DeepSeek V4.1 Flash vs Kimi K3: de bewering lezen, dan het bewijs

DeepSeek V4.1 Flash arriveerde met een specifieke, controleerbare bewering: dat het Kimi K3 verslaat op cyber- en codingbenchmarks — en op de rijen die de leverancier heeft geselecteerd, doet het dat. Terminal-Bench 2.1: 90,6 tegen 88,3. CyberGym: 88,1 tegen 80,0. DeepSWE v1.1: 74,2 tegen 67,5. NL2Repo-Bench: 65,4 tegen 58,0. Elk van die DeepSeek-cijfers komt uit het eigen testharnas van DeepSeek bij de eigen redeneerinspanning van DeepSeek, en elk van de Kimi K3-cijfers waarmee het wordt vergeleken, kwam ergens anders vandaan. Dat is geen reden om de bewering af te doen. Het is juist de reden waarom de bewering moet worden ontleed voordat je op grond daarvan iets koopt.

Hier is hoe de bewijsbases van de twee modellen er in werkelijkheid uitzien, wat er gebeurt als je ze op één schaal plaatst, en het ene getal dat elke versie van deze vergelijking overleeft.

Twee bewijsbases die elkaar nauwelijks overlappen

Dit is het ongebruikelijke deel van deze matchup, en het verklaart het grootste deel van de onenigheid die je online zult vinden.

DeepSeek heeft een benchmarktabel voor de lancering gepubliceerd. Terminal-Bench 2.1, DeepSWE v1.1, CyberGym, ProgramBench, NL2Repo-Bench, Automation-Bench — allemaal door de leverancier gerapporteerd. Het zijn de rijen die DeepSeek koos om te draaien, op harnesses die DeepSeek heeft geconfigureerd, met DeepSeek die de redeneerinspanning instelt. De moeite waard om te weten voordat je ze tegen iets afzet: Artificial Analysis ontdekte dat het draaien van deze suites op maximale redeneerinspanning ongeveer 2,5x meer outputtokens verbruikt dan een instelling uit het middensegment, terwijl het het grootste deel van de nauwkeurigheid eronder terugwint. Een leverancierstabel op maximale inspanning is een plafondmeting, niet een typische.

De cijfers van Kimi K3 zijn grotendeels niet van Moonshot. Artificial Analysis liet zijn eigen testharnas draaien en publiceerde resultaten per benchmark op een schaal die vergelijkbaar is voor elk model dat het volgt: GPQA Diamond 93,5, Humanity's Last Exam 46,9, Long-Context Recall 88,7, SciCode 59,5, Terminal-Bench 2.1 85,0 — plus een samengestelde index. Dat zijn metingen van een derde partij.

Dus "DeepSeek verslaat Kimi K3 op het gebied van programmeren" komt neer op iets beperkters dan het klinkt. Op de testomgeving van DeepSeek wint het model van DeepSeek de rijen over programmeren die DeepSeek heeft geselecteerd. Dat is een echt signaal — leveranciers publiceren doorgaans geen tabellen die ze verliezen — maar het is een andere categorie bewijs dan een onafhankelijk uitgevoerde suite, en de twee zouden nooit in dezelfde kolom mogen verschijnen zonder een label.

Op één schaal is het verschil vier punten

Zet je beide op de Intelligence Index van Artificial Analysis, dan is het beeld krapper dan de marketing van beide kampen doet vermoeden. Kimi K3 scoort 44. DeepSeek V4.1 Flash scoort 40.

Vier punten. Op de rijen per benchmark is de voorsprong van Kimi K3 consistent en geconcentreerd waar langetermijnredenering naar voren komt: Humanity's Last Exam 46,9 tegen 36,8, SciCode 59,5 tegen 51,9, GPQA Diamond 93,5 tegen de door de leverancier gerapporteerde 90,9 van DeepSeek, Long-Context Recall 88,7 tegen 84,0. Kimi K3 staat ook tweede op de ranglijst van Artificial Analysis met 113 modellen, tegenover DeepSeek V4.1 Flash op de zesde plaats.

Dat zijn echte, onafhankelijke, reproduceerbare lacunes. Geen enkel prijsvoordeel dicht die lacunes voor een taak die ervan afhankelijk is.

Het zijn ook vier punten — hetzelfde verschil van vier punten dat DeepSeek V4.1 Flash van Grok 4.6 scheidt, en kleiner dan het verschil van vijf punten dat het van Qwen3.8-Max scheidt. Een verschil van vier punten op een samengestelde index is een smalle band. Het vertelt je dat Kimi K3 het sterkere model is, en het begint je niet eens te vertellen dat die sterkte zich in je workload laat zien.

Het getal dat elke versie van deze vergelijking overleeft

Kosten per Intelligence Index-taak, gemeten door dezelfde organisatie die de index heeft geproduceerd: $0,27 voor DeepSeek V4.1 Flash, $2,00 voor Kimi K3.

7,4x. Dat is het grootste, meest robuuste, best onderling controleerbare verschil tussen deze twee modellen, en anders dan bij de benchmarkrijen hangt het niet af van wiens testharnas is gebruikt — de tokenaantallen zijn de tokenaantallen.

Het schaalt ook mee met hoe agentisch je workload is. Het cijfer van $2,00 komt uit een gemengde suite; op de agentische codingbench van Vals AI wordt het gerapporteerde verschil groter tot ongeveer 40x, $0,41 per taak tegenover $17,59, waarbij de DeepSeek-run in ongeveer 15 minuten klaar is tegenover ongeveer 90. Hoe verder je afstaat van één prompt en respons richting een lange tool-calling-lus, hoe meer de twee prijsmodellen uit elkaar lopen — want dat is waar caching en outputvolume de rekening domineren.

• Tarief — DeepSeek V4.1 Flash $0,15/$0,60 per 1 mln buiten piekuren ($0,30/$1,20 piekuren, weekdagen 01:00–04:00 en 06:00–10:00 UTC) vs Kimi K3 $3,00/$15,00 per 1 mln, vast tarief

• Cachekorting — 98% vs. 90%; cache-lezen $0,003 per 1M vs. $0,30 per 1M

• Context — 1.048.576 tokens beide, en geen van beide rekent een toeslag voor lange context aan

• Doorvoer — 214,4 tokens/sec versus 34,7, een verschil van 6,2x

• Uitvoerigheid — 250 mln outputtokens over de index versus 160 mln

• Parameters — 552B totaal, 8B actief bij prefill en 16B bij decode, tegenover 2,8T totaal met 16 van de 896 experts actief per token

• Sampling — volledig temperature-/top_p-/seed-oppervlak versus geen; Kimi K3 biedt alleen reasoning_effort en thinking kan niet worden uitgeschakeld

• Licentie — MIT vs Aangepaste MIT, die brandingvoorwaarden toevoegt boven 100M maandelijkse gebruikers of $20M maandelijkse omzet

Waar de goedkope kant echt slechter is

Er staan twee kosten aan de DeepSeek-kant van de balans, en beide zijn gemakkelijk over het hoofd te zien.

Uitvoerigheid. DeepSeek V4.1 Flash produceerde 250M output-tokens in de Intelligence Index, tegenover 160M van Kimi K3. Output wordt hier tegen 4x input gefactureerd. Een model dat per token twintig keer goedkoper is maar anderhalf keer zoveel praat, is niet twintig keer goedkoper — precies daarom komt het eerlijke cijfer uit op 7,4x en niet op de 20x die de prijslijst suggereert. DeepSeek is het meest uitvoerige model in deze vergelijking; Grok 4.6 het minst, met 94M.

Snelheid. De tariefkaart zegt dat DeepSeek goedkoper is. De klok zegt dat het ook 6,2x sneller is — 214,4 tokens/sec tegenover 34,7 van Kimi K3. De denkmodus van Kimi K3 kan niet worden uitgeschakeld en de redeneerinspanning staat standaard op maximaal, dus er is geen goedkoop, snel pad om op terug te vallen voor de eenvoudige aanroepen. Je koopt geavanceerd redeneren bij elk verzoek, of het verzoek dat nu nodig heeft of niet. Bij een moeilijke codeertaak is dat het product. Bij een classificatieronde is het verspilling.

Wat het verkeer zegt, wat geen enkele benchmark vastlegt

Onze eigen routeringsgegevens voegen het ene signaal toe dat noch leverancier noch analist kan produceren. In de afgelopen zeven dagen heeft Kimi K3 ongeveer 3,04 miljard tokens via OrcaRouter verwerkt. DeepSeek V4.1 Flash verwerkte ongeveer 59,1 miljard — ruwweg negentien keer zoveel, in een model dat nog geen week live is.

Een deel daarvan is structureel. DeepSeek leidt alle V4 Pro-verzoeken door naar V4.1 Flash en factureert ze tegen Flash-tarieven totdat V4.1 Pro wordt uitgebracht, waardoor een grote geïnstalleerde basis erop is gemigreerd zonder dat iemand ergens voor koos. Maar het resulterende volume is nog steeds het duidelijkste beschikbare bewijs dat een enorm aantal productieworkloads al goed genoeg werd bediend door het goedkopere model — en dat is een oordeel dat benchmarks je niet kunnen geven, omdat benchmarks meten wat een model kan en verkeer meet wat teams bereid waren aan betalende gebruikers voor te leggen.

Kiezen tussen hen

Beide bevinden zich achter hetzelfde OpenAI-compatibele endpoint op OrcaRouter, wat de splitsing praktisch maakt in plaats van een migratieproject: stuur de langetermijn-codeersessie waar de redeneervoorsprong van Kimi K3 het waard is om voor te betalen, en het hoogvolume agentische en kenniswerkverkeer waar de twee binnen vier indexpunten van elkaar liggen, naar DeepSeek V4.1 Flash. Omdat de gateway het tarief van de provider zonder opslag doorgeeft, zijn de kosten per token die je ziet die van de leverancier zelf — het loont om dit aan de DeepSeek-kant twee keer per dag te controleren, aangezien de piekvensters het tarief op weekdagochtenden UTC verdubbelen.

Het oordeel volgt het bewijs in plaats van de lanceringsstabel. Als je werk één zware redeneeropdracht is — een wetenschappelijke vraag, een nieuw algoritme, een document dat je je niet kunt veroorloven verkeerd te lezen — dan is Kimi K3 het sterkere model, zijn de onafhankelijke verschillen consistent, en is de prijs bijzaak. Als je werk een codingagent is, een lange tool-calling-lus, of iets met een grote gecachte prefix die op volume opnieuw wordt afgespeeld, dan liggen de twee qua capaciteit dicht genoeg bij elkaar dat de kosten het doorslaggevende criterium worden, en daar loopt het verschil van 7,4x tot ongeveer 40x, afhankelijk van hoe agentisch de taak is.

DeepSeeks eigen benchmarktabel overdrijft hoe schoon die overwinning is. De prijs doet dat niet.