SWE-2 Flash vs DeepSeek V4 Flash: Yang Satu Punya Daftar Tarif, yang Lain Punya Rasio

Hal pertama yang ambruk ketika kamu menyandingkanSWE-2 Flash dan DeepSeek V4 Flashsecara berdampingan adalah satuannya. DeepSeek menerbitkan dolar per juta token dan checkpoint yang bisa kamu unduh. Cognition menerbitkan sebuah pecahan — seperlima dari SWE-2 — dan sebuah kursi di dalam Devin. Salah satunya adalah model yang bisa kamu bangun di atasnya; yang lain adalah model yang bisa kamu pakai. Setiap perbandingan berikutnya harus mampu melewati asimetri itu, dan sebagian besar yang beredar pada hari peluncuran tidak mampu.

Itu bukan alasan untuk melewati perbandingan. Justru itu alasan perbandingan itu layak dilakukan dengan hati-hati. Kedua model menyasar pembeli yang sama — tim yang menginginkan perilaku pengodean yang mendekati frontier tanpa harga frontier — dan mereka bertaruh pada arah yang berlawanan tentang bagaimana pembeli itu ingin menerimanya. Satu taruhan bersifat terdisagregasi: bobot, API, jendela konteks yang dipublikasikan, dan tagihan yang bisa Anda perkirakan. Yang lain terintegrasi: model yang disetel untuk satu harness, dijual sebagai sebagian kecil dari biaya model lain, dengan tumpukan penyajian sudah termasuk dalam angka tersebut.

Apa sebenarnya masing-masing, dan jebakan checkpoint

SWE-2 Flash diumumkan pada 4 November 2026. Model ini dilatih pasca-pelatihan dari Inkling-Small, model campuran 276B total dan 12B aktif milik Thinking Machines, dan tersedia di Devin Desktop serta Devin CLI. Gratis di sana hingga 30 November. Tidak ada API, tidak ada bobot publik, dan tidak ada jendela konteks yang dipublikasikan.

DeepSeek V4 Flash adalah model campuran dengan total 284B parameter dan sekitar 13B aktif di bawah lisensi MIT, dengan jendela konteks 1 juta token dan hingga 384.000 token keluaran. Model ini hanya menerima teks; varian visinya adalah ID eksperimental terpisah. Model ini disajikan melalui API yang kompatibel dengan OpenAI dan telah dapat dipanggil sejak musim semi, dengan checkpoint 0731 yang dilatih ulang pasca-pelatihan yang mengerjakan sebagian besar pekerjaan pada pengodean agentik.

Lalu jebakannya. Halaman model dan harga milik DeepSeek sendiri, yang dibaca pada 5 November 2026, mencantumkan deepseek-v4-flash di antara nama lama yang masih diterima oleh API dan menyatakan bahwa model itu sekarang dilayani oleh DeepSeek-V4.1-Flash-1017. Itu adalah model yang berbeda dan lebih besar: tabel perbandingan Cognition menempatkan V4.1 Flash 1017 pada total 763B dan 16B aktif. Jadi "DeepSeek V4 Flash" merujuk pada setidaknya tiga hal tergantung siapa yang berbicara — build April, checkpoint 0731, atau checkpoint V4.1 Oktober yang sekarang ditunjuk oleh ID tersebut. Di OrcaRouter, ID yang di-pin adalah rute terpisah, yang merupakan satu-satunya alasan sebuah perbandingan dapat direproduksi sama sekali.

Ini bukan soal bertele-tele. Ini mengubah baris benchmark mana yang berhak Anda kutip. Angka papan peringkat publik untuk "DeepSeek V4 Flash" diukur pada build 0731. Tabel Cognition mengukur V4.1 Flash 1017. Keduanya bukan model yang sama, dan angkanya pun berbeda sesuai dengan itu.

Harga, dalam dua satuan yang benar-benar dipublikasikan oleh masing-masing vendor

Kartu DeepSeek adalah aritmetika. Per juta token untuk model yang kini dilayani oleh ID deepseek-flash — DeepSeek-V4.1-Flash-1017, yang disebutkan secara eksplisit di halaman tersebut — per 5 November 2026: input $0.15 di luar jam sibuk dan $0.30 pada jendela jam sibuk, output $0.60 di luar jam sibuk dan $1.20 pada jam sibuk, input yang di-cache $0.003 dan $0.006. Jam sibuk adalah 01:00 hingga 04:00 dan 06:00 hingga 10:00 UTC, Senin hingga Jumat, tidak termasuk hari libur umum Tiongkok. Di luar jendela tersebut, tarif yang lebih murah berlaku.

Checkpoint lama yang di-pin memiliki harga berbeda. Katalog OrcaRouter memuat deepseek/deepseek-v4-flash seharga $0.22 per juta token input dan $0.66 per juta token output, tarif tetap tanpa tier puncak. Itulah harga reproduksibilitas: pin model dari garis keturunan April alih-alih memanggil model yang saat ini, dan Anda membayar lebih, sebagai gantinya untuk model yang menjadi dasar sebagian besar baris benchmark yang dipublikasikan sebenarnya diukur. Tidak ada pilihan yang salah; keduanya menjawab pertanyaan yang berbeda.

Kartu Cognition adalah sebuah perbandingan. "Satu per lima harga dan 3x kecepatan dari saudara kandungnya yang jauh lebih besar" adalah keseluruhan pernyataan publiknya, tanpa angka absolut yang disertakan, dan sebagai tambahan gratis hingga 30 November. Tidak ada cara untuk menghitung berapa biaya sebuah tugas di SWE-2 Flash dari informasi publik, karena penyebutnya adalah model yang harga tokennya sendiri juga tidak pernah dipublikasikan.

Ada dua konsekuensi, dan keduanya bersifat praktis, bukan sekadar bertele-tele.

• Kemampuan prediksi — biaya DeepSeek per juta token dapat diketahui hingga sen, termasuk pengganda puncak. Biaya SWE-2 Flash hanya dapat diketahui sebagai fraksi dari angka yang tidak dipublikasikan, di dalam langganan yang sudah Anda bayar.

• Kuotasi flat menyesatkan — rute V4 Flash yang di-pin mengenakan satu tarif flat tunggal, sementara kartu harga vendor saat ini bertingkat dua. Karena itu, angka flat menjadi salah untuk sebagian hari dalam seminggu, dan angka tersebut menggambarkan checkpoint yang berbeda dari yang disebut oleh sebagian besar baris benchmark. Rencanakan berdasarkan kartu vendor; reproduksikan berdasarkan rute yang di-pin.

Keduanya lebih penting daripada kelihatannya. Bagi agen yang menjalankan ribuan panggilan singkat, pengali puncak adalah masalah penjadwalan yang bisa Anda akali lewat rekayasa; bagi agen coding yang menjalankan beberapa sesi panjang, itu hanyalah kesalahan pembulatan. Mana di antara keduanya yang Anda jalankan menentukan apakah kartu DeepSeek berisi dua harga atau satu.

Kecepatan: pemutaran ulang terhadap suatu pengukuran

200 token per detik milik Cognition bukanlah pengukuran waktu langsung. Postingan itu menjelaskannya: proses berjalan masing-masing model pada tugas gsea-proteomics di Terminal-Bench 4.0, "diputar ulang pada simulasi 200 vs. 60 token per detik", dengan transkrip dipersingkat agar panjangnya sama. 60 tok/s milik SWE-2 berasal dari pemutaran ulang yang sama. Ini menggambarkan profil penyajian yang ditargetkan Cognition, yang merupakan hal sah untuk dipublikasikan, tetapi ini bukan stopwatch pada dua endpoint.

Artificial Analysis mengukur DeepSeek V4 Flash pada 112 token keluaran per detik di halaman modelnya saat ini, dengan waktu 32,41 detik hingga token jawaban pertama. Itu adalah pengukuran API live, termasuk antrean apa pun yang dilakukan penyedia. Kedua angka tersebut tidak dapat dibandingkan, dan mengurangkannya tidak akan berarti: yang satu adalah pemutaran ulang simulasi di dalam suatu produk, yang lain adalah laju penyajian yang teramati di seluruh endpoint publik.

Yang tetap bertahan dari catatan itu adalah arahnya. Jika model dengan 12B aktif benar-benar menyajikan sekitar 200 tok/s di dalam Devin sementara model dengan 13B aktif terukur 112 tok/s pada API publik, model dengan parameter aktif lebih kecil tidak serta-merta jelas lebih cepat — serving stack melakukan kerja yang sama besarnya dengan arsitektur. Itu adalah poin yang mendukung produk terintegrasi dan menentang pembacaan kecepatan dari jumlah parameter.

Satu-satunya eksekusi pada tabel yang sama, dan siapa yang menjalankannya

Tabel peluncuran Cognition mencantumkan model DeepSeek secara langsung. Kolomnya adalah DeepSeek V4.1 Flash 1017 — checkpoint yang kini menjadi tujuan resolusi ID deepseek-v4-flash — sehingga ini menjadi satu-satunya perbandingan pasangan tersebut yang dihasilkan dalam satu atap. Setiap angka di bawah ini milik Cognition, berdasarkan tolok ukur Cognition, tanpa harness yang diungkapkan.

• FrontierCode 2.0 — SWE-2 Flash 24.0 vs DeepSeek V4.1 Flash 1017 19.3

• FrontierCode 1.1 Utama — 45.5 vs 43.9

• DeepSWE 1.1 — 60,1 vs 77,0

• Terminal-Bench 4.0 — 20,0 vs 42,3

• Terminal-Bench 2.1 — 89,2 vs 91,0

• SWE-Atlas QA — 50,0 vs 71,0

• SWE-Bench Pro v2 Hard — 89,9 vs 86,3

• ExploitBench — 34.8 vs 31.1

Pembagiannya masing-masing terdiri dari empat baris, dan selisihnya sama sekali tidak simetris. SWE-2 Flash menang atas FrontierCode 2.0 dengan selisih 4,7 poin, FrontierCode 1.1 Main dengan selisih 1,6 poin, SWE-Bench Pro v2 Hard dengan selisih 3,6 poin, dan ExploitBench dengan selisih 3,7 poin. DeepSeek menang atas DeepSWE 1.1 dengan selisih 16,9 poin, Terminal-Bench 4.0 dengan selisih 22,3 poin, SWE-Atlas QA dengan selisih 21,0 poin, dan Terminal-Bench 2.1 dengan selisih 1,8 poin. Setiap kemenangan Flash hanya berselisih beberapa poin. Dua kemenangan DeepSeek berada di atas dua puluh poin.

Jika perbandingan diberi bobot berdasarkan selisih alih-alih jumlah kemenangan, hasilnya tidak lagi ketat. The Flash benar-benar kompetitif pada FrontierCode, yang menghargai patch berbatas terhadap spesifikasi tertulis, dan tertinggal jauh pada Terminal-Bench 4.0, yang mengukur agen terminal yang membawa tugas hingga tuntas. Itu juga baris tempat peserta lain di bidang ini terpisah: GLM 5.3 Flash mencetak 41,8 pada benchmark yang sama dan Claude Haiku 5.5 mencetak 39,2, dibandingkan dengan 20,0 milik The Flash.

Sekarang peringatan yang harus disampaikan dalam napas yang sama. Ini adalah tabel pesaing. FrontierCode adalah instrumen milik Cognition sendiri, dan Cognition yang menilainya. Postingan tersebut tidak mengungkapkan harness, pengaturan effort, maupun jumlah run, jadi "tabel yang sama" tidak sama dengan "kondisi yang sama" — ini adalah metodologi satu vendor yang diterapkan secara seragam, yang lebih baik daripada tidak ada dan lebih buruk daripada independen. Dan kolom DeepSeek adalah V4.1 Flash 1017, bukan build 0731 yang digambarkan oleh sebagian besar angka publik.

Ada pemeriksaan kewajaran yang berguna tentang seberapa besar pengaruh instrumennya. Evaluasi Artificial Analysis terhadap build 0731 dari DeepSeek V4 Flash, yang terakhir dijalankan pada 31 Juli 2026, mencatat 12,1% pada Terminal-Bench 4.0. Tabel Cognition mencatat 42,3% untuk checkpoint V4.1 Flash 1017. Selisih tiga puluh poin pada benchmark bernama sama. Sebagian dari itu adalah checkpoint-nya — V4.1 adalah model yang berbeda dan lebih besar — dan sebagian lagi adalah harness-nya, karena yang satu adalah uji pihak ketiga yang terstandardisasi dan yang lain adalah uji milik vendor sendiri. Bagaimanapun juga, tidak ada satu baris pun dalam perbandingan ini yang merupakan properti suatu model semata, dan baris-baris di mana kedua vendor paling tidak sepakat adalah baris yang paling perlu dipegang secara longgar.

Konteks, bobot, dan apa yang dapat Anda bangun

• Jendela konteks — DeepSeek 1,048,576 token dipublikasikan vs SWE-2 Flash tidak dipublikasikan

• Output maksimum — DeepSeek 384.000 token vs SWE-2 Flash tidak dipublikasikan

• Bobot — DeepSeek MIT, dapat diunduh vs SWE-2 Flash dibatasi, program mitra dijanjikan "dalam beberapa minggu"

• Modalitas — DeepSeek V4 Flash hanya teks, dengan visi hadir pada checkpoint V4.1 dan pada ID eksperimental terpisah; vs SWE-2 Flash tidak disebutkan

• Distribusi — API DeepSeek dan platform pihak ketiga vs hanya Devin Desktop dan Devin CLI

• Kontrol upaya — mode thinking dan non-thinking DeepSeek vs SWE-2 Flash tidak terdokumentasi

• Lisensi untuk fine-tuning — DeepSeek ya vs SWE-2 Flash tidak, belum

Bagi tim yang membangun produk, lima dari tujuh baris itu sudah mendiskualifikasi dengan sendirinya. Anda tidak dapat merencanakan pipeline retrieval berdasarkan jendela konteks yang belum dipublikasikan, Anda tidak dapat melakukan fine-tuning atas bobot yang tidak Anda miliki, dan Anda tidak dapat menempatkan dependensi dalam arsitektur Anda yang hanya ada di dalam IDE orang lain. SWE-2 Flash tidak bersaing untuk posisi itu. Ia bersaing untuk kursi yang sudah diduduki seorang pengembang.

Satu-satunya baris di mana Flash memiliki keunggulan adalah hal yang paling tidak jelas dijelaskan Cognition: biaya per tugas. Jika seperlima harga SWE-2 adalah seperlima dari biaya menyelesaikan suatu pekerjaan, maka Flash mengalahkan skema per-token DeepSeek untuk pekerjaan interaktif di dalam Devin, karena langganannya sudah dibayar. Jika itu adalah seperlima dari harga token pada model yang menghasilkan lebih banyak token per tugas, keunggulannya menyusut. Cognition tidak mempublikasikan cukup banyak informasi untuk menentukan yang mana.

Ketika router mengubah perhitungan

DeepSeek V4 Flash dirutekan di OrcaRouter sebagai deepseek/deepseek-v4-flash, dengan harga daftar dari penyedia tanpa tambahan markup, yang penting bagi model yang harganya berubah dua kali sehari: pemotongan harga dari vendor atau perubahan jendela puncak langsung sampai ke rute alih-alih menunggu platform menetapkan ulang harganya. Kunci yang sama menjangkau lebih dari 200 model, jadi versi paling masuk akal dari perbandingan ini — menjalankan antrean Anda terhadap DeepSeek V4 Flash, GLM 5.3 Flash, dan Kimi K3 lalu melihat mana yang benar-benar cocok dengan tugas Anda — cukup dengan mengubah ID model, bukan tiga kontrak. Failover otomatis antar penyedia adalah separuh lainnya: jendela puncak DeepSeek justru saat rute kedua membuktikan kegunaannya, dan rantai fallback lebih murah daripada notifikasi pager.

SWE-2 Flash tidak ada di OrcaRouter dan tidak mungkin ada. Tidak ada endpoint untuk dituju, yang merupakan ringkasan jujur dari seluruh perbandingan. Jika Anda menginginkannya, Anda beli Devin. Jika Anda ingin memanggil model coding dari perangkat lunak Anda sendiri, pilihan itu sudah dibuat untuk Anda sebelum benchmark dipublikasikan.

Mana yang harus dipilih

Jika Anda memerlukan model coding untuk produksi — API, jendela konteks yang dapat Anda jadikan patokan ukuran, bobot yang dapat Anda pin, tagihan yang dapat Anda perkirakan — DeepSeek V4 Flash adalah satu-satunya dari keduanya yang memenuhi syarat, dan checkpoint Oktober adalah yang harus di-pin. Diskon jendela puncak layak diperhitungkan dalam rekayasa, dan konteks 1M layak dimiliki meskipun Anda jarang mengisinya.

Jika Anda sudah membayar untuk Devin, SWE-2 Flash mendekati opsi gratis hingga 30 November. Jalankan pada ujung antrean Anda yang terbatas, pertahankan SWE-2 untuk pekerjaan multi-langkah yang digambarkan oleh kesenjangan DeepSWE, dan perlakukan jendela gratis itu sebagai periode evaluasi sebagaimana adanya. Risikonya bukan karena ia buruk. Risikonya adalah bahwa sebuah rasio digunakan di tempat yang seharusnya digunakan pengukuran.

Jika Anda menyeragamkan tim pada satu model coding, ini bukan perbandingan yang tepat untuk memutuskannya. Satu kandidat dapat diuji dan satu lagi tidak, dan perbandingan yang hanya satu sisinya dapat diamati adalah keputusan distribusi yang berselubung benchmark. Pilih yang dapat Anda ukur, lalu tinjau kembali saat Cognition merilis endpoint atau program mitra yang menempatkan bobotnya di lokasi yang dapat Anda jangkau.