Ling-3.1-flash vs DeepSeek V4.1 Flash: due punti di indice, tre volte il costo

Ling-3.1-flash e DeepSeek V4.1 Flash (Max) distano due punti sull'Artificial Analysis Intelligence Index — 41 contro 39 — e sono agli antipodi quanto a prezzo. Se si eseguono le dieci valutazioni che compongono quell'indice su ciascun modello, Ling-3.1-flash costa circa 0,99 $ per attività, contro gli 0,27 $ di DeepSeek. Entrambi sono modelli mixture-of-experts da circa 550 miliardi di parametri, con una finestra di contesto dichiarata di 1 milione di token. Uno è un modello chiuso, solo testo, del laboratorio InclusionAI di Ant Group, rilasciato il 2026-10-01 e ancora privo di pesi pubblicati o di una licenza. L'altro è aperto con licenza MIT dal 2026-09-10, accetta immagini oltre al testo, gira su 23 provider ed è il modello che la maggior parte dei team avrebbe già in un file di configurazione. Il confronto non è affatto ravvicinato sulla maggior parte degli assi. La domanda interessante è perché quei due punti esistano affatto.

Dove Ling-3.1-flash è davvero in vantaggio

È in vantaggio nelle valutazioni che misurano l'uso di un terminale e la scrittura di codice che deve essere eseguito, e il margine vale la pena di essere dichiarato con precisione proprio perché l'aggregato lo nasconde.

• Terminal-Bench 4.0 — Ling-3.1-flash 0.333 vs DeepSeek V4.1 Flash (Max) 0.268. Entrambi sono numeri modesti in termini assoluti; il divario è un quarto del punteggio di DeepSeek.

• SciCode — 0,541 vs 0,519.

• CritPt ragionamento fisico — 0.180 vs 0.143.

• Lavoro agentico nel mondo reale di GDPval-AA — 1.621,75 Elo vs 1.600 Elo.

Due di quei quattro sono quasi alla pari, uno è una vittoria di stretta misura, e Terminal-Bench 4.0 è l'unica riga in cui la differenza sopravviverebbe a un cambio di seed. Mettilo a confronto con i punti in cui vince DeepSeek: AA-Briefcase v1.1, lavoro di conoscenza agentico, a 1.420,47 Elo contro 1.400,35, AutomationBench-AA a 0,689 contro 0,617, AA-LCR, ragionamento su contesto lungo, a 0,84 contro 0,83, e — la riga che conta di più per la produzione — AA-Omniscience a −5,30 contro il +2,22 di Ling-3.1-flash su una misura in cui un'allucinazione è peggio di un rifiuto. L'accuratezza di DeepSeek lì è del 46,4% con un tasso di allucinazione del 96,5% tra le domande a cui risponde; Ling-3.1-flash risponde correttamente al 29,1% con un tasso di allucinazione del 37,9%. Nessuno dei due è un modello da puntare su una base di conoscenza senza un retrieval davanti.

Il divario di prezzo è maggiore del divario dell'indice, e non è solo il listino prezzi

Le tariffe principali sembrano quasi identiche. Artificial Analysis li registra entrambi a $0,30 per milione di token di input. Divergono nettamente sugli altri due numeri:

• Output — Ling-3.1-flash 0,90 $ per milione vs DeepSeek V4.1 Flash (Max) 1,20 $ per milione. Qui Ling-3.1-flash è il modello più economico in assoluto, del 25%.

• Lettura della cache — Ling-3.1-flash 0,06 $ per milione contro DeepSeek V4.1 Flash (Max) 0,006 $ per milione, uno sconto del 98% contro uno dell'80%. È qui che i due modelli smettono di essere comparabili.

La tariffa blended con un mix cache-hit/input/output di 7:2:1 risulta di 0,192 $ per Ling-3.1-flash e 0,184 $ per DeepSeek V4.1 Flash (Max) — quasi un pareggio. Ma il blend è un'ipotesi su come si usa un modello, e questa ipotesi fa molto lavoro. Qualsiasi carico di lavoro con forte riutilizzo del prompt — un lungo system prompt, un preambolo di retrieval, un ciclo di agente che rinvia il contesto accumulato a ogni turno — spinge il mix effettivo verso le letture dalla cache, e lì subentra la differenza di 10× nel prezzo della cache. Il volume di token amplifica allo stesso modo: Ling-3.1-flash è un ragionatore loquace, genera 220 milioni di token di output nelle valutazioni dell'indice contro i 250 milioni di DeepSeek, e impiega in media circa 357 secondi per attività di valutazione contro i 285 di DeepSeek. Fa più ragionamento per ogni risposta e ci mette più tempo a farlo.

Un esempio pratico: lo stesso ciclo dell'agente su entrambi

Prendi un agente che utilizza strumenti e che esegue 1M token di input per attività, con il 90% di essi servito dalla cache, e restituisce 200.000 token di output. Su Ling-3.1-flash, in base ai valori sopra riportati: 900.000 token di input in cache a $0,06 più 100.000 token di input nuovi a $0,30 più 200.000 token di output a $0,90 ammontano a circa $0,26 per attività. Lo stesso ciclo su DeepSeek V4.1 Flash (Max) ammonta a circa $0,14 — all'incirca la metà.

Ora applica la pianificazione di DeepSeek, perché è la parte che la maggior parte dei confronti salta. La tariffa off-peak di DeepSeek è quella sopra, e l'off-peak copre i fine settimana e la maggior parte della giornata; ma durante due fasce nei giorni feriali, 01:00–04:00 e 06:00–10:00 UTC, i prezzi di input e cache raddoppiano. Sposta lo stesso ciclo in una finestra di picco e il costo di DeepSeek si attesta vicino a $0,28 — a quel punto la tariffa fissa e più alta di Ling-3.1-flash è l'opzione più economica per quell'ora e lo sconto cache di 10× è stato neutralizzato dall'orologio.

Questa è l'intera decisione in una coppia di numeri. Se il traffico del tuo agente è a forte componente cache e puoi pianificarlo, DeepSeek V4.1 Flash (Max) costa all'incirca la metà di Ling-3.1-flash per una differenza di indice di due punti. Se il tuo traffico è a forte componente cache e cade nelle finestre di picco di DeepSeek, i due modelli costano più o meno lo stesso e la riga terminal-agent marginalmente migliore di Ling-3.1-flash diventa il fattore decisivo.

Gli assi dove non c'è alcun confronto da fare

Tre dimensioni non sono vicine tra loro, e sono quelle che tendono a decidere un'architettura prima che si discuta il prezzo.

• Pesi e licenza — Ling-3.1-flash non ha pubblicato i pesi, non ha alcun testo di licenza e Artificial Analysis lo classifica come proprietario. DeepSeek V4.1 Flash (Max) è a pesi aperti con licenza MIT, scaricabile da Hugging Face, con uso commerciale consentito. Uno di questi può essere ospitato in autonomia, sottoposto a fine-tuning e utilizzato in modalità air-gapped; l'altro no.

• Modalità — Ling-3.1-flash è testo in input, testo in output. DeepSeek V4.1 Flash (Max) accetta immagini e testo ed è valutato su benchmark multimodali. Se qualsiasi parte della tua pipeline passa al modello uno screenshot, un grafico o una scansione, il confronto finisce lì.

• Superficie di servizio — DeepSeek V4.1 Flash (Max) è disponibile tramite 23 provider, incluso OrcaRouter; Ling-3.1-flash viene eseguito tramite l'API dello stesso fornitore e le piattaforme di terze parti che ne distribuiscono il rilascio. Per un percorso di produzione, il numero di provider è una proprietà di resilienza, non una gara di popolarità.

Un'altra asimmetria che non compare in nessuno di quegli elenchi: DeepSeek V4.1 Flash (Max) espone 384.000 token di output in una singola risposta. Ant non ha pubblicato una lunghezza massima di output per Ling-3.1-flash, quindi un carico di lavoro con generazione lunga non può ancora essere dimensionato rispetto a esso. L'assenza di un limite pubblicato non equivale a un limite piccolo, ma non è nemmeno un numero su cui si possa progettare.

Eseguire entrambi, e come appare realmente

Ling-3.1-flash non è oggi nel catalogo di OrcaRouter — una ricerca tramite la nostra API pubblica dei modelli restituisce not-found per il modello sotto InclusionAI, e questo articolo non fingerà il contrario. DeepSeek V4.1 Flash è instradabile in questo momento al prezzo di listino del fornitore senza alcun ricarico, quindi una variazione di prezzo del fornitore è attiva sul nostro lato lo stesso giorno in cui arriva, e si trova dietro la stessa singola chiave API del resto del catalogo con failover automatico tra i provider upstream.

Quell'asimmetria ha una forma pratica. Il modo sensato di gestire un confronto in cui un modello è chiuso, costa circa quattro volte il suo predecessore ed è raggiungibile attraverso un unico fornitore, è mantenere il modello aperto e ampiamente servito come percorso predefinito e trattare lo sfidante come qualcosa da testare anziché qualcosa su cui impegnarsi. DeepSeek V4.1 Flash (Max) può sostenere oggi il ciclo di produzione — pesi aperti, input di immagini, output da 384K, uno sconto sulla cache del 98% — mentre Ling-3.1-flash riceve il lavoro specifico per gli agenti, dove i suoi margini su Terminal-Bench e SciCode contano davvero. Poiché entrambi parlano il formato chat-completions compatibile con OpenAI, quella suddivisione è una decisione di routing più che un progetto di integrazione: un endpoint, una chiave e una regola che indirizza i compiti in cui ciascun modello è misurabilmente migliore.

Il verdetto

Sulle prove disponibili, DeepSeek V4.1 Flash (Max) vince questo confronto, e vince soprattutto su cose che non hanno nulla a che fare con due punti Index: pesi aperti sotto MIT, input di immagini, 384.000 token di output, uno sconto cache del 98% e 23 provider tra cui fare failover. Il caso di Ling-3.1-flash è più ristretto ma reale — è il migliore agente da terminale e per strumenti dei due, ed è l'unico della coppia a non aver pubblicato un tariffario con un moltiplicatore per le ore di punta incorporato.

Due cose cambierebbero questa valutazione. Se Ant pubblica i pesi con una licenza permissiva, il divario di apertura si chiude e il confronto diventa una semplice conversazione su capacità e costi. E se la finestra di contesto lungo servita da Ant viene convalidata a 1M token, come dichiarano entrambi i modelli, l'affermazione di parità di contesto smette di essere un'affermazione. Fino ad allora, la sintesi onesta è che un modello può vincere una riga di un benchmark agentico e comunque perdere la valutazione — e che il divario di due punti nell'indice tra questi modelli vale all'incirca 3,6× il costo per attività, che è uno scambio che solo un carico di lavoro specifico dovrebbe accettare.