MiniMax M3.1 Flash vs DeepSeek V4.1 Flash: Apa yang Sebenarnya Disepakati oleh Kedua Tabel Vendor Itu

Dua baris. Itulah seberapa banyak dari tabel peluncuran MiniMax yang bertahan dalam perbandingan dengan angka terbitan DeepSeek sendiri, dan hal itu perlu dikatakan secara gamblang sebelum judul utama dari salah satu vendor dikutip ulang: pada dua tolok ukur di mana MiniMax M3.1 Flash dan DeepSeek V4.1 Flash — checkpoint 1017 yang dirilis DeepSeek dua hari sebelumnya — kedua laboratorium menerbitkan skor pada evaluasi yang sama, model yang lebih baru tertinggal. MiniMax merilis M3.1 Flash pada 19 Oktober 2026 dengan tabel yang mencakup pekerjaan agentik, pengodean, penggunaan komputer, dan keamanan siber, serta klaim lompatan generasi dibandingkan pendahulunya sendiri. DeepSeek merilis V4.1 Flash 1017 pada 17 Oktober 2026 dengan kartu model yang melakukan hal serupa. Bagian menarik dari membandingkan keduanya bukanlah siapa yang menang. Melainkan betapa sedikit bagian dari masing-masing tabel yang memang dirancang untuk dapat dibandingkan sama sekali. Tabel vendor adalah salah satu jenis bukti dan catatan insiden adalah jenis lainnya, sehingga kegagalan di balik rilis seperti ini dikatalogkan dalam OrcaRouter AI Incident Archive yang setiap entrinya mencantumkan sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda status sengketa.

Apa yang sebenarnya dihitung oleh MiniMax

Postingan M​iniMax lebih spesifik daripada sebagian besar. Postingan itu menyebutkan enam angka di awal: BankerToolBench 76.2, DeepSWE v1.1 73.7%, OSWorld V2 61.7, Agents' Last Exam 29.6, CyberGym 82%, dan klaim kinerja teratas pada Automation-Bench tanpa skor dalam teks ringkasan. Di samping itu ada dua klaim throughput — sekitar tiga kali lebih cepat dalam inferensi online daripada model yang digantikannya, dan 200 lebih token per detik dengan P50 di atas 170 — serta klaim biaya 70% lebih rendah pada tugas agentik. Semua itu dilaporkan oleh vendor dan belum direproduksi. M​iniMax yang menjalankannya, M​iniMax yang menerbitkannya, dan harness hanya disebutkan di catatan kaki.

Catatan kaki adalah tempat tabel mulai berantakan. BankerToolBench, kata MiniMax, dievaluasi dengan harness OpenCode 1.1718 dan dinilai oleh MiniMax-M2.7, model lamanya sendiri. Itu adalah benchmark yang dinilai sendiri: model MiniMax menilai keluaran yang dihasilkan oleh model MiniMax, pada kumpulan tugas yang dipilih MiniMax. Bisa jadi penyelenggaraannya sangat baik. Itu bukan bukti yang dapat Anda gunakan untuk menyerang lab yang memublikasikan pada harness yang dikelola pihak lain.

Dua baris yang sejajar

DeepSWE v1.1 adalah satu-satunya pengukuran yang benar-benar digunakan bersama. Kedua lab melaporkannya, dan keduanya menyebutkan harness yang sama: DeepSeek menyatakan Mini-SWE-V2 di kartu modelnya, MiniMax melaporkan versi benchmark yang sama. MiniMax mengklaim 73,7%. DeepSeek mengklaim 77,0% untuk checkpoint 1017, dibandingkan dengan 74,2% untuk rilis V4.1 Flash yang digantikannya. Jadi peringkat di sini tidak ambigu, dan tidak membuat model yang lebih baru tampil lebih baik: rilis DeepSeek 17 Oktober berada di atas rilis MiniMax 19 Oktober pada satu-satunya benchmark agen coding yang diukur kedua perusahaan dengan cara yang sama, dan sekaligus unggul hampir tiga poin dari rilis sebelumnya sendiri.

Agents' Last Exam menyampaikan cerita yang sama dengan jarak yang lebih besar. M​iniMax melaporkan 29,6. D​eepSeek melaporkan 35,4 untuk 1017, naik dari 31,8 untuk checkpoint sebelumnya. Itu adalah selisih lima poin pada benchmark yang dirancang agar sulit bagi agen, dan ini merupakan baris kedua berturut-turut ketika model yang dua hari lebih tua unggul dengan nyaman.

Semua hal lain di kedua tabel itu entah diukur pada rig yang berbeda, dinilai oleh model yang berbeda, atau dipublikasikan hanya oleh satu pihak. Kartu DeepSeek mencantumkan Terminal-Bench 4.0 sebesar 42.3 dalam harness Claude Code, HLE tanpa alat sebesar 42.6, ProgramBench 29.1, Apex Bench v1.1 sebesar 72.1, dan Automation-Bench v1.0.6 sebesar 60.5. Postingan MiniMax sama sekali tidak memberikan angka Terminal-Bench 4.0, dan baris Automation-Bench-nya berada di bawah catatan kaki tentang 600 tugas yang dirilis ke publik, bukan di samping angka sebanding yang dapat kami kaitkan dengan yakin pada resolusi yang ditampilkan postingan tersebut. Dua dari baris itu dapat diperiksa. Sisanya adalah dua ujian berbeda dengan nama yang sama di sampulnya.

Di mana tabel M​iniMax kuat dan tabel D​eepSeek diam

Akan menjadi kesalahan untuk membaca dua baris bersama itu sebagai gambaran utuh, karena keduanya adalah baris penalaran coding dan agent, dan tawaran M​iniMax lebih luas. OSWorld V2 pada 61.7 adalah angka computer-use yang tidak dipublikasikan D​eepSeek, dan M​iniMax mengklaim tempat pertama di antara model-model Tiongkok pada tolok ukur itu. CyberGym pada 82% adalah angka security-agent yang juga tidak dipublikasikan D​eepSeek. BankerToolBench 76.2 mengukur pemilihan alat dalam lingkungan alur kerja bisnis yang tidak dicakup oleh kartu D​eepSeek maupun Artificial Analysis. Di wilayah itu M​iniMax tidak kalah; tidak ada yang menandinginya. Tanpa lawan tidak sama dengan berada di depan, dan ringkasan vendor itu sendiri — "mencapai level model-model terdepan" — adalah klaim tentang paritas, bukan tentang keunggulan.

Hal lain yang perlu diperhatikan tentang tabel peluncuran adalah cara tabel itu memperlakukan para pesaing. Grafik yang diterbitkan menempatkan kolom MiniMax di samping DeepSeek, Kimi-K3, GLM-5.3, GPT-5.6 Sol, dan Opus 5, dan angka-angka di kolom tersebut adalah angka terbitan lab-lab lain itu sendiri, bukan angka yang dijalankan MiniMax. Itu praktik yang wajar dan tidak curang, tetapi itu berarti setiap perbandingan lintas kolom dalam gambar tersebut mewarisi harness apa pun yang kebetulan dipakai masing-masing lab. Tabel yang menyejajarkan enam model mengundang Anda untuk membaca lintas kolom di sepanjang baris. Hanya dua dari baris tersebut yang dibuat untuk dibaca lintas kolom.

Kisah harga berjalan ke arah sebaliknya, dan itu nyata

Dalam hal biaya, M​iniMax memiliki kartu tarif yang lebih rapi. M3.1 Flash adalah $0,15 per juta token masukan dan $0,60 per juta token keluaran, dengan input yang di-cache sebesar $0,015 — diskon 90% — dan tanpa variasi berdasarkan waktu dalam sehari. D​eepSeek V4.1 Flash 1017 mencantumkan $0,30 dan $1,20 selama jendela jam sibuk hari kerja, turun setengah menjadi $0,15 dan $0,60 di luar jam sibuk, dengan hit cache masing-masing sebesar $0,006 dan $0,003. Selama jam sibuk, D​eepSeek mengenakan biaya dua kali lipat dari yang dikenakan M​iniMax untuk juta token yang sama. Di luar jam sibuk, kedua kartu itu identik. Beban kerja yang berjalan sesuai jadwal yang Anda kendalikan dapat mengejar jendela murah D​eepSeek; beban kerja yang berjalan saat pengguna Anda aktif tidak bisa.

Artificial Analysis memberikan angka pada perbedaan yang tetap bertahan dari permainan harga: $0,22 untuk menyelesaikan satu tugas Intelligence Index pada M3.1 Flash dibandingkan $0,26 pada DeepSeek V4.1 Flash 1017. Itu adalah selisih 15% yang menguntungkan {{1}}M​iniMax{{/1}} pada evaluasi yang sama, dan itu adalah satu-satunya klaim ekonomis dalam perbandingan ini yang diukur secara independen alih-alih diklaim oleh vendor. Ini penting karena kartu harga per token tidak memberi tahu Anda hal ini. Harga $0,30/$1,20 milik {{2}}D​eepSeek{{/2}} tampak seperti penalti 2x dan berperilaku seperti penalti 15%, karena {{3}}M​iniMax{{/3}} menghabiskan 180 juta token keluaran saat menjalankan indeks dibandingkan dengan 210 juta milik {{4}}D​eepSeek{{/4}} dan karena {{5}}D​eepSeek{{/5}} kira-kira dua kali lebih cepat pada 208,7 token per detik dibandingkan sekitar 105. Dua model, dua filosofi harga, dan perbedaan biaya nyata sebesar delapan belas sen per evaluasi.

Di sinilah lapisan perutean juga membuktikan tempatnya, dengan cara yang mudah diucapkan tetapi sulit dilakukan secara manual. OrcaRouter meneruskan harga daftar penyedia dengan markup 0%, sehingga ketika salah satu lab mengubah tarif, angka pada tagihan Anda berubah pada hari yang sama alih-alih pada pembaruan kontrak berikutnya — dan pada kartu dengan jendela puncak, itulah perbedaan antara anggaran yang Anda tetapkan sekali dan anggaran yang Anda periksa ulang setiap jam. Kami tidak mencantumkan M​iniMax M3.1 Flash atau DeepSeek V4.1 Flash 1017 di katalog saat ini, dan artikel ini bukan klaim bahwa kami mencantumkannya; keluarga D​eepSeek yang kami rutekan adalah checkpoint yang berbeda, sebuah perbedaan yang layak dipertahankan dengan tepat ketika string model adalah yang menjadi patokan kode Anda.

Dua angka yang tidak termuat dalam tabel benchmark

Yang pertama adalah kecepatan. M​iniMax mengklaim 200-an token per detik dan P50 di atas 170. Artificial Analysis mengukur sekitar 105 token per detik pada harness-nya sendiri, dengan waktu ke token pertama 1,38 detik. D​eepSeek mengukur 208,7 token per detik pada 1,07 detik. Klaim throughput vendor hampir selalu diukur pada kasus terbaik yang dapat dihasilkan oleh stack penyajian; angka independen adalah angka yang muncul di p95 Anda. Pada dimensi ini, klaim M​iniMax sendiri dan hasil terukur tidak berdekatan, dan hasil terukur adalah setengah dari D​eepSeek.

Yang kedua adalah lisensi. DeepSeek V4.1 Flash 1017 berlisensi MIT dengan bobot yang tersedia di Hugging Face dan 552 miliar parameter total dibandingkan 16 miliar parameter aktif. M​iniMax mengatakan bobot M3.1 Flash "akan dirilis nanti" dan tidak melampirkan tanggal, lisensi, maupun jumlah parameter pada janji tersebut. Jika pengadaan Anda melewati tinjauan keamanan yang menanyakan apa yang terjadi jika vendor menghilang, tabel benchmark bukanlah pertanyaan yang Anda jawab, dan pada tabel yang diberikan kepada Anda, jawabannya tidak ada.

Apa yang akan mengubah pembacaan ini

Tiga hal, dalam urutan seberapa besar pengaruhnya. Uji independen DeepSWE v1.1 dan Agents' Last Exam pada checkpoint MiniMax akan menentukan apakah 73.7 dan 29.6 itu konservatif atau generous — saat ini belum ada pihak di luar kedua lab tersebut yang menerbitkan salah satunya. Skor Automation-Bench yang diterbitkan oleh MiniMax, pada rilis 600 tugas yang sama yang dipakai DeepSeek, akan memberi klaim agentic itu angka yang saat ini belum dimilikinya. Dan rilis bobot dengan lisensi terlampir akan membuat model tersebut sebanding pada sumbu di mana DeepSeek saat ini sama sekali tidak punya pesaing.

Sampai saat itu, ringkasan jujurnya lebih sempit daripada kedua posting peluncuran. M​iniMax M3.1 Flash adalah model yang lebih murah untuk menyelesaikan tugas, lebih lambat untuk diajak bicara, tertutup untuk pengadaan, dan — pada satu-satunya dua benchmark yang diukur secara identik oleh kedua perusahaan — berada di posisi kedua. Itu bukan kisah yang hendak disampaikan tabel itu, tetapi itulah kisah yang ada di dalam tabel tersebut. Jika Anda memilih di antara keduanya minggu ini, pilihlah berdasarkan kartu harga dan lisensinya, karena itulah dua baris yang tidak perlu diyakinkan lagi kepada siapa pun.