DeepSeek V4.1 Flash vs Kimi K3: Leggere l'affermazione, poi le prove

DeepSeek V4.1 Flash è arrivato con un'affermazione specifica e verificabile: che batte Kimi K3 sui benchmark cyber e di coding — e sulle righe selezionate dal fornitore, lo fa. Terminal-Bench 2.1: 90,6 contro 88,3. CyberGym: 88,1 contro 80,0. DeepSWE v1.1: 74,2 contro 67,5. NL2Repo-Bench: 65,4 contro 58,0. Ognuno di quei dati di DeepSeek proviene dall'harness di DeepSeek, con il reasoning effort di DeepSeek, e ognuno dei dati di Kimi K3 messi a confronto proviene da un'altra fonte. Non è un motivo per liquidare l'affermazione. È il motivo per cui l'affermazione va analizzata a fondo prima di comprare qualcosa sulla base di essa.

Ecco come sono fatte realmente le basi di prove dei due modelli, cosa succede quando le si colloca su un'unica scala e l'unico numero che sopravvive a ogni versione di questo confronto.

Due basi probatorie che si sovrappongono a malapena

Questa è la parte insolita di questo confronto, e spiega gran parte del disaccordo che troverai online.

DeepSeek ha pubblicato una tabella di benchmark di lancio. Terminal-Bench 2.1, DeepSWE v1.1, CyberGym, ProgramBench, NL2Repo-Bench, Automation-Bench — tutti riportati dal fornitore. Sono le righe che DeepSeek ha scelto di eseguire, su harness configurati da DeepSeek, con DeepSeek che imposta lo sforzo di ragionamento. Vale la pena saperlo prima di metterli a confronto con qualsiasi altra cosa: Artificial Analysis ha scoperto che eseguire queste suite al massimo sforzo di ragionamento consuma circa 2,5 volte più token di output rispetto a un'impostazione di livello intermedio, recuperando al contempo gran parte dell'accuratezza dei livelli inferiori. Una tabella del fornitore al massimo sforzo è una misurazione del tetto massimo, non una misura tipica.

I numeri di Kimi K3 non sono, per la maggior parte, di Moonshot. Artificial Analysis ha eseguito il proprio harness e pubblicato risultati per singolo benchmark su una scala comparabile tra tutti i modelli che monitora: GPQA Diamond 93,5, Humanity's Last Exam 46,9, Long-Context Recall 88,7, SciCode 59,5, Terminal-Bench 2.1 85,0 — oltre a un indice composito. Sono misurazioni di una terza parte.

Quindi "DeepSeek batte Kimi K3 sul coding" si riduce a qualcosa di più ristretto di quanto sembri. Sull'harness di DeepSeek, il modello di DeepSeek vince le righe di coding che DeepSeek ha selezionato. Questo è un segnale reale — i fornitori di solito non pubblicano tabelle in cui perdono — ma è una classe di prove diversa da una suite eseguita in modo indipendente, e le due non dovrebbero mai apparire nella stessa colonna senza un'etichetta.

Su una scala, il divario è di quattro punti.

Mettili entrambi sull'Intelligence Index di Artificial Analysis e il divario è più stretto di quanto suggerisca il marketing di entrambe le parti. Kimi K3 ottiene 44. DeepSeek V4.1 Flash ottiene 40.

Quattro punti. Sulle righe dei singoli benchmark, il vantaggio di Kimi K3 è costante e concentrato laddove si manifesta il ragionamento a lungo termine: Humanity's Last Exam 46,9 contro 36,8, SciCode 59,5 contro 51,9, GPQA Diamond 93,5 contro il 90,9 dichiarato dal fornitore DeepSeek, Long-Context Recall 88,7 contro 84,0. Kimi K3 si classifica inoltre secondo nella classifica di Artificial Analysis di 113 modelli, mentre DeepSeek V4.1 Flash è sesto.

Quelle sono lacune autentiche, indipendenti e riproducibili. Nessun vantaggio di prezzo le colma per un compito che dipende da esse.

Sono anche quattro punti — lo stesso divario di quattro punti che separa DeepSeek V4.1 Flash da Grok 4.6, e inferiore al divario di cinque punti che lo separa da Qwen3.8-Max. Una differenza di quattro punti su un indice composito è una banda stretta. Ti dice che Kimi K3 è il modello più forte e non inizia a dirti che la forza si manifesta nel tuo carico di lavoro.

Il numero che sopravvive a ogni versione di questo confronto

Costo per attività dell'Intelligence Index, misurato dalla stessa organizzazione che ha prodotto l'indice: 0,27 $ per DeepSeek V4.1 Flash, 2,00 $ per Kimi K3.

7.4x. Questa è la differenza più grande, più solida e più verificabile in modo incrociato tra questi due modelli, e a differenza delle righe del benchmark non dipende da chi ha eseguito l'harness — i conteggi dei token sono i conteggi dei token.

Dipende anche da quanto è agentico il tuo carico di lavoro. La cifra di $2.00 proviene da una suite mista; sul bench di coding agentico di Vals AI il divario riportato si amplia a circa 40x, $0.41 per attività contro $17.59, con l'esecuzione di DeepSeek che termina in circa 15 minuti contro i circa 90. Più ci si allontana da un singolo prompt e una singola risposta verso un lungo ciclo di chiamate agli strumenti, più i due modelli di prezzo divergono — perché è lì che la cache e il volume di output dominano la fattura.

• Tariffa — DeepSeek V4.1 Flash $0,15/$0,60 per 1M fuori picco ($0,30/$1,20 di picco, giorni feriali 01:00–04:00 e 06:00–10:00 UTC) vs Kimi K3 $3,00/$15,00 per 1M, fisso

• Sconto sulla cache — 98% vs 90%; lettura cache $0,003 per 1M vs $0,30 per 1M

• Contesto — 1.048.576 token entrambi, e nessuno dei due applica un sovrapprezzo per il contesto lungo

• Throughput — 214,4 token/sec vs 34,7, un divario di 6,2x

• Verbosità — 250M token di output nell'intero indice vs 160M

• Parametri — 552B totali, 8B attivi durante il prefill e 16B durante il decode, rispetto a 2.8T totali con 16 esperti su 896 attivi per token

• Campionamento — superficie completa per temperature / top_p / seed rispetto a nessuna; Kimi K3 espone solo reasoning_effort e il thinking non può essere disabilitato

• Licenza — MIT vs MIT modificata, che aggiunge clausole di branding oltre i 100 milioni di utenti mensili o 20 milioni di dollari di ricavi mensili

Dove il lato economico è davvero peggiore

Due costi si trovano sul lato DeepSeek del bilancio, ed entrambi sono facili da trascurare.

Verbosità. DeepSeek V4.1 Flash ha emesso 250M token di output nell'Intelligence Index contro i 160M di Kimi K3. Qui l'output viene fatturato a 4x l'input. Un modello che costa venti volte meno per token ma che parla una volta e mezza di più non costa venti volte meno — ed è esattamente per questo che la cifra onesta si attesta a 7,4x e non al 20x che il listino prezzi lascia intendere. DeepSeek è il modello più verboso di questo confronto; Grok 4.6 è il meno, con 94M.

Velocità. Il listino prezzi dice che DeepSeek costa meno. Il cronometro dice che è anche 6,2 volte più veloce — 214,4 token/sec contro i 34,7 di Kimi K3. La modalità di pensiero di Kimi K3 non si può disattivare e il suo sforzo di ragionamento è impostato al massimo per impostazione predefinita, quindi non esiste un percorso economico e rapido su cui ripiegare per le chiamate facili. Si acquista il ragionamento di frontiera a ogni richiesta, che la richiesta ne abbia bisogno o no. In un compito di programmazione difficile è il prodotto. In una passata di classificazione è uno spreco.

Quello che dice il traffico, che nessun benchmark riesce a catturare

I nostri dati di routing aggiungono l'unico segnale che né un fornitore né un analista può produrre. Negli ultimi sette giorni, Kimi K3 ha movimentato circa 3,04 miliardi di token attraverso OrcaRouter. DeepSeek V4.1 Flash ne ha movimentati circa 59,1 miliardi — all'incirca diciannove volte tanto, in un modello attivo da meno di una settimana.

Parte di questo è strutturale. DeepSeek sta indirizzando tutte le richieste di V4 Pro verso V4.1 Flash e le fattura alle tariffe di Flash finché V4.1 Pro non sarà disponibile, così una vasta base installata è stata migrata su di esso senza che nessuno scegliesse nulla. Ma il volume risultante è ancora la prova più chiara disponibile che un numero enorme di carichi di lavoro di produzione era già servito abbastanza bene dal modello più economico — e questo è un verdetto che i benchmark non possono darti, perché i benchmark misurano ciò che un modello può fare e il traffico misura ciò che i team erano disposti a mettere davanti a utenti paganti.

Scegliere tra loro

Entrambi si trovano dietro lo stesso endpoint compatibile con OpenAI su OrcaRouter, ed è proprio questo a rendere la separazione pratica anziché un progetto di migrazione: indirizza la sessione di coding a lungo orizzonte, dove il vantaggio di ragionamento di Kimi K3 vale il costo, e il traffico ad alto volume di agenti e knowledge work, dove i due sono entro quattro punti indice, verso DeepSeek V4.1 Flash. Poiché il gateway trasferisce la tariffa del provider senza alcun ricarico, il costo per token che vedi è quello del fornitore stesso — da controllare due volte al giorno sul lato DeepSeek, dato che le sue finestre di picco raddoppiano la tariffa nelle mattine dei giorni feriali UTC.

Il verdetto segue le prove, non la tabella di lancio. Se il tuo lavoro consiste in una sola chiamata di ragionamento impegnativa — una domanda scientifica, un algoritmo nuovo, un documento che non puoi permetterti di fraintendere — Kimi K3 è il modello più forte, i divari indipendenti sono coerenti e il prezzo è secondario. Se il tuo lavoro è un agente di programmazione, un lungo ciclo di chiamate a strumenti, o qualsiasi cosa con un grande prefisso in cache riprodotto ad alto volume, i due sono abbastanza vicini in termini di capacità da rendere il costo il criterio decisivo, e lì il divario va da 7,4x a circa 40x a seconda di quanto sia agentico il compito.

La tabella di benchmark di DeepSeek sovrastima quanto quella vittoria sia netta. Il prezzo no.