SWE-2 Flash vs DeepSeek V4 Flash: de een heeft een tariefkaart, de ander een ratio

Het eerste dat breekt wanneer je SWE-2 Flash en DeepSeek V4 Flash naast elkaar zet, is de eenheid. DeepSeek publiceert dollars per miljoen tokens en een checkpoint dat je kunt downloaden. Cognition publiceert een fractie — een vijfde van SWE-2 — en een stoel binnen Devin. Een van deze is een model om op te bouwen; het andere is een model om te gebruiken. Elke vergelijking die volgt moet die asymmetrie doorstaan, en de meeste die op de lanceringsdag circuleerden, deden dat niet.

Dat is geen reden om de vergelijking over te slaan. Het is juist de reden waarom het de moeite waard is de vergelijking zorgvuldig uit te voeren. De twee modellen richten zich op dezelfde koper — een team dat frontiernabij codeergedrag wil zonder frontierprijsstelling — en ze zetten tegengestelde weddenschappen in op hoe die koper het wil ontvangen. De ene weddenschap is gedesaggregeerd: gewichten, een API, een gepubliceerd contextvenster en een factuur die je kunt voorspellen. De andere is geïntegreerd: een model dat is afgestemd op één harness, verkocht tegen een fractie van de kosten van een ander model, met de servingstack in dat bedrag inbegrepen.

Wat elk ervan eigenlijk is, en de checkpoint-valkuil

SWE-2 Flash werd op 4 november 2026 aangekondigd. Het is post-getraind op Inkling-Small, het 276B-total, 12B-actieve mixture-model van Thinking Machines, en het is te vinden in Devin Desktop en Devin CLI. Daar is het gratis tot en met 30 november. Er is geen API, geen openbare gewichten en geen gepubliceerd contextvenster.

DeepSeek V4 Flash is een mixture-model met in totaal 284B en ongeveer 13B actieve parameters onder de MIT-licentie, met een contextvenster van 1M tokens en tot 384.000 outputtokens. Het ondersteunt alleen tekst; de vision-variant is een apart experimenteel ID. Het wordt aangeboden via een OpenAI-compatibele API en is sinds het voorjaar aanroepbaar, met een opnieuw post-getrainde 0731-checkpoint dat het meeste werk aan agentic coding heeft gedaan.

Dan de valstrik. DeepSeek's eigen modellen- en prijzenpagina, gelezen op 5 november 2026, vermeldt deepseek-v4-flash onder de legacy-namen die de API nog steeds accepteert, en zegt dat dit nu wordt bediend door DeepSeek-V4.1-Flash-1017. Dat is een ander en groter model: Cognition's vergelijkingstabel zet V4.1 Flash 1017 op 763B totaal en 16B actief. Dus "DeepSeek V4 Flash" verwijst naar minstens drie dingen, afhankelijk van wie het zegt — de april-build, de 0731-checkpoint of de oktober-V4.1-checkpoint waar de ID nu naar wijst. Op OrcaRouter zijn de vastgezette ID's afzonderlijke routes, en dat is de enige reden waarom een vergelijking überhaupt reproduceerbaar kan zijn.

Dit is geen haarkloverij. Het verandert welke benchmarkrij je mag citeren. Openbare leaderboard-cijfers voor "DeepSeek V4 Flash" zijn gemeten op de 0731-build. De tabel van Cognition mat V4.1 Flash 1017. Dat zijn niet hetzelfde model, en de cijfers verschillen daarmee overeenkomstig.

Prijs, in de twee eenheden die elke leverancier daadwerkelijk publiceert

De tariefkaart van DeepSeek is puur rekenwerk. Per miljoen tokens voor het model dat de deepseek-flash-ID nu bedient — DeepSeek-V4.1-Flash-1017, dat de pagina expliciet noemt — gelezen op 5 november 2026: invoer tegen $0,15 buiten de piekuren en $0,30 in de piekvensters, uitvoer tegen $0,60 buiten de piekuren en $1,20 tijdens piekuren, gecachte invoer tegen $0,003 en $0,006. Piekuren zijn 01:00 tot 04:00 en 06:00 tot 10:00 UTC, maandag tot vrijdag, met uitzondering van Chinese feestdagen. Buiten die vensters geldt het goedkopere tarief.

Het vastgezette oudere checkpoint heeft een andere prijs. De catalogus van OrcaRouter bevat deepseek/deepseek-v4-flash voor $0,22 per miljoen inputtokens en $0,66 per miljoen output, een vast tarief zonder piektarief. Dat is de prijs van reproduceerbaarheid: zet het model uit de april-lijn vast in plaats van het huidige aan te roepen en je betaalt meer, in ruil voor het model waarop de meeste gepubliceerde benchmarkrijen daadwerkelijk zijn gemeten. Geen van beide keuzes is verkeerd; ze beantwoorden verschillende vragen.

De kaart van Cognition is een vergelijking. “Een vijfde van de prijs en 3x de snelheid van zijn veel grotere broer/zus” is de volledige publieke mededeling, zonder dat er een absoluut cijfer bij zit, en daarbovenop gratis tot en met 30 november. Het is onmogelijk om op basis van publieke informatie te berekenen wat een taak op SWE-2 Flash kost, omdat de noemer een model is waarvan de eigen tokenprijs evenmin ooit is gepubliceerd.

Hieruit volgen twee gevolgen, en beide zijn veeleer praktisch dan pedant.

• Voorspelbaarheid — de kosten van DeepSeek per miljoen tokens zijn tot op de cent bekend, inclusief de piekvermenigvuldiger. De kosten van SWE-2 Flash zijn alleen bekend als een fractie van een niet-gepubliceerd getal, binnen een abonnement dat je al betaalt.

• Vaste prijsopgaven zijn misleidend — de vastgezette V4 Flash-route hanteert één vast tarief, terwijl de actuele prijskaart van de leverancier twee tariefniveaus kent. Een vast getal is daarom een deel van de week onjuist, en het beschrijft een ander controlepunt dan het controlepunt dat de meeste benchmarkrijen noemen. Plan op basis van de prijskaart van de leverancier; reproduceer op basis van de vastgezette route.

Beide zijn belangrijker dan ze lijken. Voor een agent die duizenden korte calls uitvoert, is de piekvermenigvuldiger een planningsprobleem waar je omheen kunt werken; voor een coding agent die een handvol lange sessies draait, is het een afrondingsfout. Welke van die twee je bent, bepaalt of DeepSeek's kaart twee prijzen of één prijs heeft.

Snelheid: een herhaling tegenover een meting

Cognitions 200 tokens per seconde is geen live timing. De post legt het uit: de eigen run van elk model op Terminal-Bench 4.0's gsea-proteomics-taak, "opnieuw afgespeeld met een gesimuleerde 200 versus 60 tokens per seconde", waarbij transcripten tot gelijke lengte zijn ingekort. SWE-2's 60 tok/s komt uit dezelfde replay. Het beschrijft het servingprofiel dat Cognition nastreeft, wat een legitiem iets is om te publiceren, maar het is geen stopwatch op twee endpoints.

Artificial Analysis meet DeepSeek V4 Flash op 112 outputtokens per seconde op de huidige modelpagina, met een tijd tot het eerste antwoordtoken van 32,41 seconden. Dat is een meting van een live-API, inclusief alle wachtrijvorming die de provider toepast. De twee getallen zijn niet vergelijkbaar, en ze van elkaar aftrekken zou zinloos zijn: het ene is een gesimuleerde herhaling binnen een product, het andere is een waargenomen serveersnelheid via het publieke endpoint.

Wat de kanttekening overleeft, is de richting. Als een model met 12B actieve parameters echt op ongeveer 200 tok/s serveert binnen Devin, terwijl een model met 13B actieve parameters 112 tok/s meet op een publieke API, dan is het model met minder actieve parameters niet zonder meer het snellere — de servingstack doet evenveel werk als de architectuur. Dat pleit voor geïntegreerde producten en tegen het aflezen van snelheid aan een parameteraantal.

De enige run aan dezelfde tafel, en wie die uitvoerde

De lancerings­tabel van Cognition bevat het model van DeepSeek rechtstreeks. De kolom is DeepSeek V4.1 Flash 1017 — de checkpoint waarnaar de deepseek-v4-flash-ID nu verwijst — waardoor dit de enige vergelijking van het tweetal is die onder één dak tot stand is gekomen. Elk cijfer hieronder is van Cognition, op de benchmarks van Cognition, zonder dat er een harness is bekendgemaakt.

• FrontierCode 2.0 — SWE-2 Flash 24.0 vs DeepSeek V4.1 Flash 1017 19.3

• FrontierCode 1.1 Main — 45,5 vs 43,9

• DeepSWE 1.1 — 60.1 vs 77.0

• Terminal-Bench 4.0 — 20,0 vs 42,3

• Terminal-Bench 2.1 — 89,2 vs 91,0

• SWE-Atlas QA — 50,0 vs 71,0

• SWE-Bench Pro v2 Hard — 89,9 vs 86,3

• ExploitBench — 34,8 tegenover 31,1

De opsplitsing bestaat uit telkens vier rijen, en de marges zijn allesbehalve symmetrisch. SWE-2 Flash wint FrontierCode 2.0 met 4,7 punten, FrontierCode 1.1 Main met 1,6, SWE-Bench Pro v2 Hard met 3,6 en ExploitBench met 3,7. DeepSeek wint DeepSWE 1.1 met 16,9, Terminal-Bench 4.0 met 22,3, SWE-Atlas QA met 21,0 en Terminal-Bench 2.1 met 1,8. Elke overwinning van Flash is een handvol punten. Twee van de overwinningen van DeepSeek liggen boven de twintig.

Weeg de vergelijking naar marge in plaats van naar aantal overwinningen, en dan is het niet meer zo close. De Flash is echt concurrerend op FrontierCode, dat een afgebakende patch tegen een geschreven specificatie beloont, en staat ver achter op Terminal-Bench 4.0, dat een terminalagent meet die een taak tot voltooiing brengt. Dat is ook de rij waarop de rest van het veld uiteenvalt: GLM 5.3 Flash scoort 41,8 op dezelfde benchmark en Claude Haiku 5.5 scoort 39,2, tegenover 20,0 voor de Flash.

Nu de kanttekeningen die in één adem genoemd moeten worden. Dit is de tabel van een concurrent. FrontierCode is Cognition's eigen instrument, en Cognition beoordeelt het. Het bericht vermeldt geen harness, geen effort-instelling en geen aantal runs, dus "dezelfde tabel" is niet hetzelfde als "dezelfde omstandigheden" — het is de methodologie van één leverancier, uniform toegepast, wat beter is dan niets en slechter dan onafhankelijk. En de DeepSeek-kolom is V4.1 Flash 1017, niet de 0731-build die de meeste openbare cijfers beschrijven.

Er is een nuttige sanitycheck op hoeveel het meetinstrument uitmaakt. De evaluatie van Artificial Analysis van de 0731-build van DeepSeek V4 Flash, voor het laatst uitgevoerd op 31 juli 2026, noteert 12,1% op Terminal-Bench 4.0. De tabel van Cognition noteert 42,3% voor het V4.1 Flash 1017-checkpoint. Dertig punten verschil op dezelfde benchmark met dezelfde naam. Een deel daarvan is het checkpoint — V4.1 is een ander en groter model — en een deel is de harness, aangezien de ene een gestandaardiseerde run door een derde partij is en de andere een eigen run van de leverancier. Hoe dan ook, geen enkele rij in deze vergelijking is een eigenschap van een model alleen, en de rijen waarop de twee leveranciers het meest van elkaar afwijken, zijn de rijen die je het minst stevig moet vastpakken.

Context, gewichten en wat je kunt bouwen

• Contextvenster — DeepSeek 1.048.576 tokens gepubliceerd vs SWE-2 Flash niet gepubliceerd

Maximale uitvoer — DeepSeek 384.000 tokens vs. SWE-2 Flash niet gepubliceerd

• Gewichten — DeepSeek MIT, downloadbaar versus SWE-2 Flash met beperkte toegang, partnerprogramma beloofd "binnen enkele weken"

• Modaliteit — DeepSeek V4 Flash alleen tekst, waarbij visie op het V4.1-checkpoint arriveert en op een afzonderlijke experimentele ID; versus SWE-2 Flash niet vermeld

• Distributie — DeepSeek API en platforms van derden versus uitsluitend Devin Desktop en Devin CLI

• Beheer van inspanning — DeepSeek denk- en niet-denkmodi vs. SWE-2 Flash niet gedocumenteerd

• Licentie om te finetunen — DeepSeek ja versus SWE-2 Flash nee, nog niet

Voor een team dat een product bouwt, zijn vijf van die zeven rijen op zichzelf al diskwalificerend. Je kunt geen retrievalpijplijn plannen rond een ongepubliceerd contextvenster, je kunt geen gewichten fine-tunen die je niet hebt, en je kunt geen afhankelijkheid in je architectuur opnemen die alleen binnen andermans IDE bestaat. SWE-2 Flash dingt niet mee naar die plek. Het dingt mee naar de stoel die een ontwikkelaar al bezet.

De enige rij waarin de Flash een voordeel heeft, is de rij waarover Cognition het minst duidelijk is: kosten per taak. Als een vijfde van de prijs van SWE-2 een vijfde is van de kosten om een klus gedaan te krijgen, verslaat het de per-tokenkaart van DeepSeek voor interactief werk binnen Devin, omdat het abonnement al is betaald. Als het een vijfde is van de tokenprijs op een model dat meer tokens per taak genereert, wordt het voordeel kleiner. Cognition publiceert niet genoeg om te kunnen zeggen welke van de twee het is.

Waar een router de berekening verandert

DeepSeek V4 Flash wordt gerouteerd op OrcaRouter als deepseek/deepseek-v4-flash, tegen de lijstprijs van de provider zonder extra marge, wat uitmaakt voor een model waarvan de prijs twee keer per dag verandert: een prijsverlaging door de leverancier of een wijziging in het piekvenster bereikt de route in plaats van te wachten tot een platform de prijs herziet. Dezelfde sleutel bereikt meer dan 200 modellen, dus de verstandige versie van deze vergelijking — laat je wachtrij draaien tegen DeepSeek V4 Flash, GLM 5.3 Flash en Kimi K3 en kijk welk model je taken echt bevalt — kost een wijziging van model-ID in plaats van drie contracten. Automatische failover tussen providers is de andere helft: DeepSeeks piekvensters zijn precies het moment waarop een tweede route zijn plek verdient, en een fallbackketen is goedkoper dan een pageralert.

SWE-2 Flash staat niet op OrcaRouter en kan daar niet op staan. Er is geen endpoint om naartoe te routeren, wat de eerlijke samenvatting is van de hele vergelijking. Als je het wilt, koop je Devin. Als je een codingmodel vanuit je eigen software wilt aanroepen, was de keuze al voor je gemaakt voordat de benchmarks werden gepubliceerd.

Welke moet je kiezen?

Als je een codeermodel in productie nodig hebt — een API, een contextvenster waarop je kunt dimensioneren, gewichten die je kunt vastpinnen, een rekening die je kunt voorspellen — dan is DeepSeek V4 Flash de enige van de twee die in aanmerking komt, en het oktober-checkpoint is het checkpoint om vast te pinnen. De korting voor het piekvenster is de moeite waard om je engineering op af te stemmen, en de context van 1M is de moeite waard om te hebben, ook als je hem zelden vult.

Als je al voor Devin betaalt, is SWE-2 Flash tot 30 november bijna een gratis optie. Zet het in op de afgebakende kant van je wachtrij, houd SWE-2 voor het meerstapswerk dat de DeepSWE-kloof beschrijft, en behandel het gratis venster als de evaluatieperiode die het is. Het risico is niet dat het slecht is. Het risico is dat er een ratio wordt gebruikt waar een meting zou moeten staan.

Als je een team standaardiseert op één codeermodel, is dit niet de vergelijking om daarover te beslissen. Eén kandidaat kan worden getest en één niet, en een vergelijking waarin slechts één kant waarneembaar is, is een distributiebeslissing in een benchmarkkostuum. Kies degene die je kunt meten en kom erop terug wanneer Cognition een endpoint of een partnerprogramma uitbrengt dat de gewichten ergens plaatst waar je bij kunt.