生成されたタイトルカードには『Sage-S2.1-Flash vs DeepSeek V4.1 Flash』と表示され、その下のサブタイトルには『2つのオープンウェイトMoE、1つのベンダースコアボード』とあり、さらに下には『18Bアクティブ』『16Bアクティブ』と表示された2つのチップがある。白い背景、青とシアンのグラデーションアクセント、フラットラインアイコン。OrcaRouterのロゴが右下隅に合成されている。
Guides & Insights

Sage-S2.1-Flash 対 DeepSeek V4.1 Flash:共通のスコアボードを持つ唯一の対決

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

インターネット上でSage-S2.1-FlashとDeepSeek V4.1 Flashが互いに採点され比較された場所はただ一か所だけであり、しかもそれは中立的な場所ではない。Sage-S2.1-Flashを2026年11月15日に公開した研究所であるInternLMは、DeepSeek-V4.1-Flash-1017を自社の比較表に加えた——35のベンチマーク、8つの競合モデル、Hugging FaceのモデルカードからリンクされていないGitHubリポジトリ内のタブ区切りファイルである。つまり、この2つのモデルは同じスコアボードを共有しており、そのうちの一方がそれを作ったのだ。

このシリーズの他の2つの比較では共有テーブルがまったく存在しないため、そこまで言えるのは今回だけだ。またこのおかげで、このページは3つの中で最も有用なものになっている。共通のテーブルがあれば——たとえベンダー自身のものであっても——別々のブログ記事2本では答えられない問いを立てられるからだ。以下では、その共有テーブルが何を示しているのか、その土台にある2つのアーキテクチャとは何か、そしてそれをどこまで信じるべきかを見ていく。

すべてを枠づける非対称性

2つのリリースをモデルとして並べる前に、成果物として並べてください。

DeepSeek V4.1 Flashは2026年9月10日に、完全なモデルカード、『Pushing the Limits of KV Cache Compression』と題する技術レポートPDF、MITライセンス、オフピーク料金とピーク料金が公開された文書化済みAPI、そして10月17日に更新されたスナップショット「1017」とともに登場しました。そのHugging Faceリポジトリは169万回ダウンロードされ、4,978件のいいねを獲得しています。Artificial Analysisは、最大エフォート時のIntelligence Indexで32.6と独自に評価しています。

Sage-S2.1-Flashは2026年11月15日に、120個のbfloat16シャード、内容全体がライセンス宣言である21バイトのモデルカード、デプロイメントガイドとともに登場したが、価格はどこにも公開されていない。いいねは1件、ダウンロードは0件。独立したハーネスはまだこれに触れていない。

両者はMITライセンスのオープンウェイトなMixture of Expertsで、100万トークンのコンテキストウィンドウとネイティブ画像入力を備えている。机上では互角だ。エビデンスを見れば、両者はまったく互角ではない。

A generated two-column comparison scoreboard titled 'Sage-S2.1-Flash vs DeepSeek V4.1 Flash - the scoreboard'. The Sage-S2.1-Flash column reads: Parameters: 320B, 18B active; Layers: 45, 34 linear; Price: none published; Context: 1,048,576 tokens; Independent score: none; Downloadable: MIT weights. The DeepSeek V4.1 Flash column reads: Parameters: 552B, 16B active; Layers: 40, encoder-decoder; Price: $0.15 / $0.60 off-peak; Context: 1,000,000 tokens; Independent score: AA Index 32.6; Downloadable: open weights. Footer: 'Sage rows from InternLM; DeepSeek price from DeepSeek; DeepSeek score per Artificial Analysis.' The OrcaRouter logo is composited in the bottom-right corner.

共有テーブルに実際に含まれている内容

InternLMのベンチマークファイルには、DeepSeek-V4.1-Flash-1017の数値を載せた31行が記載されている。それを読むのは、ローンチ記事を読むのとは別の体験だ。なぜなら、Sageが負けている行もまだ残っているからだ。代表的な抜粋を挙げる。各行ともSageが先頭に来る:

• Terminal-Bench 2.1 — 87.9 対 87.6、0.3ポイント差の引き分け

• DeepSWE — 67.0 対 73.9、6.9ポイントの差

• SWE-bench Pro — 60.6 対 64.7、4.1 ポイントの差

• NL2Repo-Bench — 57.2 対 62.7、5.5ポイントの差

• APEX-Agents — 61.7 対 69.2、7.5ポイントの差

• WideSearch — 81.5 対 86.3

• BrowseComp — 91.2 対 93.8

• CyberGym — 84.3 対 88.8

• τ³-bench Banking — 45.4 対 47.4

• OSWorld v2.1 — 69.3 対 70.1

• AutomationBench — 56.7 対 57.8

そのリストのパターンは、より新しいモデルにとって居心地の悪いものだ。一般的なエージェント作業やコーディング作業では、DeepSeek V4.1 Flash が大多数の行で勝利しており、しばしばノイズとは言えない差で勝っている。2か月前に公開された、公開技術レポートを持つラボによるモデルが、静かなリリース自身が公開対象として選んだベンチマークで、その静かなリリースを上回っている。

すると形勢は逆転します。Sage がリードするのは科学系およびドキュメント系の行であり、その差はまったく桁が違います:

• Harvey LAB — 25.0 対 11.7、2倍以上

• OfficeQA Pro V2 — 72.2 対 69.7

• BabyVision — 75.8 対 58.0、17.8ポイントの差

• OSWorld-G — 84.8 対 61.4、23.4ポイントの差

• MLE-bench Lite — 90.3 対 89.2

• Workspace-Bench-Lite — 67.1 対 66.8

• GDPval — 78.0 対 77.6

• SpreadsheetBench 2 — 37.1 対 35.8

2つのパターンがあり、それらは逆方向を指している。一般的な環境におけるソフトウェアエンジニアリングとツール駆動型エージェント作業では、DeepSeek V4.1 Flash の方が強力なモデルであり、InternLM 自身の数値もそう示している。科学的知覚、文書中心の専門業務、グラフィカルなデスクトップ制御では、Sage-S2.1-Flash はわずかに優れているのではなく、別のレベルにある。

なぜそのアーキテクチャがまさにその分割を生み出すのか

2つのモデルは異なる問題を解いており、そのことはベンチマークよりも先に設定に表れている。

DeepSeek V4.1 Flashは、5,520億パラメータのバックボーンを持ち、トークンあたり160億パラメータがアクティブになるモデルで、DeepSeekがCausal Encoder-Decoderアーキテクチャと呼ぶ構成に基づいています。40層は均等に分割され、20層の因果エンコーダーと20層のデコーダーから成ります。技術レポートの枠組みはKVキャッシュ圧縮であり、モデルの主要な主張は知覚ではなく、100万トークンでの提供効率にあります。画像をネイティブに処理しますが、公表されている重点は長文脈提供の経済性です。

Sage-S2.1-Flashは3200億パラメータのモデルで、トークンあたり180億がアクティブであり、展開ガイドによれば45層です。設定はそれらを明確に分けており、34層はファイルがkdaと呼ぶ線形アテンションタイプを使用し、わずか11層だけが2,048トークンのtop-kインデックスを伴うスパースアテンションを使用します。448ピクセル入力の24層ビジョンタワーがあり、トークン語彙には明示的なimage、video、audio、start、endトークンが含まれています。InternLM自身の英語リリース文は——internlm.github.io/Sage-S2.1-Flashでホストされ、11月16日に作成され、モデルカードから参照されていない——分子グラフ、結晶構造、タンパク質配列と3次元構造、DNAとRNA、スペクトル、質量スペクトル、X線回折、心電図、脳波、光度曲線にわたるトレーニングについて説明しています。

そのリストをSageが勝っている行と照らし合わせると、全体像はもはやベンチマークでのまぐれには見えなくなる。Harvey LABは文書を対象とした法務作業。OfficeQA Proは財務文書の質問応答。BabyVisionは視覚知覚。OSWorld-Gはグラフィカルなデスクトップ制御であり、APIを呼び出すのではなくUIをクリックする。これらは、科学図表、スペクトル、プロット、ソフトウェアインターフェースで訓練されたモデルが得意であると期待される構成概念であり、まさにKVキャッシュ効率の高い汎用サービング向けに訓練されたモデルが遅れをとると期待される領域だ。

この点は双方に当てはまる。Sageがコーディングの行を落とすのは、主としてコーディングモデルではないからであり、DeepSeekが視覚の行を落とすのは、主として知覚モデルではないからだ。どちらの結果もスキャンダルではない。誤りは、どちらかの列を一般的な評決として読むことだろう。

Screenshot of the OrcaRouter model page for deepseek/deepseek-v4.1-flash. It shows a 1M-token context window, text and image input, vision, tools, JSON and reasoning tags, a release date of 2026-10-17, and the price row $0.15 input and $0.60 output per million tokens with a 1.20 s time to first token. The page states the model carries a context window of 1,048,576 tokens, can generate up to 384,000 tokens in a response, and is billed at $0.15 per 1M input and $0.60 per 1M output tokens.

価格差は、縮まっていない

DeepSeek V4.1 Flashには公開されている料金があり、この規模のモデルとしては最も安い料金のひとつです:

• オフピーク時、キャッシュミス — 入力100万あたり$0.15、出力100万あたり$0.60

• ピーク時、キャッシュミス時 — 入力100万トークンあたり$0.30、出力100万トークンあたり$1.20

• キャッシュヒット — オフピーク時は100万あたり$0.003、ピーク時は$0.006

• ピーク時間帯 — 01:00~04:00および06:00~10:00 UTC、月曜日~金曜日(中国の祝日を除く)

• コンテキスト — 1,000,000トークン、出力トークンは最大384,000

Sage-S2.1-Flash には公開された料金がありません。モデルカードにも、デプロイガイドにも、リリース用マイクロサイトにも価格は記載されていません。同サイトの「Try the API」リンクはポータルを指していますが、そのポータルは非JavaScriptクライアントに対してカタログを表示しませんでした。代わりに Sage にあるのはハードウェア要件です。ガイドのリファレンスデプロイは bfloat16 の H200 GPU 8台で、ノード全体で約645 GBの重みに相当します。

それによってコスト比較は数値ではなく形になる。DeepSeek V4.1 Flashはオフピーク時に入力100万トークンあたり0.15ドルで、つまり100万トークンのプロンプトに15セントかかる。Sage-S2.1-Flashを100万トークンで動かすと、その呼び出しにかかる実時間の間、8台のH200に支払うコストがかかり、しかもそのスループット数値は誰も公開していない。すでにそのノードを保有していれば、呼び出しの限界費用はほぼゼロであり、比較するとDeepSeekは高く見える。保有していなければ、ホスト型の価格が存在するまでSageとの比較を行う価値がないほど大きな差でDeepSeekが勝つ。

共有テーブルが教えてくれないこと

ベンダー作成の比較の一つの性質は、明確に述べておく価値がある。なぜなら、それは上記の各行をどう読むかに影響するからだ。そのハーネスは文書化されていない。InternLM が公開したのは数値であり、実行構成ではない。タスクあたりの試行回数、どのスキャフォールディングが使われたか、どのサンプリングパラメータだったか、ツールが利用可能だったか、あるいはどちらのモデルの推論予算がどれほどだったかについての記述はない。DeepSeek 自身の Artificial Analysis Intelligence Index における 32.6 は、そのインデックス内のすべてのモデルに同じ手順を適用する公開ハーネスによるものであり、InternLM による DeepSWE 上の DeepSeek に対する 73.9 は、非公開のハーネスによるものである。

それは表を無用にするものではない。方向性を持たせるものだ。コーディングの行もビジョンの行も十分に大きく、内部整合性も十分にあるため、スキャフォールディングの選択がそれらを生み出している可能性は低い。一方、Terminal-Bench 2.1 における0.3ポイントの同点は、どのハーネスのばらつきでも生じ得る範囲に十分収まっている——0.3ポイント差を同点として扱っても失うものはない。

また注目すべき点として、InternLMはDeepSWEにおけるDeepSeekの数値(73.9)を公表しているが、これは同社自身の表にある他のコーディング関連の行と比べて高く、そこではDeepSeekはSWE-bench Proで64.7となっている。こうした内部的な不整合は、公開されたハーネスなら半日で解消できる類いの問題であり、非公開のハーネスではまったく解消できない類いのものである。

Screenshot of the Hugging Face model page for internlm/Sage-S2.1-Flash. The header shows the safetensors and glm5_next tags, an MIT licence, a model size of 321B params and a bfloat16 tensor type. The sidebar notes that the README exists but its content is empty, that the model is not deployed by any Inference Provider, and it lists the collection including internlm/Sage-S2.1-Flash. Download counts are not shown.

デプロイ:半日 対 書類1枚

ベンチマークの行ではなく運用上の根拠で選ぶなら、その差はスコアが示唆するより大きく、証拠のギャップと同じ方向を向いている。

DeepSeek V4.1 Flashは、技術レポート、標準的なTransformersアーキテクチャ、fp8版、そしてモデルカードにAzureとSageMaker向けのデプロイタグを備えて提供されています。公開から2か月が経ち、169万ダウンロードを記録しており、サービング時のあらゆる癖はすでに誰かが遭遇して書き残しています。

Sage-S2.1-Flash にはデプロイガイドが同梱されているが、注意深く読むと、それはサイレント障害の一覧である。`--trust-remote-code` を省略すると、標準のトークナイザーが `<|user|>` や `<tool_call>` のようなエージェント用文字列を制御トークンとしてエンコードし、モデルが途中で停止したりツールコールを破損させたりするが、何もログに残らない。vLLM で提供する際に `vllm_patch/` にある1ファイルのパッチを当てないと、並列ツールの結果が順不同で返ったときに画像が誤った結果に紐付けられ、モデルが誤った画像について回答してしまう。上流の修正は vllm-project/vllm#67108 として保留中だ。SGLang で提供する際に `chat_template.jinja` を明示的に渡さないと、エンジンがそのアーキテクチャ向けの独自テンプレートを適用してしまう。Hopper では FP8 KV キャッシュはサポートされていない。LMDeploy では transformers を 5.17 以上 5.19 未満に固定する必要がある。5.19 でレイヤータイプ名が変更されたためだ。

そのすべてが文書化されているのはラボの功績だ——ほとんどの静かなリリースにはできないことだ。しかしそれはまた、まだ自らの作者だけにしか提供されていないモデルの指紋でもある。

共有テーブルが決着させる唯一の有益なこと

以上を踏まえると、証拠が実際に支持する判断は次のとおりです。

• あなたの作業がコード、エージェント用ツール、または一般的な長コンテキスト対応であれば — DeepSeek V4.1 Flash です。競合自身の表でもこれらの項目の大半で勝っており、オフピーク時は入力100万トークンあたり$0.15で、照合できる独立したスコアもあります。ここでSageを真剣に選ぶ理由はありません。

• あなたの作業が科学図表、スペクトル、プロット、スキャンした業務文書、あるいはGUI駆動型ソフトウェアを扱うものであるなら、Sage-S2.1-Flashは週末をかける価値がある。OSWorld-Gでの23ポイントの差とHarvey LABでの13ポイントの差は、そのタスクがそもそも自動化可能かどうかを左右する類の違いであり、InternLMの表の中でこれらの行において近づけるモデルは他にない。

• 今日中に決める必要があるなら — DeepSeek V4.1 Flash です。2つのうち、メンテナンス時間なしで呼び出せるのはこちらだけだからです。

DeepSeek V4.1 Flash は OrcaRouter 上で deepseek/deepseek-v4.1-flashとして、100万トークンあたり入力 $0.15、出力 $0.60 でルーティングされています — DeepSeek 自身の オフピーク時の定価をマークアップなしでそのまま適用 — コンテキスト長は 1,048,576 トークンで、同じ料金の 1017 スナップショットも併せて提供されます。Sage-S2.1-Flash は当社のカタログにはありません。これはご自身でホストするオープンウェイトであり、そうでないかのように示唆するつもりはありません。

ここでルーターがもたらすものは、移行よりも範囲が狭く、ベンチマークよりも有用だ。本記事が述べる分担 — 汎用的なエージェント作業とコーディング作業を一方のモデルに、科学的で GUI を多用する作業を他方に — は、まさにルーティングポリシーが表現する形だ。つまり、単一のエンドポイント、画像や文書を含むリクエストを専門化された経路へ送るルール、そしてプロバイダー側の劣化が経路全体をダウンさせないようにする自動フェイルオーバーである。DeepSeek の両方の識別子は同じキー上にあるため、1017 スナップショットを元のものと比較して試すには、2 つ目の契約ではなくモデル文字列の変更で済む。ルーティングできない部分 — Sage-S2.1-Flash — は、自分で立ち上げなければならない部分であり、それがまずカタログに載っているものに対してプロトタイピングすべきだという最も明快な根拠になる。

このページを書き直す価値があるのはどのような場合ですか

2点あります。Sage-S2.1-Flashの価格です。これがあればコスト欄は概形から算術になります。そして独立したスコア、できればDeepSeek V4.1 Flashを32.6にしたのと同じハーネス上でのものです。なぜなら興味深い問いは、Sageが平均でDeepSeekを上回るかどうかではないからです。以上のことはすべて、上回っていないことを示唆しています。興味深い問いは、Sageの23ポイントのOSWorld-G優位が、それを発表したラボが書いたのではないハーネスでも残るのか、そして6.9ポイントのDeepSWE不足が、自社の表のコーディング行が示唆するほど実際に現実なのかどうかです。

誰かがそれらの行を再実行するまでは、共有されたスコアボードが入手できる最良の証拠であり、それは二人の競合相手のうちの一方によって作られたものだ。自分の損失まで含んでいる自己公表の比較を読むときと同じように読めばいい。損失が一切載っていない表よりは信頼できるが、それでも測定そのものとは違う。

この記事で比較したモデル1

この記事から検出 · ベンチマーク:Artificial Analysis · 毎日更新