
Sage-S2.1-Flash vs DeepSeek V4.1 Flash: Satu-satunya Pertandingan dengan Papan Skor Bersama
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 90 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 97 tok/s
- orcaBARUOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaBARUOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 87 tok/s
- OrcaBARUOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 133 tok/s
- OrcaBARUOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 per 1 juta token · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 per 1 juta token · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Kecerdasan
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Kecerdasan
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 per 1 juta token · 219 tok/s
Ada tepat satu tempat di internet di mana Sage-S2.1-Flash dan DeepSeek V4.1 Flash pernah saling diadu skornya, dan tempat itu tidak netral. InternLM, laboratorium yang menerbitkan Sage-S2.1-Flash pada 15 November 2026, memasukkan DeepSeek-V4.1-Flash-1017 ke dalam tabel perbandingannya sendiri — 35 benchmark, delapan model pesaing, sebuah file berpemisah tab di repositori GitHub yang tidak ditautkan oleh kartu model Hugging Face. Jadi kedua model itu berbagi papan skor, dan salah satunya yang membuatnya.
Itu lebih dari yang dapat dikatakan tentang dua perbandingan lainnya dalam seri ini, yang sama sekali tidak memiliki tabel bersama. Hal ini juga menjadikannya halaman paling berguna dari ketiga halaman, karena tabel bersama — bahkan milik vendor itu sendiri — memungkinkan Anda mengajukan pertanyaan yang tidak dapat dijawab oleh dua posting blog terpisah. Berikut ini adalah apa yang dikatakan tabel bersama tersebut, apa dua arsitektur di baliknya, dan seberapa besar Anda sebaiknya mempercayainya.
Asimetri yang membingkai segalanya
Letakkan kedua rilis itu berdampingan sebagai artefak sebelum kamu meletakkannya berdampingan sebagai model.
DeepSeek V4.1 Flash hadir pada 10 September 2026 dengan kartu model lengkap, PDF laporan teknis berjudul "Pushing the Limits of KV Cache Compression", lisensi MIT, API terdokumentasi dengan tarif off-peak dan peak yang dipublikasikan, serta snapshot yang diperbarui — 1017 — pada 17 Oktober. Repositori Hugging Face-nya telah diunduh 1,69 juta kali dan memiliki 4.978 suka. Artificial Analysis menilainya secara independen sebesar 32,6 pada Intelligence Index pada upaya maksimum.
Sage-S2.1-Flash hadir pada 15 November 2026 dengan 120 shard bfloat16, kartu model 21 byte yang seluruh isinya adalah deklarasi lisensi, panduan penerapan, dan tidak ada harga yang dipublikasikan di mana pun. Ia memiliki satu suka dan nol unduhan. Belum ada harness independen yang menyentuhnya.
Keduanya adalah campuran para ahli dengan bobot terbuka berlisensi MIT, jendela konteks satu juta token, dan masukan gambar native. Di atas kertas, keduanya setara. Dalam hal bukti, keduanya tidak berdekatan.

Apa isi sebenarnya dari tabel bersama
Berkas benchmark InternLM mencantumkan 31 baris yang memuat angka DeepSeek-V4.1-Flash-1017. Membacanya adalah pengalaman yang berbeda dari membaca postingan peluncuran, karena baris-baris tempat Sage kalah masih ada. Cuplikan representatif, Sage lebih dulu di setiap baris:
• Terminal-Bench 2.1 — 87,9 vs 87,6, selisih tiga persepuluh alias imbang
• DeepSWE — 67,0 vs 73,9, defisit 6,9 poin
• SWE-bench Pro — 60,6 vs 64,7, defisit 4,1 poin
• NL2Repo-Bench — 57.2 vs 62.7, defisit 5.5 poin
• APEX-Agents — 61,7 vs 69,2, defisit 7,5 poin
• WideSearch — 81,5 vs 86,3
• BrowseComp — 91,2 vs 93,8
• CyberGym — 84,3 vs 88,8
• τ³-bench Perbankan — 45,4 vs 47,4
• OSWorld v2.1 — 69,3 vs 70,1
• AutomationBench — 56,7 vs 57,8
Pola dalam daftar itu tidak nyaman bagi model yang lebih baru: pada pekerjaan agentic dan pengkodean secara umum, DeepSeek V4.1 Flash memenangkan mayoritas baris, sering kali dengan selisih yang bukan sekadar noise. Model yang diterbitkan dua bulan sebelumnya, oleh lab dengan laporan teknis publik, mengalahkan rilisan senyap itu pada benchmark yang justru dipilih sendiri oleh rilisan senyap tersebut untuk dipublikasikan.
Kemudian tabelnya terbalik. Baris-baris tempat Sage unggul adalah baris ilmiah dan dokumen, dan selisihnya berada pada tingkat yang sama sekali berbeda:
• Harvey LAB — 25,0 vs 11,7, lebih dari dua kali lipat
• OfficeQA Pro V2 — 72,2 vs 69,7
• BabyVision — 75,8 vs 58,0, selisih 17,8 poin
• OSWorld-G — 84,8 vs 61,4, selisih 23,4 poin
• MLE-bench Lite — 90,3 vs 89,2
• Workspace-Bench-Lite — 67,1 vs 66,8
• GDPval — 78.0 vs 77.6
• SpreadsheetBench 2 — 37,1 vs 35,8
Dua pola, dan keduanya mengarah ke arah yang berlawanan. Dalam rekayasa perangkat lunak dan pekerjaan agen berbasis alat di lingkungan umum, DeepSeek V4.1 Flash adalah model yang lebih kuat dan angka milik InternLM sendiri menyatakan demikian. Dalam persepsi ilmiah, pekerjaan profesional yang padat dokumen, dan kontrol desktop grafis, Sage-S2.1-Flash bukan unggul tipis, melainkan berada di kelas yang berbeda.
Mengapa arsitektur-arsitektur tersebut akan menghasilkan pemisahan yang persis seperti itu
Kedua model ini memecahkan masalah yang berbeda, dan konfigurasi mereka sudah menunjukkan hal itu sebelum benchmark mana pun melakukannya.
DeepSeek V4.1 Flash adalah tulang punggung 552 miliar parameter dengan 16 miliar parameter aktif per token, dibangun di atas arsitektur yang oleh DeepSeek disebut Causal Encoder-Decoder: 40 lapisan dibagi rata menjadi encoder kausal 20 lapisan dan decoder 20 lapisan. Kerangka laporan teknisnya adalah kompresi cache KV — klaim utama model ini adalah tentang efisiensi penyajian pada satu juta token, bukan tentang persepsi. Model ini memproses gambar secara native, tetapi penekanan yang dipublikasikan adalah ekonomi penyajian konteks panjang.
Sage-S2.1-Flash adalah model 320 miliar parameter dengan 18 miliar parameter aktif per token dan, menurut panduan deployment-nya, memiliki 45 lapisan. Konfigurasinya membaginya secara tajam: 34 lapisan menggunakan jenis linear-attention yang dalam file disebut kda, dan hanya 11 yang menggunakan sparse attention dengan indeks top-k 2.048 token. Ada vision tower 24 lapisan pada input 448 piksel, dan kosakata token memuat token gambar, video, audio, awal, dan akhir secara eksplisit. Salinan rilis berbahasa Inggris milik InternLM sendiri — yang dihosting di internlm.github.io/Sage-S2.1-Flash, dibuat pada 16 November, tidak dirujuk oleh model card — mendeskripsikan pelatihan pada graf molekul, struktur kristal, urutan protein dan struktur 3D, DNA dan RNA, spektrum, spektrum massa, difraksi sinar-X, elektrokardiogram, elektroensefalogram, dan kurva cahaya.
Bacalah daftar itu berdampingan dengan baris-baris yang dimenangkan Sage, dan gambaran tersebut tidak lagi tampak seperti keberuntungan benchmark. Harvey LAB adalah pekerjaan hukum atas dokumen. OfficeQA Pro adalah tanya jawab dokumen keuangan. BabyVision adalah persepsi visual. OSWorld-G adalah kontrol desktop grafis — mengklik UI, bukan memanggil API. Itu adalah konstruk yang diharapkan dikuasai oleh model yang dilatih pada figur ilmiah, spektrum, plot, dan antarmuka perangkat lunak, dan justru di situlah model yang dilatih untuk penyajian umum yang efisien cache KV diperkirakan akan tertinggal.
Poin ini berlaku dua arah. Sage kehilangan baris pemrograman karena bukan terutama model pemrograman; DeepSeek kehilangan baris visi karena bukan terutama model persepsi. Tidak ada hasil yang merupakan skandal. Kesalahannya adalah membaca salah satu kolom sebagai putusan umum.

Selisih harga, yang tidak dekat
DeepSeek V4.1 Flash memiliki tarif yang dipublikasikan, dan itu merupakan salah satu tarif termurah untuk model seukuran ini:
• Di luar jam sibuk, cache miss — $0.15 per juta input, $0.60 per juta output
Puncak, cache miss — $0.30 per juta input, $1.20 per juta output
• Cache hit — $0,003 per juta di luar jam sibuk, $0,006 pada jam sibuk
• Jam sibuk — 01:00–04:00 dan 06:00–10:00 UTC, Senin hingga Jumat, kecuali hari libur umum Tiongkok
• Konteks — 1.000.000 token, dengan hingga 384.000 token keluaran
Sage-S2.1-Flash tidak memiliki tarif yang dipublikasikan. Tidak ada harga di kartu model, tidak ada di panduan penerapan, dan tidak ada di microsite peluncuran; tautan "Coba API" di situs itu mengarah ke portal yang tidak akan menampilkan katalognya kepada klien non-JavaScript. Yang dimiliki Sage sebagai gantinya adalah persyaratan perangkat keras: deployment referensi dalam panduan tersebut adalah delapan GPU H200 pada bfloat16, sekitar 645 GB bobot di seluruh node.
Itu membuat perbandingan biaya menjadi sebuah bentuk, bukan angka. DeepSeek V4.1 Flash adalah $0,15 per juta token input pada jam non-sibuk, yang berarti prompt satu juta token biayanya lima belas sen. Menjalankan Sage-S2.1-Flash pada satu juta token biayanya sebesar apa pun yang Anda keluarkan untuk delapan H200 selama waktu wall-clock yang dibutuhkan panggilan tersebut, dan belum ada yang menerbitkan angka throughput untuk itu. Jika Anda sudah memiliki node tersebut, biaya marginal panggilan hampir nol dan DeepSeek tampak mahal dibandingkan. Jika tidak, DeepSeek menang dengan selisih yang begitu lebar sehingga perbandingan dengan Sage tidak layak dilakukan sampai ada harga hosted.
Apa yang tidak bisa diberitahukan tabel bersama kepada Anda
Satu sifat dari perbandingan yang ditulis vendor patut dinyatakan dengan jelas, karena hal itu memengaruhi cara membaca setiap baris di atas: harness-nya tidak didokumentasikan. InternLM menerbitkan angkanya, bukan konfigurasi eksekusinya. Tidak ada keterangan tentang berapa banyak percobaan per tugas, scaffolding apa yang digunakan, parameter sampling mana yang dipakai, apakah alat tersedia, atau berapa anggaran penalaran untuk masing-masing model. Angka 32,6 milik DeepSeek sendiri pada Artificial Analysis Intelligence Index berasal dari harness publik yang menerapkan prosedur yang sama pada setiap model dalam indeksnya; angka 73,9 dari InternLM untuk DeepSeek pada DeepSWE berasal dari harness privat.
Itu tidak membuat tabelnya tidak berguna. Itu membuatnya bersifat terarah. Baris coding dan baris vision sama-sama cukup besar, dan cukup konsisten secara internal, sehingga pilihan scaffolding kemungkinan besar bukan yang menghasilkannya. Di sisi lain, selisih tiga persepuluh yang seri pada Terminal-Bench 2.1 berada jauh di dalam rentang yang dapat dihasilkan oleh variasi harness apa pun — perlakukan perbedaan 0,3 poin sebagai seri dan tidak ada yang hilang.
Perlu juga dicatat: InternLM menerbitkan angka untuk DeepSeek pada DeepSWE (73.9) yang tinggi dibandingkan baris-baris coding lain dalam tabelnya sendiri, di mana DeepSeek berada pada 64.7 di SWE-bench Pro. Inkonsistensi internal semacam itu adalah hal yang bisa diselesaikan oleh harness yang dipublikasikan dalam satu sore, sedangkan harness privat tidak bisa menyelesaikannya sama sekali.

Penerapan: satu sore versus satu dokumen
Jika Anda memilih berdasarkan pertimbangan operasional alih-alih baris benchmark, kesenjangannya lebih lebar daripada yang disiratkan oleh skor, dan arahnya sama dengan kesenjangan bukti.
DeepSeek V4.1 Flash hadir dengan laporan teknis, arsitektur transformers standar, varian fp8, dan tag deployment untuk Azure dan SageMaker di kartu modelnya. Model ini sudah beredar selama dua bulan, telah diunduh 1,69 juta kali, dan setiap keanehan serving yang dimilikinya sudah pernah dialami dan dicatat oleh seseorang.
Sage-S2.1-Flash disertakan dengan panduan deployment yang, jika dibaca cermat, merupakan daftar kegagalan senyap. Jika Anda menghilangkan --trust-remote-code, tokenizer bawaan mengodekan string agentik seperti <|user|> dan <tool_call> sebagai token kontrol — model berhenti lebih awal atau merusak pemanggilan tool, dan tidak ada apa pun yang dicatat. Menjalankannya di vLLM tanpa patch satu file di vllm_patch/ membuat hasil tool paralel yang kembali tidak berurutan melampirkan gambar ke hasil yang salah, sehingga model menjawab tentang gambar yang salah; perbaikan upstream masih tertunda sebagai vllm-project/vllm#67108. Menjalankannya di SGLang tanpa meneruskan chat_template.jinja secara eksplisit membuat mesin memasang templatnya sendiri untuk arsitektur tersebut. Di Hopper, cache KV FP8 tidak didukung. LMDeploy memerlukan transformers yang dipin antara 5.17 dan 5.19, karena 5.19 mengganti nama tipe layer.
Semua itu terdokumentasi, yang merupakan nilai plus bagi lab tersebut — itu lebih dari yang mampu dicapai sebagian besar rilis senyap. Tetapi itu juga merupakan sidik jari sebuah model yang penulisnya sendiri masih menjadi satu-satunya orang yang pernah menggunakannya.
Satu-satunya hal berguna yang diselesaikan oleh tabel bersama
Dengan mempertimbangkan semua hal di atas, inilah keputusan yang sebenarnya didukung oleh bukti.
• Jika pekerjaan Anda adalah kode, perkakas agen, atau penyajian konteks panjang secara umum — DeepSeek V4.1 Flash. Model ini unggul di sebagian besar baris tersebut dalam tabel milik pesaing itu sendiri, biayanya $0.15 per juta token masukan di luar jam sibuk, dan ada skor independen untuk dibandingkan. Tidak ada argumen serius untuk Sage di sini.
• Jika pekerjaan Anda adalah figur ilmiah, spektrum, plot, dokumen profesional hasil pindai, atau perangkat lunak berbasis GUI — Sage-S2.1-Flash layak dicoba selama akhir pekan. Selisih 23 poin di OSWorld-G dan 13 poin di Harvey LAB adalah jenis perbedaan yang menentukan apakah suatu tugas bisa diotomatiskan sama sekali, dan tidak ada model lain dalam tabel InternLM yang mendekati pada baris-baris tersebut.
• Jika Anda harus memutuskan hari ini — DeepSeek V4.1 Flash, karena hanya ini satu-satunya dari keduanya yang dapat Anda panggil tanpa jendela pemeliharaan.
DeepSeek V4.1 Flash dirutekan di OrcaRouter sebagai deepseek/deepseek-v4.1-flash dengan harga $0.15 untuk input dan $0.60 untuk output per juta token — harga daftar off-peak milik DeepSeek sendiri yang diteruskan tanpa markup — dengan konteks 1,048,576 token, bersama snapshot 1017 dengan tarif yang sama. Sage-S2.1-Flash tidak ada dalam katalog kami; itu adalah open weights yang akan Anda layani sendiri, dan kami tidak akan menyiratkan sebaliknya.
Apa yang diberikan router kepada Anda di sini lebih sempit daripada migrasi dan lebih berguna daripada tolok ukur. Pembagian yang dijelaskan artikel ini — pekerjaan agentic umum dan pengodean ke satu model, pekerjaan ilmiah dan yang berat GUI ke model lainnya — persis seperti bentuk yang diungkapkan kebijakan perutean: satu endpoint, aturan yang mengirim permintaan yang membawa gambar dan dokumen ke jalur khusus, dan failover otomatis yang mencegah degradasi di sisi penyedia menjatuhkan seluruh jalur. Kedua pengenal DeepSeek berada pada kunci yang sama, jadi mencoba snapshot 1017 terhadap versi asli hanya memerlukan perubahan string model, bukan kontrak kedua. Bagian yang tidak dapat Anda rutekan — Sage-S2.1-Flash — adalah bagian yang harus Anda siapkan sendiri, yang merupakan argumen paling jelas untuk membuat prototipe terhadap apa yang ada di katalog terlebih dahulu.
Apa yang membuat halaman ini layak untuk ditulis ulang?
Dua hal. Harga untuk Sage-S2.1-Flash, yang akan mengubah bagian biaya dari sekadar bentuk menjadi aritmetika. Dan skor independen, idealnya pada harness yang sama yang menempatkan DeepSeek V4.1 Flash pada 32,6 — karena pertanyaan yang menarik bukanlah apakah Sage mengungguli DeepSeek secara rata-rata. Semua hal di atas menunjukkan bahwa tidak. Pertanyaan yang menarik adalah apakah keunggulan 23 poin Sage di OSWorld-G bertahan pada harness yang tidak ditulis oleh lab yang menerbitkannya, dan apakah defisit 6,9 poin di DeepSWE benar-benar nyata seperti yang tersirat dari baris-baris coding dalam tabelnya sendiri.
Sampai seseorang menjalankan ulang baris-baris itu, papan skor bersama adalah bukti terbaik yang tersedia, dan papan itu dibangun oleh salah satu dari dua pesaing. Bacalah sebagaimana Anda membaca perbandingan terbitan sendiri mana pun yang kebetulan memuat kekalahannya sendiri: lebih dapat dipercaya daripada tabel yang tidak memuat kekalahan sama sekali, tetapi tetap bukan hal yang sama dengan sebuah pengukuran.
Dibandingkan dalam artikel ini1
Terdeteksi dari artikel ini · Benchmark: Artificial Analysis · diperbarui setiap hari
