MiniMax M3.1 Flash vs DeepSeek V4.1 Flash: W czym właściwie zgadzają się tabele obu dostawców

Dwa wiersze. Tyle z tabeli premierowej MiniMax przetrwa porównanie z własnymi opublikowanymi liczbami DeepSeek, i warto powiedzieć to wprost, zanim zostanie powtórzony nagłówek któregokolwiek z dostawców: na dwóch benchmarkach, na których MiniMax M3.1 Flash i DeepSeek V4.1 Flash — checkpoint 1017, który DeepSeek wydał dwa dni wcześniej — oba laboratoria opublikowały wynik tego samego testu, nowszy model jest w tyle. MiniMax wydał M3.1 Flash 19 października 2026 r. z tabelą obejmującą pracę agentową, kodowanie, korzystanie z komputera i cyberbezpieczeństwo oraz twierdzeniem o skoku generacyjnym względem własnego poprzednika. DeepSeek wydał V4.1 Flash 1017 17 października 2026 r. z kartą modelu, która robi to samo. Najciekawsze w zestawieniu ich obu nie jest to, kto wygrywa. Chodzi o to, jak niewiele z każdej tabeli jest w ogóle skonstruowane tak, by dało się je porównywać.Tabele dostawców to jeden rodzaj dowodów, a rejestry incydentów — inny, więc awarie stojące za takimi premierami są skatalogowane w OrcaRouter AI Incident Archive, gdzie każdy wpis ma własne źródła, poziom dotkliwości, ocenę pewności i znacznik sporu.

Czemu M​iniMax faktycznie przypisał liczbę

Wpis M​iniMax jest bardziej konkretny niż większość. Podaje na wstępie sześć wartości: BankerToolBench 76.2, DeepSWE v1.1 73.7%, OSWorld V2 61.7, Agents' Last Exam 29.6, CyberGym 82%, oraz twierdzenie o najwyższej wydajności w Automation-Bench bez podania wyniku w tekście podsumowania. Obok nich znajdują się dwa twierdzenia dotyczące przepustowości — około trzykrotnie szybsze wnioskowanie online niż w przypadku zastępowanego modelu oraz ponad 200 tokenów na sekundę przy P50 powyżej 170 — a także twierdzenie o kosztach niższych o 70% w zadaniach agentowych. Wszystko to jest raportowane przez dostawcę i nieodtworzone. M​iniMax to uruchomił, M​iniMax to opublikował, a nazwa harnessu jest podana tylko w przypisach.

Przypis dolny to miejsce, w którym tabela zaczyna się rozpadać. BankerToolBench, jak twierdzi MiniMax, został oceniony przy użyciu harnessu OpenCode 1.1718 i oceniony przez MiniMax-M2.7, swój własny starszy model. To benchmark oceniany przez samego siebie: model MiniMax ocenia wyniki wygenerowane przez model MiniMax, na zestawie zadań wybranym przez MiniMax. Może być przeprowadzony całkowicie poprawnie. To nie jest dowód, który można przedstawić przeciwko laboratorium publikującemu na harnessie utrzymywanym przez kogoś innego.

Dwa wiersze, które są wyrównane

DeepSWE v1.1 to jedyny naprawdę wspólny pomiar. Oba laboratoria go raportują i oba podają nazwę harnessu: DeepSeek w swojej karcie modelu podaje Mini-SWE-V2, MiniMax raportuje tę samą wersję benchmarku. MiniMax twierdzi, że osiąga 73,7%. DeepSeek twierdzi, że osiąga 77,0% dla checkpointu 1017, wobec 74,2% dla wydania V4.1 Flash, które zastąpił. Ranking jest tu więc jednoznaczny i nie jest pochlebny dla nowszego modelu: wydanie DeepSeek z 17 października wyprzedza wydanie MiniMax z 19 października w jedynym benchmarku agentów kodujących, który obie firmy zmierzyły w ten sam sposób, a przy tym wyprzedza własne poprzednie wydanie o prawie trzy punkty.

Agents' Last Exam opowiada tę samą historię z większym dystansem. MiniMax podaje 29,6. DeepSeek podaje 35,4 dla 1017, w górę z 31,8 dla poprzedniego checkpointu. To pięciopunktowa różnica w benchmarku zaprojektowanym tak, by był trudny dla agentów, i to drugi z rzędu wiersz, w którym model starszy o dwa dni ma wyraźną przewagę.

Wszystko inne w obu tabelach jest albo mierzone na innym stanowisku testowym, oceniane przez inny model, albo publikowane tylko przez jedną stronę. Karta DeepSeek podaje Terminal-Bench 4.0 na poziomie 42,3 w środowisku Claude Code, HLE bez narzędzi na 42,6, ProgramBench 29,1, Apex Bench v1.1 72,1 i Automation-Bench v1.0.6 na 60,5. Wpis MiniMax nie podaje w ogóle wyniku Terminal-Bench 4.0, a jego wiersz Automation-Bench znajduje się pod przypisem o 600 publicznie udostępnionych zadaniach, a nie obok porównywalnej liczby, którą moglibyśmy z pewnością przypisać przy rozdzielczości, w jakiej wyświetla się ten wpis. Dwa z tych wierszy można sprawdzić. Pozostałe to dwa różne egzaminy z tą samą nazwą na okładce.

Tam, gdzie tabela M​iniMax jest mocna, a tabela D​eepSeek milczy

Błędem byłoby odczytywać te dwa wspólne wiersze jako pełny obraz, ponieważ oba dotyczą rozumowania w kodowaniu i agentach, a przekaz MiniMax jest szerszy. OSWorld V2 na poziomie 61.7 to wynik w zakresie obsługi komputera, którego DeepSeek nie publikuje, a MiniMax twierdzi, że zajmuje pod tym względem pierwsze miejsce wśród chińskich modeli. CyberGym na poziomie 82% to wynik agenta bezpieczeństwa, którego DeepSeek również nie publikuje. BankerToolBench 76.2 mierzy wybór narzędzi w kontekście procesów biznesowych, którego nie obejmuje ani karta DeepSeek, ani Artificial Analysis. Na tym obszarze MiniMax nie przegrywa; jest bez konkurencji. Brak konkurencji nie oznacza przewagi, a własne podsumowanie dostawcy — „osiąganie poziomu wiodących modeli” — jest twierdzeniem o dorównywaniu, a nie o przewadze.

Inną rzeczą wartą uwagi w tabeli premiery jest to, co robi z konkurencją. Opublikowany grafik umieszcza kolumnę MiniMax obok DeepSeek, Kimi-K3, GLM-5.3, GPT-5.6 Sol i Opus 5, a liczby w tych kolumnach to własne opublikowane dane innych laboratoriów, a nie wartości uzyskane przez MiniMax. To normalna praktyka i nie jest to nieuczciwe, ale oznacza, że każde porównanie między kolumnami na tym obrazie dziedziczy to środowisko testowe, którego akurat użyło każde laboratorium. Tabela, która zestawia sześć modeli, zachęca do czytania w poprzek wierszy. Tylko dwa z tych wierszy zostały zbudowane tak, by można je było czytać w poprzek.

Historia cen przebiega w przeciwnym kierunku i jest prawdziwa.

Jeśli chodzi o koszty, M​iniMax ma korzystniejszą ofertę. M3.1 Flash kosztuje 0,15 USD za milion tokenów wejściowych i 0,60 USD za milion tokenów wyjściowych, przy czym wejście z pamięci podręcznej to 0,015 USD — 90% zniżki — i bez zróżnicowania w zależności od pory dnia. DeepSeek V4.1 Flash 1017 podaje 0,30 USD i 1,20 USD w szczytowych oknach dni roboczych, a poza szczytem stawki spadają o połowę do 0,15 USD i 0,60 USD, przy trafieniach w pamięć podręczną odpowiednio 0,006 USD i 0,003 USD. W godzinach szczytu D​eepSeek kosztuje dwa razy więcej niż M​iniMax za ten sam milion tokenów. Poza szczytem obie oferty są identyczne. Obciążenie uruchamiane według harmonogramu, który kontrolujesz, może trafić w tanie okno D​eepSeek; obciążenie uruchamiane wtedy, gdy korzystają z niego twoi użytkownicy, nie może.

Artificial Analysis określa liczbowo różnicę, która przetrwa gry cenowe: 0,22 USD za ukończenie jednego zadania Intelligence Index na M3.1 Flash wobec 0,26 USD na DeepSeek V4.1 Flash 1017. To 15-procentowa różnica na korzyść MiniMaxa w tej samej ewaluacji i jedyne twierdzenie ekonomiczne w tym porównaniu, które jest zmierzone niezależnie, a nie deklarowane przez dostawcę. Ma to znaczenie, bo cennik za token tego nie pokazuje. Stawki DeepSeek 0,30 USD/1,20 USD wyglądają jak dwukrotna kara, a zachowują się jak 15-procentowa, ponieważ MiniMax zużywa 180 mln tokenów wyjściowych na uruchomienie indeksu wobec 210 mln w przypadku DeepSeek, a DeepSeek jest około dwa razy szybszy — 208,7 tokena na sekundę wobec około 105. Dwa modele, dwie filozofie cenowe i realna różnica kosztów wynosząca osiemnaście centów na ewaluację.

To także miejsce, w którym warstwa routingu zasługuje na swoje miejsce, w sposób, który łatwo wyrazić, a trudno zrobić ręcznie. OrcaRouter przekazuje cenę katalogową dostawcy bez marży 0%, więc gdy którekolwiek laboratorium zmieni stawkę, liczba na Twoim rachunku zmienia się tego samego dnia, a nie przy następnym odnowieniu umowy — a w przypadku karty z oknem szczytowym to różnica między budżetem ustawionym raz a budżetem sprawdzanym co godzinę. Nie mamy dziś w katalogu M​iniMax M3.1 Flash ani DeepSeek V4.1 Flash 1017 i ten artykuł nie twierdzi, że je mamy; rodzina D​eepSeek, którą routujemy, to inny checkpoint, co warto rozróżnić, gdy to ciąg modelu jest tym, do czego przypięty jest Twój kod.

Dwie liczby, których nie zawiera tabela benchmarku

Pierwsza kwestia to szybkość. M​iniMax twierdzi, że osiąga ponad 200 tokenów na sekundę, a P50 powyżej 170. Artificial Analysis mierzy około 105 tokenów na sekundę w swoim własnym środowisku testowym, przy czasie do pierwszego tokenu wynoszącym 1,38 sekundy. D​eepSeek mierzy 208,7 tokenu na sekundę przy 1,07 sekundy. Deklaracje dostawców dotyczące przepustowości są prawie zawsze mierzone w najlepszym przypadku, jaki może osiągnąć stos serwujący; niezależna liczba to ta, która pojawia się w Twoim p95. W tym wymiarze własna deklaracja M​iniMax i zmierzony wynik nie są zbliżone, a zmierzony wynik stanowi połowę wyniku D​eepSeek.

Druga kwestia to licencja. DeepSeek V4.1 Flash 1017 jest objęty licencją MIT, a jego wagi są dostępne na Hugging Face; ma 552 miliardy parametrów łącznie wobec 16 miliardów aktywnych. M​iniMax twierdzi, że wagi M3.1 Flash „zostaną udostępnione później”, ale nie podał do tej obietnicy ani daty, ani licencji, ani liczby parametrów. Jeśli Twój proces zakupowy przechodzi przez przegląd bezpieczeństwa, który pyta, co się stanie, jeśli dostawca zniknie, to tabela benchmarków nie jest pytaniem, na które odpowiadasz, a na tabeli, którą otrzymałeś, tej odpowiedzi nie ma.

Co zmieniłoby tę interpretację?

Trzy rzeczy, w kolejności według tego, jak bardzo miałyby znaczenie. Niezależne uruchomienia DeepSWE v1.1 i Agents' Last Exam na checkpoincie od M​iniMax rozstrzygnęłyby, czy 73,7 i 29,6 są zachowawcze, czy hojne — obecnie nikt spoza tych dwóch laboratoriów nie opublikował ani jednego z nich. Opublikowany wynik Automation-Bench od M​iniMax, na tym samym wydaniu 600 zadań, którego użył D​eepSeek, dałby deklaracji o możliwościach agentowych liczbę, której obecnie brakuje. A wydanie wag z dołączoną licencją uczyniłoby model porównywalnym na osi, na której D​eepSeek obecnie nie ma żadnej konkurencji.

Do tego czasu uczciwe podsumowanie jest węższe niż którykolwiek z postów premiery. M​iniMax M3.1 Flash to tańszy model, jeśli chodzi o ukończenie zadania, wolniejszy w rozmowie, zamknięty w kwestii nabycia oraz — w jedynych dwóch benchmarkach, które obie firmy zmierzyły identycznie — ten z drugiego miejsca. To nie jest historia, którą tabela miała opowiedzieć, ale jest to historia, którą tabela zawiera. Jeśli w tym tygodniu wybierasz między nimi, wybieraj, kierując się cennikiem i licencją, bo to są dwa wiersze, o których nikogo nie trzeba było przekonywać.