Ling-3.1-flash vs DeepSeek V4.1 Flash: dwa punkty w indeksie, trzy razy wyższy rachunek

Ling-3.1-flash i DeepSeek V4.1 Flash (Max) dzieli różnica dwóch punktów w Artificial Analysis Intelligence Index — 41 do 39 — a pod względem ceny nie są nawet blisko siebie. Przeprowadź dziesięć ewaluacji składających się na ten indeks dla każdego modelu, a Ling-3.1-flash kosztuje około 0,99 USD na zadanie w porównaniu z 0,27 USD dla DeepSeek. Oba to modele mixture-of-experts o ok. 550 miliardach parametrów z deklarowanym kontekstem 1 mln tokenów. Jeden to zamknięty, wyłącznie tekstowy model z laboratorium InclusionAI należącego do Ant Group, wydany 1 października 2026 i wciąż bez opublikowanych wag lub licencji. Drugi jest otwarty na licencji MIT od 10 września 2026, obsługuje zarówno obrazy, jak i tekst, działa u 23 dostawców i jest modelem, który większość zespołów miałaby już w pliku konfiguracyjnym. Pod większością względów to porównanie nie jest bliskie. Ciekawe pytanie brzmi: dlaczego te dwa punkty w ogóle istnieją.

Gdzie Ling-3.1-flash naprawdę przoduje

Przoduje w ewaluacjach mierzących pracę z terminalem i pisanie kodu, który musi się uruchomić, a tę przewagę warto podać dokładnie, ponieważ zbiorczy wynik ją ukrywa.

• Terminal-Bench 4.0 — Ling-3.1-flash 0.333 vs DeepSeek V4.1 Flash (Max) 0.268. Obie liczby są skromne w ujęciu absolutnym; różnica stanowi jedną czwartą wyniku DeepSeek.

• SciCode — 0,541 vs 0,519.

• Rozumowanie fizyczne CritPt — 0.180 vs 0.143.

• GDPval-AA praca agentowa w świecie rzeczywistym — 1,621.75 Elo vs 1,600 Elo.

Dwa z tych czterech to niemal remisy, jeden to wąskie zwycięstwo, a Terminal-Bench 4.0 to jedyny wiersz, w którym różnica przetrwałaby zmianę ziarna. Zestaw to z tym, gdzie wygrywa DeepSeek: AA-Briefcase v1.1 agentic knowledge work przy 1 420,47 Elo wobec 1 400,35, AutomationBench-AA przy 0,689 wobec 0,617, AA-LCR long-context reasoning przy 0,84 wobec 0,83 oraz — wiersz, który ma największe znaczenie dla produkcji — AA-Omniscience przy −5,30 wobec +2,22 dla Ling-3.1-flash w mierze, w której halucynacja jest gorsza niż odmowa. Dokładność DeepSeeka wynosi tam 46,4% przy 96,5% wskaźniku halucynacji wśród pytań, na które odpowiada; Ling-3.1-flash odpowiada poprawnie na 29,1% pytań przy 37,9% wskaźniku halucynacji. Żaden z nich nie jest modelem, który można skierować na bazę wiedzy bez wyszukiwania przed nim.

Różnica cen jest większa niż różnica w indeksie, i to nie tylko cennik.

Nagłówkowe stawki wyglądają niemal identycznie. Artificial Analysis podaje dla obu 0,30 USD za milion tokenów wejściowych. Ostro się jednak różnią w przypadku dwóch pozostałych liczb:

• Wyjście — Ling-3.1-flash 0,90 USD za milion vs DeepSeek V4.1 Flash (Max) 1,20 USD za milion. Tutaj Ling-3.1-flash jest po prostu tańszym modelem, o 25%.

• Odczyt z pamięci podręcznej — Ling-3.1-flash 0,06 USD za milion vs DeepSeek V4.1 Flash (Max) 0,006 USD za milion, zniżka 98% w porównaniu z 80-procentową. To tutaj te dwa modele przestają być porównywalne.

Mieszana stawka przy proporcji trafień w pamięć podręczną / danych wejściowych / danych wyjściowych 7:2:1 wynosi 0,192 USD dla Ling-3.1-flash i 0,184 USD dla DeepSeek V4.1 Flash (Max) — niemal bez różnicy. Ale ta mieszanka to założenie o tym, jak używasz modelu, a to założenie odgrywa dużą rolę. Każde obciążenie z intensywnym ponownym wykorzystywaniem promptu — długi prompt systemowy, wstęp do wyszukiwania, pętla agenta, która przy każdej turze ponownie wysyła zgromadzony kontekst — przesuwa efektywną mieszankę w stronę odczytów z pamięci podręcznej i tam zaczyna dominować 10× różnica w cenie pamięci podręcznej. Wolumen tokenów kumuluje się w ten sam sposób: Ling-3.1-flash to gadatliwy model rozumujący, generujący 220 milionów tokenów wyjściowych podczas ewaluacji indeksu w porównaniu z 250 milionami w przypadku DeepSeek, i średnio około 357 sekund na zadanie ewaluacyjne w porównaniu z 285 w przypadku DeepSeek. Myśli więcej na odpowiedź i zajmuje mu to dłużej.

Przykład krok po kroku: ta sama pętla agenta w obu przypadkach

Weźmy agenta sterującego narzędziami, który przetwarza 1 mln tokenów wejściowych na zadanie, z czego 90% z nich jest obsługiwanych z pamięci podręcznej, i zwraca 200 000 tokenów wyjściowych. W Ling-3.1-flash przy powyższych stawkach: 900 000 tokenów wejściowych z pamięci podręcznej po 0,06 USD plus 100 000 nowych tokenów wejściowych po 0,30 USD plus 200 000 tokenów wyjściowych po 0,90 USD daje około 0,26 USD na zadanie. Identyczna pętla w DeepSeek V4.1 Flash (Max) daje około 0,14 USD — mniej więcej połowę.

Teraz zastosuj harmonogram DeepSeek, bo to jest część, którą większość porównań pomija. Stawka DeepSeek poza godzinami szczytu to ta powyżej, a okres poza szczytem obejmuje weekendy i większość dnia; ale w dwóch oknach dni roboczych, 01:00–04:00 i 06:00–10:00 UTC, ceny za wejście i pamięć podręczną podwajają się. Przenieś tę samą pętlę do okna szczytu, a koszt DeepSeek wyniesie blisko 0,28 USD — wtedy jednolity, wyższy cennik Ling-3.1-flash staje się tańszą opcją w tej godzinie, a 10× zniżka na pamięć podręczną została zneutralizowana przez zegar.

To cała decyzja zawarta w jednej parze liczb. Jeśli ruch Twoich agentów w dużym stopniu opiera się na pamięci podręcznej i możesz go zaplanować, DeepSeek V4.1 Flash (Max) kosztuje około połowy tego, co Ling-3.1-flash, przy różnicy dwóch punktów w indeksie. Jeśli ruch Twoich agentów w dużym stopniu opiera się na pamięci podręcznej i trafia w szczytowe okna DeepSeek, oba modele kosztują mniej więcej tyle samo, a nieco lepszy wiersz terminal-agent modelu Ling-3.1-flash staje się czynnikiem rozstrzygającym.

Osie, w których nie ma czego porównywać

Trzy wymiary nie są zbliżone i to właśnie one zwykle przesądzają o architekturze, zanim jeszcze zacznie się rozmawiać o cenie.

• Wagi i licencja — Ling-3.1-flash nie opublikował wag, nie ma tekstu licencji, a Artificial Analysis klasyfikuje go jako zastrzeżony. DeepSeek V4.1 Flash (Max) ma otwarte wagi na licencji MIT, można go pobrać z Hugging Face, a użycie komercyjne jest dozwolone. Jednego z nich można samodzielnie hostować, dostrajać i uruchamiać w izolacji sieciowej; drugiego nie.

• Modalność — Ling-3.1-flash to tekst na wejściu, tekst na wyjściu. DeepSeek V4.1 Flash (Max) przyjmuje obrazy wraz z tekstem i jest oceniany w benchmarkach multimodalnych. Jeśli jakakolwiek część twojego pipeline'u przekazuje modelowi zrzut ekranu, wykres lub skan, na tym porównanie się kończy.

• Warstwa udostępniania — DeepSeek V4.1 Flash (Max) jest dostępny u 23 dostawców, w tym OrcaRouter; Ling-3.1-flash działa przez własne API dostawcy oraz platformy zewnętrzne, które udostępniają jego wydanie. W przypadku ścieżki produkcyjnej liczba dostawców jest cechą odporności, a nie konkursem popularności.

Jeszcze jedna asymetria, która nie pojawia się w żadnej z tych list: DeepSeek V4.1 Flash (Max) udostępnia 384 000 tokenów wyjściowych w jednej odpowiedzi. Ant nie opublikował maksymalnej długości wyjścia dla Ling-3.1-flash, więc nie można jeszcze określić rozmiaru obciążenia długotrwałego generowania na jego podstawie. Brak opublikowanego limitu to nie to samo co mały limit, ale to też nie jest liczba, względem której można projektować.

Uruchamianie obu, i jak to faktycznie wygląda

Ling-3.1-flash nie znajduje się dziś w katalogu OrcaRouter — zapytanie do naszego publicznego API modeli zwraca not-found dla modelu w ramach InclusionAI, a ten tekst nie będzie udawał, że jest inaczej. DeepSeek V4.1 Flash jest teraz dostępny w routingu u dostawcy w cenie katalogowej bez marży, więc zmiana ceny dostawcy jest widoczna po naszej stronie tego samego dnia, w którym zostanie wprowadzona, a on stoi za tym samym jednym kluczem API co reszta katalogu, z automatycznym przełączaniem awaryjnym między dostawcami nadrzędnymi.

Ta asymetria ma praktyczny kształt. Rozsądnym sposobem prowadzenia porównania, w którym jeden model jest zamknięty, kosztuje około cztery razy więcej niż jego poprzednik i jest dostępny tylko u jednego dostawcy, jest utrzymanie otwartego, szeroko obsługiwanego modelu jako domyślnej ścieżki i traktowanie pretendenta jako czegoś do testowania, a nie jako coś, z czym się wiążesz. DeepSeek V4.1 Flash (Max) może dziś udźwignąć pętlę produkcyjną — otwarte wagi, wejście obrazowe, wyjście 384K, 98% zniżki na pamięć podręczną — podczas gdy Ling-3.1-flash dostaje zadania specyficzne dla agentów, tam gdzie jego przewagi w Terminal-Bench i SciCode faktycznie mają zastosowanie. Ponieważ oba obsługują format chat-completions zgodny z OpenAI, ten podział jest decyzją o routingu, a nie projektem integracyjnym: jeden endpoint, jeden klucz i reguła, która kieruje zadania tam, gdzie dany model jest mierzalnie lepszy.

Werdykt

Na podstawie dostępnych dowodów DeepSeek V4.1 Flash (Max) wygrywa to starcie i wygrywa głównie dzięki rzeczom, które nie mają nic wspólnego z dwoma punktami Index: otwarte wagi na licencji MIT, wejście obrazowe, 384 000 tokenów wyjściowych, 98% zniżki na cache i 23 dostawców do przełączenia awaryjnego między nimi. Sprawa Ling-3.1-flash jest węższa i realna — to lepszy agent terminalowo-narzędziowy z tej dwójki i jedyny z tej pary, który nie opublikował cennika z wbudowanym mnożnikiem godzin szczytu.

Dwie rzeczy zmieniłyby tę ocenę. Jeśli Ant opublikuje wagi na permisywnej licencji, luka w otwartości się zamknie, a porównanie zmieni się w prostą rozmowę o możliwościach i kosztach. A jeśli udostępniane przez Ant okno długiego kontekstu zostanie potwierdzone przy 1 mln tokenów, które deklarują oba modele, twierdzenie o parytecie kontekstu przestanie być twierdzeniem. Do tego czasu uczciwym podsumowaniem jest to, że model może wygrać wiersz w benchmarku agentowym, a mimo to przegrać ocenę — oraz że dwupunktowa różnica w indeksie między tymi modelami jest warta około 3,6× kosztu na zadanie, co jest wymianą, na którą powinno zdecydować się tylko konkretne obciążenie.