DeepSeek V4.1 Flash 対 Kimi K3：主張を読み、次に証拠を読む

DeepSeek V4.1 Flashは、具体的で検証可能な主張とともに登場した。すなわち、Kimi K3をサイバーとコーディングのベンチマークで上回るという主張だ — そしてベンダーが選んだ行においては、実際に上回っている。Terminal-Bench 2.1：90.6 対 88.3。CyberGym：88.1 対 80.0。DeepSWE v1.1：74.2 対 67.5。NL2Repo-Bench：65.4 対 58.0。これらのDeepSeekの数値はすべて、DeepSeek自身のハーネス、DeepSeek自身の推論エフォート設定に由来し、比較対象となったKimi K3の数値はすべてどこか別のところから来ている。それはこの主張を切り捨てる理由にはならない。むしろ、この主張を根拠に何かを買う前に、この主張を解きほぐす必要がある理由なのだ。

2つのモデルのエビデンス基盤が実際にどのようなものか、それらを同じ尺度に載せると何が起こるか、そしてこの比較のあらゆるバージョンで生き残る唯一の数字をここに示します。

ほとんど重ならない二つのエビデンス基盤

これがこの対戦の異例な部分であり、オンラインで見られる意見の相違の大半を説明している。

DeepSeekは起動時ベンチマーク表を公開した。Terminal-Bench 2.1、DeepSWE v1.1、CyberGym、ProgramBench、NL2Repo-Bench、Automation-Bench — いずれもベンダー報告だ。これらはDeepSeekが実行を選んだ行であり、DeepSeekが構成したハーネス上で、DeepSeekが推論エフォートを設定して得たものだ。何かと並べて比較する前に知っておく価値がある。Artificial Analysisによれば、これらのスイートを最大推論エフォートで実行すると、中位設定より約2.5倍の出力トークンを消費する一方で、その下の設定における精度の大半を取り戻すという。最大エフォートでのベンダー表は上限の測定であり、典型的な測定ではない。

Kimi K3の数値は、その大半がMoonshotによるものではない。Artificial Analysisは独自のハーネスを実行し、追跡対象のすべてのモデル間で比較可能な尺度でベンチマーク別の結果を公開した。GPQA Diamond 93.5、Humanity's Last Exam 46.9、Long-Context Recall 88.7、SciCode 59.5、Terminal-Bench 2.1 85.0 — さらに複合指標も。これらは第三者による測定値である。

「DeepSeekがコーディングでKimi K3を上回る」というのは、響きほど広い話ではなく、もっと狭い意味に帰着する。DeepSeekのハーネス上では、DeepSeekのモデルが、DeepSeekが選んだコーディング行で勝つ。それは本物のシグナルではある——ベンダーは通常、自分が負ける表を公表しない——が、独立して実行されたスイートとは別種の証拠であり、ラベルなしで両方を同じ列に並べるべきではない。

一方の尺度では、その差は4ポイントです

両方をArtificial AnalysisのIntelligence Indexに載せてみると、どちらの側のマーケティングが示唆するよりも差は小さい。Kimi K3は44、DeepSeek V4.1 Flashは40。

4つのポイント。ベンチマークごとの行では、Kimi K3のリードは一貫しており、長期的な推論が現れる領域に集中している：Humanity's Last Examは46.9対36.8、SciCodeは59.5対51.9、GPQA Diamondは93.5対DeepSeekのベンダー報告値90.9、Long-Context Recallは88.7対84.0。Kimi K3はまた、Artificial Analysisの113モデルのリーダーボードで2位につけており、DeepSeek V4.1 Flashは6位だ。

それらは本物で、独立した、再現可能なギャップだ。それらに依存するタスクにおいて、そのギャップを埋められるような価格優位性は存在しない。

それらもまた4ポイント差だ — DeepSeek V4.1 Flash と Grok 4.6 を分けるのと同じ4ポイント差であり、Qwen3.8-Max からそれを分ける5ポイント差よりも小さい。総合指標における4ポイントの開きは狭い幅だ。それは Kimi K3 のほうが強いモデルであることを教えてくれるが、その強さがあなたのワークロードで現れることまではまったく教えてくれない。

この比較のあらゆるバージョンを生き残る数字

Intelligence Indexタスクあたりのコスト（同インデックスを作成した同じ組織による測定）：DeepSeek V4.1 Flashは$0.27、Kimi K3は$2.00。

7.4倍。それがこの2つのモデル間で最大かつ最も頑健で、最も相互検証可能な違いであり、ベンチマークの行とは異なり、誰のハーネスが実行したかには依存しない——トークン数はトークン数なのだ。

これは、ワークロードがどれだけエージェント的であるかによっても変わります。$2.00 という数字は混合スイートによるものですが、Vals AI のエージェント型コーディングベンチでは、報告されている差は約 40 倍に広がり、タスクあたり $0.41 対 $17.59 となり、DeepSeek の実行は約 15 分で完了するのに対し、約 90 分かかります。単一のプロンプトと応答から、長いツール呼び出しループへと離れるほど、2 つの料金モデルの乖離は大きくなります。そこではキャッシュと出力量が請求額を支配するからです。

• 料金 — DeepSeek V4.1 Flash は100万トークンあたりオフピーク時 $0.15/$0.60（ピーク時 $0.30/$1.20、平日 01:00～04:00 および 06:00～10:00 UTC）に対し、Kimi K3 は100万トークンあたり $3.00/$15.00、一律

• キャッシュ割引 — 98% 対 90%、キャッシュ読み取り $0.003/100万 対 $0.30/100万

• コンテキスト — 両方とも1,048,576トークンで、どちらも長コンテキストの追加料金は適用されません

• スループット — 214.4 トークン/秒 対 34.7、6.2 倍の差

• 冗長性 — インデックス全体で250M出力トークン 対 160M

• パラメータ — 合計552B、プリフィル時は8Bがアクティブ、デコード時は16Bがアクティブ、それに対し合計2.8Tでトークンあたり896個中16個のエキスパートがアクティブ

サンプリング — 完全な temperature / top_p / seed サーフェス vs なし；Kimi K3 は reasoning_effort のみを公開し、thinking は無効化できません

• ライセンス — MIT 対 Modified MIT（月間ユーザー1億人または月間売上2,000万ドルを超える場合にブランディング条項を追加）

安い方が本当に劣っている場合

DeepSeek側の帳簿には2つのコストが載っており、どちらも見落とされがちだ。

冗長性。 DeepSeek V4.1 Flash は Intelligence Index 全体で2億5000万の出力トークンを生成したのに対し、Kimi K3 は1億6000万でした。ここでは出力は入力の4倍で課金されます。トークンあたり20分の1の安さでも、1.5倍多く話すモデルは20分の1安くはありません — だからこそ、正直な数字は料金表が示唆する20倍ではなく7.4倍に落ち着くのです。DeepSeek はこの比較で最も冗長なモデルであり、Grok 4.6 は最も少なく、9400万です。

速度。 料金表によれば、DeepSeekのほうが安い。時計もまた、6.2倍速いと告げている——毎秒214.4トークンに対し、Kimi K3は34.7。Kimi K3の思考モードはオフにできず、推論エフォートはデフォルトで最大なので、簡単な呼び出しのために戻れる安価で高速な経路がない。リクエストがそれを必要としていようといまいと、すべてのリクエストでフロンティア推論を買うことになる。難しいコーディング作業ではそれが製品だ。分類処理ではそれは無駄だ。

トラフィックが語る、どのベンチマークにも捉えられないもの

当社自身のルーティングデータは、ベンダーにもアナリストにも生み出せない唯一のシグナルを加える。過去7日間で、Kimi K3はOrcaRouterを通じて約30.4億トークンを処理した。DeepSeek V4.1 Flashは約591億トークン——およそ19倍で、しかも提供開始から1週間も経っていないモデルでの数字だ。

その一部は構造的なものだ。DeepSeekはV4.1 Proが出荷されるまで、すべてのV4 ProリクエストをV4.1 Flashにルーティングし、Flashの料金で請求している。そのため、大規模な既存ユーザーベースが誰も選択することなく移行された。しかし、その結果生じたボリュームは、膨大な数の本番ワークロードがすでにより安価なモデルで十分に提供されていたという、入手可能な最も明確な証拠である。そしてそれはベンチマークが与えられない判定である。なぜなら、ベンチマークはモデルが何をできるかを測定するが、トラフィックはチームが有料ユーザーの前に進んで提示することをいとわなかったものを測定するからだ。

それらの中から選ぶこと

どちらも OrcaRouter 上の同じ OpenAI 互換エンドポイントの背後にあり、それによってこの分担は移行プロジェクトではなく実用的なものになる。Kimi K3 の推論上の優位にコストを払う価値がある長期的なコーディングセッションはそちらにルーティングし、両者の差がインデックス4ポイント以内に収まる大量のエージェント型およびナレッジワークのトラフィックは DeepSeek V4.1 Flash に回す。ゲートウェイはプロバイダーのレートをゼロマークアップでそのまま通すため、表示されるトークン単価はベンダー自身のものである。DeepSeek 側では1日2回確認する価値がある。そのピーク時間帯には、UTC の平日午前にレートが2倍になるからだ。

評決は発表時の比較表ではなく、証拠に従う。もしあなたの仕事が1回の難しい推論呼び出し——科学上の問い、新しいアルゴリズム、誤読する余裕のない文書——であるなら、Kimi K3 のほうが強いモデルであり、独立した差は一貫しており、価格は二の次だ。もしあなたの仕事がコーディングエージェント、長いツール呼び出しループ、または大量に再生される大きなキャッシュ済みプレフィックスを伴う何かであるなら、両者は能力面で十分に近いため、コストが決め手になる。そしてそこでは、タスクがどれほどエージェント的かによって、差は7.4倍から約40倍に及ぶ。

DeepSeek自身のベンチマーク表は、その勝利がどれほど明白かを誇張している。だが、価格は違う。