Ling-3.1-flash vs DeepSeek V4.1 Flash: Dua Poin Indeks, Tagihan Tiga Kali Lipat

Ling-3.1-flash dan DeepSeek V4.1 Flash (Max) terpaut dua poin pada Artificial Analysis Intelligence Index — 41 versus 39 — dan harga keduanya sangat jauh berbeda. Jalankan sepuluh evaluasi yang membentuk indeks tersebut pada masing-masing model dan Ling-3.1-flash memakan biaya sekitar $0,99 per tugas dibandingkan $0,27 milik DeepSeek. Keduanya adalah model mixture-of-experts berparameter ~550 miliar dengan klaim konteks 1 juta token. Salah satunya adalah model tertutup khusus teks dari lab InclusionAI milik Ant Group, dirilis 2026-10-01 dan masih tanpa bobot terpublikasi atau lisensi. Yang lain telah terbuka di bawah MIT sejak 2026-09-10, menerima gambar maupun teks, berjalan di 23 penyedia, dan merupakan model yang kemungkinan besar sudah ada di file konfigurasi sebagian besar tim. Perbandingannya tidak dekat pada sebagian besar dimensi. Pertanyaan yang menarik adalah mengapa dua poin itu ada sama sekali.

Di mana Ling-3.1-flash benar-benar unggul

Ia unggul dalam evaluasi yang mengukur pengoperasian terminal dan penulisan kode yang harus berjalan, dan selisihnya layak dinyatakan secara persis karena agregat menyembunyikannya.

• Terminal-Bench 4.0 — Ling-3.1-flash 0.333 vs DeepSeek V4.1 Flash (Max) 0.268. Keduanya angka yang moderat secara absolut; selisihnya adalah seperempat dari skor DeepSeek.

SciCode — 0.541 vs 0.519.

• CritPt penalaran fisika — 0.180 vs 0.143.

• Kerja dunia nyata agentik GDPval-AA — 1.621,75 Elo vs 1.600 Elo.

Dua dari empat itu hampir imbang, satu merupakan kemenangan tipis, dan Terminal-Bench 4.0 adalah satu-satunya baris yang perbedaannya akan bertahan jika seed diubah. Bandingkan itu dengan area tempat DeepSeek unggul: pekerjaan pengetahuan agentik AA-Briefcase v1.1 pada 1.420,47 Elo berbanding 1.400,35, AutomationBench-AA pada 0,689 berbanding 0,617, penalaran konteks panjang AA-LCR pada 0,84 berbanding 0,83, dan — baris yang paling penting untuk produksi — AA-Omniscience pada −5,30 berbanding +2,22 milik Ling-3.1-flash pada ukuran di mana halusinasi lebih buruk daripada penolakan. Akurasi DeepSeek di sana adalah 46,4% dengan tingkat halusinasi 96,5% di antara pertanyaan yang dijawabnya; Ling-3.1-flash menjawab dengan benar 29,1% dengan tingkat halusinasi 37,9%. Tidak satu pun dari keduanya adalah model yang bisa Anda arahkan ke basis pengetahuan tanpa retrieval di depannya.

Selisih harga lebih besar daripada selisih indeks, dan bukan hanya soal daftar tarif.

Tarif utamanya terlihat hampir identik. Artificial Analysis mencatat keduanya pada $0.30 per juta token masukan. Keduanya berbeda tajam pada dua angka lainnya:

• Keluaran — Ling-3.1-flash $0,90 per juta vs DeepSeek V4.1 Flash (Max) $1,20 per juta. Di sini Ling-3.1-flash jelas merupakan model yang lebih murah, dengan selisih 25%.

• Pembacaan cache — Ling-3.1-flash $0,06 per juta vs DeepSeek V4.1 Flash (Max) $0,006 per juta, diskon 98% dibandingkan dengan diskon 80%. Di sinilah kedua model tidak lagi bisa dibandingkan.

Tarif campuran pada komposisi cache-hit/input/output 7:2:1 ternyata $0,192 untuk Ling-3.1-flash dan $0,184 untuk DeepSeek V4.1 Flash (Max) — hampir tidak ada bedanya. Namun campuran itu adalah asumsi tentang bagaimana Anda menggunakan model, dan asumsi itu memainkan peran besar. Beban kerja apa pun dengan penggunaan ulang prompt yang berat — system prompt yang panjang, pembuka retrieval, loop agen yang mengirim ulang konteks terakumulasi pada setiap giliran — mendorong campuran efektif ke arah pembacaan cache, dan di sanalah perbedaan 10× dalam harga cache mengambil alih. Volume token memperkuat efeknya dengan cara yang sama: Ling-3.1-flash adalah penalar yang banyak bicara, menghasilkan 220 juta token output di seluruh evaluasi indeks, dibandingkan 250 juta milik DeepSeek, dan rata-rata sekitar 357 detik per tugas evaluasi, dibandingkan 285 milik DeepSeek. Ia melakukan lebih banyak pemikiran per jawaban dan membutuhkan waktu lebih lama untuk melakukannya.

Contoh yang dikerjakan: loop agen yang sama pada keduanya

Ambil agen pengendali tool yang menjalankan 1 juta token input per tugas, dengan 90% di antaranya dilayani dari cache, dan mengembalikan 200.000 token output. Pada Ling-3.1-flash dengan angka di atas: 900.000 token input yang di-cache dengan $0,06 ditambah 100.000 input baru dengan $0,30 ditambah 200.000 output dengan $0,90 menjadi sekitar $0,26 per tugas. Loop yang identik pada DeepSeek V4.1 Flash (Max) menjadi sekitar $0,14 — kira-kira setengahnya.

Sekarang terapkan jadwal DeepSeek, karena inilah bagian yang dilewatkan sebagian besar perbandingan. Tarif off-peak DeepSeek adalah yang di atas, dan off-peak mencakup akhir pekan dan sebagian besar hari; tetapi selama dua jendela hari kerja, 01:00–04:00 dan 06:00–10:00 UTC, harga input dan cache menjadi dua kali lipat. Pindahkan loop yang sama ke jendela peak dan biaya DeepSeek mendekati $0,28 — pada titik itu skema tarif tetap yang lebih tinggi milik Ling-3.1-flash menjadi opsi yang lebih murah untuk jam tersebut dan diskon cache 10× telah dinetralkan oleh waktu.

Itulah keseluruhan keputusan dalam satu pasangan angka. Jika lalu lintas agen Anda didominasi cache dan Anda dapat menjadwalkannya, DeepSeek V4.1 Flash (Max) kira-kira setengah biaya Ling-3.1-flash untuk selisih indeks dua poin. Jika lalu lintas agen Anda didominasi cache dan jatuh pada jendela puncak DeepSeek, kedua model tersebut biayanya kurang lebih sama dan baris terminal-agent Ling-3.1-flash yang sedikit lebih baik menjadi penentunya.

Sumbu-sumbu di mana tidak ada perbandingan yang perlu dibuat

Tiga dimensi tidak berdekatan, dan ketiganya cenderung menentukan arsitektur sebelum harga dibahas.

• Bobot dan lisensi — Ling-3.1-flash belum menerbitkan bobot, tidak memiliki teks lisensi, dan Artificial Analysis menggolongkannya sebagai proprietary. DeepSeek V4.1 Flash (Max) adalah bobot terbuka di bawah MIT, dapat diunduh dari Hugging Face, dengan penggunaan komersial diizinkan. Salah satunya dapat di-host sendiri, di-fine-tune, dan di-air-gap; yang lain tidak.

• Modalitas — Ling-3.1-flash adalah teks masuk, teks keluar. DeepSeek V4.1 Flash (Max) menerima gambar bersama teks dan dinilai pada tolok ukur multimodal. Jika ada bagian dari pipeline Anda yang memberikan tangkapan layar, bagan, atau hasil pindai kepada model, perbandingannya berakhir di situ.

• Permukaan penyajian — DeepSeek V4.1 Flash (Max) tersedia melalui 23 penyedia, termasuk OrcaRouter; Ling-3.1-flash berjalan melalui API milik vendor sendiri dan platform pihak ketiga yang membawa rilisnya. Untuk jalur produksi, jumlah penyedia adalah properti ketahanan, bukan kontes popularitas.

Satu lagi asimetri yang tidak terlihat dalam daftar mana pun dari daftar-daftar tersebut: DeepSeek V4.1 Flash (Max) menyediakan 384.000 token output dalam satu respons. Ant belum menerbitkan panjang output maksimum untuk Ling-3.1-flash, sehingga beban kerja generasi panjang belum dapat diukur dengan menjadikannya acuan. Tidak adanya batas yang diterbitkan tidak sama dengan batas yang kecil, tetapi itu juga bukan angka yang dapat Anda jadikan dasar desain.

Menjalankan keduanya, dan seperti apa wujudnya sebenarnya

Ling-3.1-flash tidak ada di katalog OrcaRouter hari ini — pencarian pada API model publik kami mengembalikan not-found untuk model di bawah InclusionAI, dan artikel ini tidak akan berpura-pura sebaliknya. DeepSeek V4.1 Flash dapat dirutekan saat ini dengan harga daftar penyedia tanpa markup, jadi perubahan harga vendor langsung aktif di sisi kami pada hari yang sama saat diberlakukan, dan ia berada di belakang kunci API tunggal yang sama seperti bagian lain katalog dengan failover otomatis antar penyedia hulu.

Asimetri itu punya wujud praktis. Cara yang masuk akal untuk menyikapi perbandingan ketika salah satu model tertutup, dibanderol sekitar empat kali lipat pendahulunya, dan hanya dapat diakses lewat satu vendor, adalah menjadikan model terbuka yang tersedia luas sebagai jalur default dan memperlakukan penantangnya sebagai sesuatu yang diuji, bukan sesuatu yang Anda jadikan komitmen. DeepSeek V4.1 Flash (Max) dapat menjalankan siklus produksi hari ini — bobot terbuka, input gambar, output 384K, diskon cache 98% — sementara Ling-3.1-flash mendapat pekerjaan khusus agen di tempat margin Terminal-Bench dan SciCode-nya benar-benar berlaku. Karena keduanya menggunakan format chat-completions yang kompatibel dengan OpenAI, pemisahan itu adalah keputusan perutean, bukan proyek integrasi: satu endpoint, satu key, dan aturan yang mengirimkan tugas-tugas yang secara terukur lebih baik ditangani masing-masing model.

Putusan

Berdasarkan bukti yang tersedia, DeepSeek V4.1 Flash (Max) memenangkan duel ini, dan kemenangannya terutama karena hal-hal yang tidak ada hubungannya dengan dua poin Index: bobot terbuka di bawah MIT, masukan gambar, 384.000 token keluaran, diskon cache 98%, dan 23 penyedia untuk failover di antaranya. Argumen Ling-3.1-flash lebih sempit tetapi nyata — ia adalah agen terminal-dan-perkakas yang lebih baik di antara keduanya, dan ia satu-satunya dari pasangan itu yang belum menerbitkan jadwal tarif dengan pengganda jam sibuk yang sudah tertanam di dalamnya.

Dua hal akan mengubah penilaian ini. Jika Ant mempublikasikan bobot di bawah lisensi permisif, kesenjangan keterbukaan pun tertutup dan perbandingannya menjadi percakapan kapabilitas-dan-biaya yang lugas. Dan jika jendela konteks panjang yang disajikan Ant tervalidasi pada 1 juta token yang dinyatakan kedua model, klaim paritas konteks tidak lagi sekadar klaim. Hingga saat itu, ringkasan yang jujur adalah bahwa sebuah model bisa memenangi satu baris benchmark agentik dan tetap kalah dalam evaluasi — dan bahwa selisih indeks dua poin antara model-model ini senilai sekitar 3,6× biaya per tugas, yang merupakan pertukaran yang hanya seharusnya diambil oleh beban kerja tertentu.