MIDM K 3.0 Pro vs DeepSeek V4.1 Pro: één naam heeft niets om het lijf

De zoekopdracht die deze pagina oplevert, gaat ervan uit dat er twee modellen bestaan. Eén ervan bestaat. Mi:dm K 3.0 Pro — MIDM K 3.0 Pro op de internationale prijslijst — is sinds 29 oktober 2026 factureerbaar op KT's Token Factory-platform tegen $0,20 per miljoen inputtokens en $0,80 per miljoen outputtokens. DeepSeek V4.1 Pro heeft geen modelkaart, geen endpoint, geen prijsregel en geen gewichten; DeepSeek noemde het precies één keer, in de release note die op 10 september 2026 met DeepSeek V4.1 Flash meeging, en heeft er sindsdien niets meer over gepubliceerd. De eerlijke versie van deze vergelijking moet dus het DeepSeek-model invullen dat een lezer vandaag daadwerkelijk kan aanroepen — DeepSeek V4 Pro 0813, het vlaggenschip met 1,6 biljoen parameters uit de vorige generatie — en er expliciet bij zeggen dat die vervanging niet is wat de titel beweert. Wat volgt is die vergelijking, plus een korte uiteenzetting van wat er zou moeten verschijnen voordat de kolom van V4.1 Pro niet langer leeg is.

Het naamprobleem, vóór alles.

De naam V4.1 Pro raakte in omloop verbonden aan een plan dat DeepSeek aankondigde en vervolgens introk. Op 10 september 2026 bracht het bedrijf DeepSeek V4.1 Flash uit en zei in dezelfde mededeling dat verzoeken aan zijn bestaande Pro-tier zouden worden doorgestuurd naar het Flash-model tot de lancering van V4.1 Pro. Het routeringsplan hield ongeveer een dag stand. Ontwikkelaars maakten bezwaar — dat een Pro-klant stilletjes een kleiner model tegen Pro-prijzen krijgt voorgeschoteld, is een redelijke reden voor bezwaar — en DeepSeek zette DeepSeek V4 Pro weer online tegen ongewijzigde prijzen.

Wat overblijft is een naam in een voetnoot. Er is geen Pro-kaart in de V4.1-familie, geen prijsregel en geen checkpoint. Vergelijkingen die DeepSeek V4.1 Pro als een bestaand model behandelen, werken vanuit extrapolatie: de V4.1-architectuur is echt en is uitgebracht in de Flash-tier, dus een Pro-versie ervan is een redelijke gok, en een gok is waar elke gepubliceerde specificatie ervoor op neerkomt. Het moet niet als feit worden herhaald, en dat doet deze pagina ook niet.

Wat de twee aanroepbare modellen eigenlijk zijn

• Mi:dm K 3.0 Pro — 120B totale parameters, 12B actief per token, in een hybride stack van Mamba-, mixture-of-experts- en attention-lagen. Tekst in, tekst uit. Context van 261.795 tokens, tot 235.615 tokens output. Redeneertrace apart beschikbaar; JSON en gestructureerde output ondersteund. Geserveerd door KT vanuit een checkpoint met NVFP4-experts en FP8-projecties.

• DeepSeek V4 Pro 0813 — een mixture of experts met 1,6 biljoen parameters en 49 miljard actieve parameters. Alleen tekst. Context van 1M tokens, maximale uitvoer van 384K. Denk- en niet-denkmodi met lage, hoge en maximale redeneerinspanning, JSON-uitvoer, tool calling en een native Responses API met een aanpassing gericht op codeeragenten in Codex-stijl.

Het vormverschil is het waard om vast te houden. Het Koreaanse model is klein en goedkoop en leest 262K tokens. Het DeepSeek-model heeft dertien keer zoveel parameters, leest vier keer zoveel context, en is volgens KT's eigen bekendmaking niet de enige architectuur die meespeelt — DeepSeek's V4-generatie bracht een V4.1 Flash met 552 miljard parameters uit op een nieuw Causal Encoder-Decoder-ontwerp, en daar richt de huidige engineering van dat lab zich op.

Prijs, inclusief het deel dat niet op de tariefkaart staat

• Mi:dm K 3.0 Pro — $0,20 invoer en $0,80 uitvoer per miljoen tokens, met gecachte invoer tegen $0,04. KT's eigen platform verkoopt dit alles momenteel met 30% korting: $0,14 invoer, $0,56 uitvoer, $0,03 gecacht.

• DeepSeek V4 Pro 0813 — $0,66 invoer en $1,98 uitvoer per miljoen tegen dalurentarieven, met cache-leesacties tegen $0,022. Tijdens de piekvensters op weekdagen van 01:00–04:00 en 06:00–10:00 UTC verdubbelt elke regel: $1,32 in, $3,96 uit.

De kop is dat het Koreaanse model ongeveer een derde van het DeepSeek-vlaggenschip kost voor input en ongeveer 40% voor output. De piek-/dalstructuur maakt het ingewikkelder in een richting die KT bevoordeelt. Een batchjob die op dinsdag om 03:00 UTC draait, betaalt op DeepSeek dubbel — $1,32 en $3,96 — waardoor Mi:dm K 3.0 Pro op dat uur acht keer goedkoper is per outputtoken dan de tariefkaart van DeepSeek suggereert. Een job die aan het dalvenster van DeepSeek is vastgepind, ziet in plaats daarvan een verschil van 2,5×. Geen van beide getallen is fout; het zijn verschillende schema's.

Er is een tweede asymmetrie: de korting op Mi:dm K 3.0 Pro is een promotie zonder gepubliceerde einddatum, terwijl de piektarifering van DeepSeek een vaste structuur is. Rekenen met het promotietarief is dezelfde fout als rekenen met een dalurentarief — beide zijn reëel, maar geen van beide is het bedrag waarop je een budget moet baseren.

Eén van deze modellen heeft een score, en het is niet het goedkope.

Artificial Analysis geeft DeepSeek V4 Pro een score van 36 op zijn Intelligence Index. Dat is een bescheiden getal naar frontier-maatstaven — het ligt ruim onder de midden vijftig waar Claude Opus 5.5 en Gemini 4 Argon zich bevinden — en het is een echte meting van een echt endpoint. DeepSeek V4.1 Flash, het model dat daadwerkelijk in de V4.1-generatie is uitgebracht, scoort 39,5 op dezelfde index, wat je iets nuttigs vertelt over het klasseverschil dat de Pro-versie zou moeten herstellen.

Mi:dm K 3.0 Pro heeft geen vermelding. Het modelpad van de evaluator geeft 404 en het model komt helemaal niet voor in de index. KT heeft bij de lancering ook geen benchmarktabel gepubliceerd — de AID-X Day-materialen en de Token Factory-modelkaart beschrijven architectuur, kwantisatie en context, en stoppen daar. Aggregatorsites die er een samengestelde score voor tonen, vermengen prijs en recentheid met een capaciteitssignaal; ze rapporteren geen testresultaat. Eén zo'n pagina geeft het algeheel 40 van de 100, waarbij prijs alleen al een kwart van het gewicht draagt.

Dus de vergelijking die een koper het liefst zou willen maken — haalt het model van $0.20 het niveau van het model van $0.66 — kan niet worden beantwoord op basis van gepubliceerd materiaal. Wat wel kan worden gezegd, is richtinggevend: een 120B-hybride met 12B actief is een kleiner netwerk dan een 1.6T-mengsel met 49B actief, en het kleinere netwerk is dienovereenkomstig geprijsd. Als het qua kwaliteit gelijkwaardig was, zou de prijsstelling irrationeel zijn.

Het echte voordeel van DeepSeek is niet het aantal parameters

Drie dingen in DeepSeek V4 Pro 0813 zijn meer waard dan de omvang ervan, en alle drie zijn het dingen die KT niet heeft gepubliceerd.

Het werk aan de harness. De 0813-revisie werd geleverd met een native Responses API en een gerichte aanpassing voor Codex-achtige codingagents, en DeepSeek's eigen cijfers erover — 87,9 op Terminal Bench 2.1, 74,1 op Toolathlon Verified, 62,7 op DeepSWE, 61,5 op NL2Repo — zijn door de leverancier gerapporteerd en moeten als zodanig worden gelabeld, maar ze beschrijven werk dat specifiek gericht is op agentisch toolgebruik. Een model dat is gebouwd en afgestemd voor een codingagent-harness gedraagt zich anders dan een algemeen model dat in een dergelijke harness wordt geplaatst.

De inspanningsladder. DeepSeek biedt lage, hoge en maximale redeneerinspanning naast een niet-denkende modus. Dat is een kostenhefboom: hetzelfde model kan een classificatieprompt goedkoop beantwoorden en een moeilijke redeneerprompt duur. Mi:dm K 3.0 Pro biedt een redeneervlag maar geen gepubliceerde inspanningsladder, dus de enige hefboom voor een aanroeper is aan of uit.

Tool calling. DeepSeek V4 Pro vermeldt tools en tool_choice bij de ondersteunde parameters. Het catalogusitem van KT voor Mi:dm K 3.0 Pro vermeldt ze niet, wat niet hetzelfde is als zeggen dat het endpoint ze weigert — het betekent dat niemand ondersteuning heeft gedocumenteerd, en een agent-loop die afhankelijk is van function calling moet testen in plaats van aannemen.

Wat 262K tokens je opleveren, en wat het je kost

Vier keer zoveel context is het duidelijkste structurele voordeel van het DeepSeek-model, en de praktische waarde ervan hangt af van in welke van twee werelden je werklast zich bevindt.

Als je hele repositories, volledige dossiers of transcripten van meerdere uren in één verzoek verstuurt, is een plafond van 262K een echte beperking. Prompt-truncatie is een stille kwaliteitsfout — het model antwoordt zelfverzekerd op basis van de helft van het document dat het heeft ontvangen — en de workarounds, chunking en retrieval, voegen een pipeline toe die de besparingen van het goedkope model moeten betalen. Bij $0,20 aan input en een werklast van een miljoen tokens is de rekensom echter ongebruikelijk: Mi:dm K 3.0 Pro zou hetzelfde document vier keer kunnen verwerken in slices van 262K voor minder dan wat DeepSeek één keer buiten de piekuren in rekening brengt, dus de vraag is of de chunkingstrategie de kruisverwijzingen kan behouden waarvan de taak afhankelijk is. Voor extractie kan dat. Voor "vind de tegenstrijdigheid tussen pagina 4 en pagina 300" meestal niet.

Als je prompts doorsnee zijn — een paar duizend tokens aan instructie en context — kost het contextverschil niets, en is het parameterverschil van 20 tegen 1 het enige verschil dat ertoe doet.

Hybride architectuur versus schaal, als een gok

De twee modellen vormen tegengestelde antwoorden op hetzelfde probleem uit 2026: hoe je lange context kunt bedienen zonder kwadratische attention-kosten te betalen.

KT's antwoord is architecturele heterogeniteit — combineer Mamba voor sequentieverwerking in lineaire tijd, mixture-of-experts voor goedkope conditionele compute, en attention waar exacte recall nodig is, en kwantiseer de experts vervolgens naar NVFP4 om de serveerkosten verder te verlagen. Het is de interessantere technische gok en de minder bewezen optie. Een hybride stack die goed wordt getraind kan bij lange context een even grote dense transformer verslaan; een die slecht wordt getraind levert een model op dat middelmatig is in beide dingen waarvoor de componenten zijn gekozen, en er is nog geen publiek bewijs over welke van de twee hier is gebeurd.

Het antwoord van DeepSeek is het meer conventionele: een zeer grote sparse mixture of experts, getraind met genoeg data zodat een actief segment van 49B capaciteiten heeft die aan de frontier grenzen, en tegen lage kosten aangeboden door een lab dat langer dan bijna iedereen de inferentie van MoE optimaliseert. Het is minder vernieuwend en het is afgewogen.

Voor een koper komt dat neer op een eenvoudige asymmetrie van risico. Inzetten op het DeepSeek-model betekent inzetten op een score die je kunt aflezen. Inzetten op het Koreaanse model betekent inzetten op een architectuurbeschrijving van een leverancier zonder track record op de internationale API-markt, tegen een prijs waarbij het neerwaartse risico klein is en het opwaartse potentieel een tiende van de kosten bedraagt.

Hoe je het in een middag regelt

DeepSeek V4 Pro 0813 is live op OrcaRouter als deepseek/deepseek-v4-pro-0813 tegen DeepSeek's lijsttarief zonder opslag erbovenop — $0.66 input, $1.98 output, $0.022 cache-read buiten de piekuren, met de piekvermenigvuldiger op dezelfde kaart weergegeven. Mi:dm K 3.0 Pro wordt uitsluitend door KT aangeboden en staat niet op onze routes; er is geen tweede provider om op terug te vallen, wat een werkelijk operationeel verschil is en geen disclaimer, omdat een model met één host niet te omzeilen valt wanneer het enige endpoint degradeert.

Dat laat een goedkoop en beslissend experiment over. Neem vijftig prompts uit je eigen productieverkeer — niet een publieke benchmark, maar de prompts die je daadwerkelijk verstuurt — en draai ze tegen beide modellen met een scorer die je al vertrouwt. Bij $0,20 en $0,80 tegen $0,66 en $1,98 kosten vijftig prompts van 4K invoer en 1K uitvoer een fractie van een cent op het Koreaanse model en een paar cent op het DeepSeek-model. Draai daarna dezelfde vijftig door DeepSeek V4.1 Flash, dat op dezelfde sleutel zit voor $0,15 en $0,60 buiten piekuren en 39,5 scoort — want voor veel workloads is het antwoord op de vraag of je DeepSeek's Pro-laag moet gebruiken, dat je dat niet moet doen, en het Flash-model is zowel goedkoper dan de lijstprijs van Mi:dm K 3.0 Pro als onafhankelijk gescoord.

De hele vergelijkingsset op één sleutel tegen de lijstprijs van de provider, met een routeringsregel die een verzoek doorstuurt naar een tweede model wanneer het eerste een fout geeft, is het deel dat OrcaRouter doet voor de drie modellen die het host. Voor Mi:dm K 3.0 Pro moet de fallback in je eigen code worden geschreven, omdat KT de enige deur is.

Waar dit de vraag achterlaat

DeepSeek V4.1 Pro is een naam met alleen een releaseopmerking erachter en niets anders; totdat DeepSeek een modelkaart, een prijs en een endpoint publiceert, is elke vergelijking waarbij het betrokken is een vergelijking met een gerucht. De daadwerkelijk aanroepbare vergelijking is Mi:dm K 3.0 Pro tegen DeepSeek V4 Pro 0813, en op basis van het gepubliceerde bewijs wint het DeepSeek-model op context, op gedocumenteerde toolondersteuning, op een gepubliceerde onafhankelijke score, en op het hebben van een tweede optie om op terug te vallen wanneer het primaire model traag is.

Het Koreaanse model wint op prijs met een factor tweeënhalf tot acht, afhankelijk van het tijdstip, op outputplafond, op hardware-efficiëntie door zijn opzet, en mogelijk op Koreaans taalwerk, waar KT bewust op heeft getraind en DeepSeek niet. Dat zijn geen kleine voordelen voor de juiste workload. Het zijn alleen nog ongemeten voordelen — en bij dertien dagen beschikbaarheid is ongemeten het eerlijke woord, niet een verdict.

De praktische tweedeling spreekt voor zich. Bulktekstverwerking, werk in het Koreaans en alles waarbij een goedkope second opinion de moeite waard is: test deze week het Koreaanse model. Alles wat agentisch is, alles wat 400K tokens moet kunnen vasthouden, alles waarbij een fout antwoord meer kost dan de tokens: houd DeepSeek V4 Pro, of stap over op een frontier-model, en kijk opnieuw naar Mi:dm K 3.0 Pro zodra iemand er een cijfer voor publiceert.