיע עם טענה ספציפית וניתנת לבדיקה: שהוא גובר על Kimi K3 במדדי סייבר וקידוד — ובשורות שהספק בחר, הוא אכן גובר. Terminal-Bench 2.1: 90.6 מול 88.3. CyberGym: 88.1 מול 80.0. DeepSWE v1.1: 74.2 מול 67.5. NL2Repo-Bench: 65.4 מול 58.0. כל אחד מנתוני DeepSeek האלה מגיע מההרנס של DeepSeek עצמה וברמת מאמץ החשיבה של DeepSeek עצמה, וכל אחד מנתוני Kimi K3 שהושוו להם הגיע ממקום אחר. זו לא סיבה לדחות את הטענה. זו הסיבה שהטענה דורשת פירוק לפני שתקנו משהו על סמך חוזקה.

הנה איך נראים בפועל בסיסי הראיות של שני המודלים, מה קורה כששמים אותם על סקאלה אחת, והמספר האחד ששורד בכל גרסה של ההשוואה הזאת.

שני בסיסי ראיות שכמעט ואינם חופפים

זהו החלק הלא־שגרתי של ההתמודדות הזו, והוא מסביר את רוב המחלוקת שתמצאו באינטרנט.

DeepSeek פרסמה טבלת בנצ'מרק להשקה. Terminal-Bench 2.1, DeepSWE v1.1, CyberGym, ProgramBench, NL2Repo-Bench, Automation-Bench — כולם מדווחים על ידי הספק. אלו השורות ש-DeepSeek בחרה להריץ, על מערכי בדיקה ש-DeepSeek הגדירה, כאשר DeepSeek קובעת את מאמץ החשיבה. כדאי לדעת לפני שאתם משווים אותם למשהו: Artificial Analysis מצאה שהרצת החבילות האלו במאמץ חשיבה מקסימלי צורכת בערך פי 2.5 יותר טוקנים של פלט מאשר הגדרה בינונית, תוך שהיא משחזרת את רוב הדיוק שמתחתיה. טבלת ספק במאמץ מקסימלי היא מדידת תקרה, לא מדידה אופיינית.

המספרים של Kimi K3 הם ברובם לא אלה של Moonshot. Artificial Analysis הריצה מערכת בדיקות משלה ופרסמה תוצאות לפי כל בנצ'מרק על סקאלה ברת-השוואה בין כל מודל שהיא עוקבת אחריו: GPQA Diamond ‏93.5, Humanity's Last Exam ‏46.9, Long-Context Recall ‏88.7, SciCode ‏59.5, Terminal-Bench 2.1 ‏85.0 — ובנוסף מדד משולב. אלה מדידות של צד שלישי.

אז "DeepSeek מנצח את Kimi K3 בקידוד" מתפרש כמשהו צר יותר ממה שזה נשמע. במערכת הבדיקות של DeepSeek, המודל של DeepSeek מנצח בשורות הקידוד ש-DeepSeek בחר. זה אות אמיתי — ספקים בדרך כלל לא מפרסמים טבלאות שהם מפסידים בהן — אבל זה סוג אחר של ראיות לעומת חבילת בדיקות שהורצה באופן עצמאי, ואסור ששני אלה יופיעו באותה עמודה בלי תווית.

בסולם אחד, הפער הוא ארבע נקודות

הצבו את שניהם במדד האינטליגנציה של Artificial Analysis, והתמונה צמודה יותר ממה שהשיווק של כל אחד מהצדדים מרמז. Kimi K3 מקבל 44. DeepSeek V4.1 Flash מקבל 40.

ארבע נקודות. בשורות שלפי כל מבחן, היתרון של Kimi K3 עקבי ומרוכז במקומות שבהם באה לידי ביטוי חשיבה לטווח ארוך: Humanity's Last Exam 46.9 לעומת 36.8, SciCode 59.5 לעומת 51.9, GPQA Diamond 93.5 לעומת 90.9 כפי שדווח על ידי הספק של DeepSeek, Long-Context Recall 88.7 לעומת 84.0. Kimi K3 גם מדורג במקום השני בלוח של Artificial Analysis ו-113 מודלים, לעומת DeepSeek V4.1 Flash במקום השישי.

אלה פערים אמיתיים, עצמאיים וברי־שחזור. שום יתרון במחיר לא מפצה עליהם במשימה שתלויה בהם.

הם גם ארבע נקודות — אותו פער של ארבע נקודות שמפריד בין DeepSeek V4.1 Flash ל-Grok 4.6, וקטן מהפער של חמש נקודות שמפריד בינו לבין Qwen3.8-Max. פיזור של ארבע נקודות במדד משולב הוא טווח צר. הוא אומר לך ש-Kimi K3 הוא המודל החזק יותר, והוא אפילו לא מתחיל לומר לך שהחוזק הזה בא לידי ביטוי בעומס העבודה שלך.

המספר ששורד בכל גרסה של ההשוואה הזו

עלות לכל משימה במדד האינטליגנציה, כפי שנמדדה על ידי אותו ארגון שהפיק את המדד: $0.27 עבור DeepSeek V4.1 Flash, $2.00 עבור Kimi K3.

7.4x. זהו ההבדל הגדול ביותר, החסון ביותר והניתן לבדיקה צולבת ביותר בין שני המודלים האלה, ובניגוד לשורות הבנצ'מרק הוא אינו תלוי במי שהריץ את הארנס — ספירת הטוקנים היא ספירת הטוקנים.

זה גם משתנה בהתאם למידת האג'נטיות של עומס העבודה שלך. הנתון של $2.00 מגיע מחבילת בדיקות מעורבת; במבחן הקידוד האג'נטי של Vals AI הפער המדווח מתרחב לפי 40 בערך, $0.41 למשימה לעומת $17.59, כאשר הרצת DeepSeek מסתיימת בכ-15 דקות לעומת כ-90. ככל שמתרחקים מפרומפט ותגובה בודדים לעבר לולאת קריאות לכלים ארוכה, כך שני מודלי התמחור הולכים ומתפצלים — כי שם המטמון ונפח הפלט משתלטים על החשבון.

• תעריף — DeepSeek V4.1 Flash $0.15/$0.60 לכל 1M בשעות שפל ($0.30/$1.20 בשעות שיא, בימי חול 01:00–04:00 ו־06:00–10:00 UTC) לעומת Kimi K3 $3.00/$15.00 לכל 1M, אחיד

• הנחת מטמון — 98% לעומת 90%; קריאה מהמטמון $0.003 לכל 1M לעומת $0.30 לכל 1M

• הקשר — 1,048,576 טוקנים בשני המקרים, ואף אחד מהם אינו גובה תוספת מחיר עבור הקשר ארוך

• תפוקה — 214.4 טוקנים/שנייה לעומת 34.7, פער של פי 6.2

• מילוליות — 250 מיליון טוקני פלט בכל האינדקס לעומת 160 מיליון

• פרמטרים — 552B סה"כ, 8B פעילים ב-prefill ו-16B ב-decode, לעומת 2.8T סה"כ עם 16 מתוך 896 מומחים פעילים לכל טוקן

• דגימה — חשיפה מלאה של temperature / top_p / seed לעומת כלום; Kimi K3 חושף רק reasoning_effort ולא ניתן להשבית את החשיבה

• רישיון — MIT מול MIT מותאם, שמוסיף תנאי מיתוג מעל 100 מיליון משתמשים חודשיים או הכנסה חודשית של 20 מיליון דולר

היכן שהצד הזול באמת גרוע יותר

שתי עלויות נמצאות בצד של DeepSeek במאזן, ושתיהן קלות לפספוס.

מילוליות. DeepSeek V4.1 Flash הפיק 250 מיליון טוקנים של פלט במדד ה-Intelligence Index, לעומת 160 מיליון של Kimi K3. הפלט מחויב כאן פי 4 מהקלט. מודל שזול פי עשרים לטוקן אך מדבר פי אחד וחצי יותר אינו זול פי עשרים — וזו בדיוק הסיבה שהנתון הכנה מתכנס לפי 7.4 ולא לפי 20 שמשתמע מכרטיס התעריפים. DeepSeek הוא המודל המילולי ביותר בהשוואה הזו; Grok 4.6 הוא הפחות מילולי, עם 94 מיליון.

מהירות. מחירון התעריפים אומר ש-DeepSeek זול יותר. השעון אומר שהוא גם מהיר פי 6.2 — 214.4 אסימונים לשנייה לעומת 34.7 של Kimi K3. לא ניתן לכבות את מצב החשיבה של Kimi K3, ומאמץ החשיבה שלו מוגדר כברירת מחדל למקסימום, כך שאין מסלול זול ומהיר לחזור אליו עבור הקריאות הקלות. אתה קונה חשיבה ברמת החזית בכל בקשה, בין אם הבקשה זקוקה לכך ובין אם לא. במשימת קידוד קשה זה המוצר. במעבר סיווג זה בזבוז.

מה שהתעבורה אומרת, מה שאף בנצ'מרק לא לוכד

נתוני הניתוב שלנו מוסיפים את האות היחיד שאף ספק או אנליסט לא יכול להפיק. בשבעת הימים האחרונים, Kimi K3 העביר כ-3.04 מיליארד טוקנים דרך OrcaRouter. DeepSeek V4.1 Flash העביר כ-59.1 מיליארד — בערך פי תשעה עשר, במודל שפעיל פחות משבוע.

חלק מזה הוא מבני. DeepSeek מנתבת את כל בקשות V4 Pro אל V4.1 Flash ומחייבת עליהן בתעריפי Flash עד ש-V4.1 Pro ייצא, כך שבסיס מותקן גדול הועבר אליו מבלי שאיש בחר דבר. אבל הנפח שנוצר הוא עדיין הראיה הברורה ביותר הזמינה לכך שמספר עצום של עומסי ייצור כבר קיבלו שירות טוב מספיק מהמודל הזול יותר — וזו הכרעה שבנצ'מרקים לא יכולים לתת לך, כי בנצ'מרקים מודדים מה מודל יכול לעשות ואילו תעבורה מודדת מה צוותים היו מוכנים להציב בפני משתמשים משלמים.

לבחור ביניהם

שניהם יושבים מאחורי אותה נקודת קצה תואמת OpenAI ב-OrcaRouter, וזה מה שהופך את הפיצול למעשי ולא לפרויקט הגירה: נתבו את סשן הקידוד ארוך-הטווח, שבו יתרון ההיסק של Kimi K3 שווה את התשלום, ואת התעבורה בנפח הגבוה של סוכנים ועבודת ידע, שבה השניים נמצאים בטווח של ארבע נקודות מדד, אל DeepSeek V4.1 Flash. מכיוון שהשער מעביר הלאה את תעריף הספק ללא תוספת, העלות לכל טוקן שאתם רואים היא של הספק עצמו — כדאי לבדוק פעמיים ביום בצד של DeepSeek, מאחר שחלונות השיא שלו מכפילים את התעריף בשעות הבוקר של ימי חול לפי UTC.

המסקנה נובעת מהראיות ולא מטבלת ההשקה. אם העבודה שלך היא קריאה אחת של הסקה קשה — שאלה מדעית, אלגוריתם חדשני, מסמך שאתה לא יכול להרשות לעצמך לטעות בקריאתו — Kimi K3 הוא המודל החזק יותר, הפערים הבלתי־תלויים עקביים, והמחיר משני. אם העבודה שלך היא סוכן קידוד, לולאת קריאה ארוכה לכלים, או כל דבר עם קידומת גדולה במטמון שנעשה בה שימוש חוזר בהיקף גבוה, השניים קרובים מספיק ביכולות עד שהעלות הופכת לקריטריון המכריע, ושם הפער נע מפי 7.4 לפי 40 בערך, בהתאם למידה שבה המשימה סוכנית.

טבלת הבנצ'מארקים של DeepSeek עצמה מגזימה במידת הניקיון של הניצחון הזה. המחיר לא.