Wygenerowana karta tytułowa z napisem „Sage-S2.1-Flash vs DeepSeek V4.1 Flash” nad podtytułem „Dwa MoE z otwartymi wagami, jedna tablica wyników dostawcy”, a poniżej dwa chipy z napisami „18B aktywnych” i „16B aktywnych”. Białe tło, niebiesko-cyjanowe akcenty gradientowe, płaskie ikony liniowe. Logo OrcaRouter jest nałożone w prawym dolnym rogu.
Guides & Insights

Sage-S2.1-Flash vs DeepSeek V4.1 Flash: Jedyny pojedynek ze wspólną tablicą wyników

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

W internecie istnieje dokładnie jedno miejsce, w którym Sage-S2.1-Flash i DeepSeek V4.1 Flash zostały zestawione ze sobą w punktacji, i nie jest to miejsce neutralne. InternLM, laboratorium, które opublikowało Sage-S2.1-Flash 15 listopada 2026 r., umieściło DeepSeek-V4.1-Flash-1017 we własnej tabeli porównawczej — 35 benchmarków, osiem konkurencyjnych modeli, plik z wartościami rozdzielonymi tabulatorami w repozytorium GitHub, do którego karta modelu Hugging Face nie odsyła. Tak więc oba modele mają wspólną tablicę wyników, a jeden z nich ją zbudował.

To więcej, niż można powiedzieć o którymkolwiek z dwóch pozostałych porównań w tej serii, w których nie ma żadnej wspólnej tabeli. Sprawia to również, że ta strona jest najbardziej użyteczna z trzech, ponieważ wspólna tabela — nawet tabela samego dostawcy — pozwala zadawać pytania, na które nie może odpowiedzieć para osobnych wpisów blogowych. W dalszej części: co mówi wspólna tabela, jakie są dwie architektury pod nią i na ile z tego powinieneś być skłonny wierzyć.

Asymetria, która wyznacza ramy wszystkiego

Zestaw oba wydania obok siebie jako artefakty, zanim zestawisz je obok siebie jako modele.

DeepSeek V4.1 Flash pojawił się 10 września 2026 r. z pełną kartą modelu, raportem technicznym PDF zatytułowanym „Przesuwanie granic kompresji pamięci podręcznej KV”, licencją MIT, udokumentowanym API z opublikowanymi stawkami poza szczytem i w szczycie oraz odświeżonym snapshotem — 1017 — z 17 października. Jego repozytorium na Hugging Face zostało pobrane 1,69 mln razy i ma 4978 polubień. Artificial Analysis niezależnie ocenia go na 32,6 w Intelligence Index przy maksymalnym wysiłku.

Sage-S2.1-Flash pojawił się 15 listopada 2026 r. ze 120 shardami bfloat16, 21-bajtową kartą modelu, której cała zawartość to deklaracja licencji, przewodnikiem wdrożeniowym i nigdzie nieopublikowaną ceną. Ma jedno polubienie i zero pobrań. Żaden niezależny harness go nie dotknął.

Oba to objęte licencją MIT mieszaniny ekspertów z otwartymi wagami, z oknem kontekstowym wynoszącym milion tokenów i natywnym wejściem obrazu. Na papierze są równorzędne. W świetle dowodów nie są nawet blisko.

A generated two-column comparison scoreboard titled 'Sage-S2.1-Flash vs DeepSeek V4.1 Flash - the scoreboard'. The Sage-S2.1-Flash column reads: Parameters: 320B, 18B active; Layers: 45, 34 linear; Price: none published; Context: 1,048,576 tokens; Independent score: none; Downloadable: MIT weights. The DeepSeek V4.1 Flash column reads: Parameters: 552B, 16B active; Layers: 40, encoder-decoder; Price: $0.15 / $0.60 off-peak; Context: 1,000,000 tokens; Independent score: AA Index 32.6; Downloadable: open weights. Footer: 'Sage rows from InternLM; DeepSeek price from DeepSeek; DeepSeek score per Artificial Analysis.' The OrcaRouter logo is composited in the bottom-right corner.

Co faktycznie zawiera współdzielona tabela

Plik benchmarków InternLM zawiera 31 wierszy z wynikiem DeepSeek-V4.1-Flash-1017. Czytanie go to inne doświadczenie niż czytanie posta premiery, ponieważ wiersze, w których Sage przegrywa, wciąż tam są. Reprezentatywny wycinek, Sage pierwszy w każdym wierszu:

• Terminal-Bench 2.1 — 87,9 vs 87,6, remis różnicą trzech dziesiątych

• DeepSWE — 67,0 vs 73,9, deficyt 6,9 punktu

• SWE-bench Pro — 60,6 vs 64,7, deficyt 4,1 punktu

• NL2Repo-Bench — 57,2 vs 62,7, deficyt 5,5 punktu

• APEX-Agents — 61,7 vs 69,2, deficyt 7,5 punktu

• WideSearch — 81,5 vs 86,3

• BrowseComp — 91,2 vs 93,8

• CyberGym — 84,3 vs 88,8

• τ³-bench Banking — 45,4 vs 47,4

• OSWorld v2.1 — 69,3 vs 70,1

• AutomationBench — 56,7 vs 57,8

Wzorzec na tej liście jest niewygodny dla nowszego modelu: w ogólnych zadaniach agentowych i kodowaniu DeepSeek V4.1 Flash wygrywa większość wierszy, często przewagą, która nie jest szumem. Model opublikowany dwa miesiące wcześniej przez laboratorium z publicznym raportem technicznym bije ciche wydanie w benchmarkach, które samo ciche wydanie wybrało do publikacji.

Wtedy tabela się odwraca. Wiersze, w których Sage prowadzi, to te naukowe i dokumentowe, a marginesy są zupełnie innego rzędu:

Harvey LAB — 25,0 vs 11,7, ponad dwukrotnie

• OfficeQA Pro V2 — 72,2 vs 69,7

• BabyVision — 75,8 vs 58,0, różnica 17,8 punktu

• OSWorld-G — 84,8 vs 61,4, różnica 23,4 punktu

• MLE-bench Lite — 90,3 vs 89,2

• Workspace-Bench-Lite — 67,1 vs 66,8

• GDPval — 78,0 vs 77,6

• SpreadsheetBench 2 — 37,1 vs 35,8

Dwa wzorce, i wskazują w przeciwnych kierunkach. W inżynierii oprogramowania i pracy agentów opartej na narzędziach w ogólnym środowisku DeepSeek V4.1 Flash jest mocniejszym modelem i same liczby InternLM to potwierdzają. W percepcji naukowej, pracy zawodowej opartej na dokumentach i graficznym sterowaniu pulpitem Sage-S2.1-Flash nie jest ledwie z przodu, lecz w innej lidze.

Dlaczego architektury miałyby dawać dokładnie taki podział

Te dwa modele rozwiązują różne problemy, a ich konfiguracje pokazują to, zanim zrobi to jakikolwiek benchmark.

DeepSeek V4.1 Flash to rdzeń o 552 miliardach parametrów i 16 miliardach aktywnych na token, zbudowany na tym, co DeepSeek nazywa przyczynową architekturą enkodera-dekodera: 40 warstw podzielonych równo na 20-warstwowy przyczynowy enkoder i 20-warstwowy dekoder. Ramy raportu technicznego dotyczą kompresji pamięci podręcznej KV — główne twierdzenie modelu dotyczy wydajności obsługi przy milionie tokenów, a nie percepcji. Przetwarza obrazy natywnie, ale jego publikowany nacisk kładzie się na ekonomikę obsługi długiego kontekstu.

Sage-S2.1-Flash to model z 320 miliardami parametrów, z 18 miliardami aktywnych na token i, zgodnie z jego przewodnikiem wdrożeniowym, 45 warstwami. Konfiguracja dzieli je ostro: 34 warstwy używają typu uwagi liniowej, który plik nazywa kda, a tylko 11 używa uwagi rzadkiej z indeksem top-k o rozmiarze 2048 tokenów. Istnieje 24-warstwowa wieża wizyjna przy wejściu 448 pikseli, a słownik tokenów zawiera jawne tokeny obrazu, wideo, dźwięku, początku i końca. Własny angielski materiał wydawniczy InternLM — hostowany na internlm.github.io/Sage-S2.1-Flash, utworzony 16 listopada, nieprzywołany przez kartę modelu — opisuje trening na grafach molekularnych, strukturach kryształów, sekwencjach białek i strukturach 3D, DNA i RNA, widmach, widmach masowych, dyfrakcji rentgenowskiej, elektrokardiogramach, elektroencefalogramach i krzywych blasku.

Skonfrontuj tę listę z wierszami, w których wygrywa Sage, a całość przestaje wyglądać jak łut szczęścia w benchmarku. Harvey LAB to praca prawna na dokumentach. OfficeQA Pro to odpowiadanie na pytania dotyczące dokumentów finansowych. BabyVision to percepcja wzrokowa. OSWorld-G to graficzne sterowanie pulpitem — klikanie w UI, a nie wywoływanie API. To właśnie te konstrukty, w których model trenowany na figurach naukowych, widmach, wykresach i interfejsach oprogramowania powinien być dobry, i dokładnie tam model trenowany do wydajnego pod względem pamięci podręcznej KV ogólnego serwowania powinien mieć słabsze wyniki.

Ta uwaga działa w obie strony. Sage przegrywa w wierszach dotyczących kodowania, ponieważ nie jest przede wszystkim modelem kodującym; DeepSeek przegrywa w wierszach dotyczących widzenia, ponieważ nie jest przede wszystkim modelem percepcji. Żaden z tych wyników nie jest skandalem. Błędem byłoby odczytywanie którejkolwiek kolumny jako ogólnego werdyktu.

Screenshot of the OrcaRouter model page for deepseek/deepseek-v4.1-flash. It shows a 1M-token context window, text and image input, vision, tools, JSON and reasoning tags, a release date of 2026-10-17, and the price row $0.15 input and $0.60 output per million tokens with a 1.20 s time to first token. The page states the model carries a context window of 1,048,576 tokens, can generate up to 384,000 tokens in a response, and is billed at $0.15 per 1M input and $0.60 per 1M output tokens.

Spread cenowy, który nie jest bliski

DeepSeek V4.1 Flash ma opublikowaną stawkę i jest to jedna z najniższych stawek spośród modeli tej wielkości:

• Poza godzinami szczytu, brak trafienia w pamięć podręczną — 0,15 USD za milion tokenów wejściowych, 0,60 USD za milion tokenów wyjściowych

• Szczyt, chybienie pamięci podręcznej — 0,30 USD za milion tokenów wejściowych, 1,20 USD za milion tokenów wyjściowych

• Trafienie w pamięć podręczną — 0,003 USD za milion poza szczytem, 0,006 USD w godzinach szczytu

• Godziny szczytu — 01:00–04:00 i 06:00–10:00 UTC, od poniedziałku do piątku, z wyłączeniem chińskich świąt państwowych

• Kontekst — 1 000 000 tokenów, z maksymalnie 384 000 tokenów wyjściowych

Sage-S2.1-Flash nie ma opublikowanej stawki. Nie ma ceny na karcie modelu, nie ma jej w przewodniku wdrożeniowym ani na mikrostronie wydania; link „Wypróbuj API” na tej stronie prowadzi do portalu, który nie wyrenderowałby swojego katalogu klientowi bez obsługi JavaScript. To, co Sage ma zamiast tego, to wymaganie sprzętowe: referencyjne wdrożenie z przewodnika to osiem GPU H200 w bfloat16, około 645 GB wag na węźle.

To sprawia, że porównanie kosztów przybiera kształt, a nie konkretną liczbę. DeepSeek V4.1 Flash kosztuje 0,15 USD za milion tokenów wejściowych poza godzinami szczytu, co oznacza, że prompt o długości miliona tokenów kosztuje piętnaście centów. Uruchomienie Sage-S2.1-Flash na milionie tokenów kosztuje tyle, ile kosztuje cię osiem H200 przez czas rzeczywisty, jaki zajmuje wywołanie, i nikt nie opublikował dla niego wartości przepustowości. Jeśli już posiadasz ten węzeł, koszt krańcowy wywołania jest bliski zeru i DeepSeek wygląda przy tym drogo. Jeśli go nie posiadasz, DeepSeek wygrywa z tak dużą przewagą, że porównanie z Sage nie ma sensu, dopóki nie pojawi się cena w modelu hostowanym.

Czego nie może ci powiedzieć wspólna tabela

Jedna właściwość porównania przygotowanego przez dostawcę zasługuje na wyraźne podkreślenie, ponieważ wpływa na to, jak należy czytać każdy wiersz powyżej: harness jest nieudokumentowany. InternLM opublikował liczby, a nie konfigurację uruchomienia. Nie ma żadnego stwierdzenia, ile prób przypadało na zadanie, jakiego szkieletu użyto, jakie były parametry próbkowania, czy dostępne były narzędzia ani jaki był budżet rozumowania w przypadku któregokolwiek z modeli. Własny wynik DeepSeeka 32,6 w Artificial Analysis Intelligence Index pochodzi z publicznego harnessu, który stosuje tę samą procedurę do każdego modelu w swoim indeksie; wynik 73,9 przyznany DeepSeekowi przez InternLM w DeepSWE pochodzi z prywatnego harnessu.

To nie czyni tabeli bezużyteczną. Czyni ją orientacyjną. Wiersze dotyczące kodowania i wiersze dotyczące widzenia są wystarczająco duże i wystarczająco spójne wewnętrznie, że wybory dotyczące scaffoldingu prawdopodobnie nie są ich źródłem. Z kolei remis przy różnicy trzech dziesiątych punktu w Terminal-Bench 2.1 mieści się dobrze w zakresie, jaki mogłaby wygenerować jakakolwiek zmienność harnessu — traktuj różnicę 0,3 punktu jako remis i nic nie tracisz.

Warto też zauważyć: InternLM opublikował wynik DeepSeek w DeepSWE (73,9), który jest wysoki na tle pozostałych wierszy dotyczących kodowania we własnej tabeli tej organizacji, gdzie DeepSeek osiąga 64,7 w SWE-bench Pro. Ta wewnętrzna niespójność to coś, co opublikowany harness rozwiązałby w jedno popołudnie, a prywatny nie rozwiąże jej w ogóle.

Screenshot of the Hugging Face model page for internlm/Sage-S2.1-Flash. The header shows the safetensors and glm5_next tags, an MIT licence, a model size of 321B params and a bfloat16 tensor type. The sidebar notes that the README exists but its content is empty, that the model is not deployed by any Inference Provider, and it lists the collection including internlm/Sage-S2.1-Flash. Download counts are not shown.

Wdrożenie: jedno popołudnie kontra jeden dokument

Jeśli dokonujesz wyboru na podstawie względów operacyjnych, a nie wierszy benchmarków, luka jest większa, niż sugerują wyniki, i układa się w tym samym kierunku co luka w dowodach.

DeepSeek V4.1 Flash jest dostarczany z raportem technicznym, standardową architekturą transformers, wariantem fp8 oraz tagami wdrożeniowymi dla Azure i SageMaker na swojej karcie modelu. Jest dostępny od dwóch miesięcy, ma 1,69 mln pobrań, a każdą jego osobliwość związaną z serwowaniem ktoś już napotkał i opisał.

Sage-S2.1-Flash jest dostarczany z przewodnikiem wdrożeniowym, który — jeśli czytać go uważnie — jest listą cichych awarii. Pominięcie --trust-remote-code powoduje, że standardowy tokenizer koduje ciągi agentowe, takie jak <|user|> i <tool_call>, jako tokeny kontrolne — model zatrzymuje się wcześniej lub uszkadza wywołanie narzędzia, a nic nie jest logowane. Uruchomienie go na vLLM bez jednoplikowej łatki w vllm_patch/ sprawia, że równoległe wyniki narzędzi zwracane poza kolejnością przypisują obrazy do niewłaściwego wyniku, więc model odpowiada o niewłaściwym obrazie; poprawka upstream jest w toku jako vllm-project/vllm#67108. Uruchomienie go na SGLang bez jawnego przekazania chat_template.jinja powoduje, że silnik instaluje własny szablon dla tej architektury. Na Hopperze FP8 KV cache nie jest obsługiwany. LMDeploy wymaga przypięcia transformers do wersji między 5.17 a 5.19, ponieważ w 5.19 zmieniono nazwę typu warstwy.

Wszystko to jest udokumentowane, co świadczy na korzyść laboratorium — to więcej, niż udaje się większości cichych wydań. Ale to także odcisk palca modelu, który wciąż jest serwowany wyłącznie przez jego własnych autorów.

Jedyna użyteczna rzecz, którą rozstrzyga wspólny stół

Biorąc pod uwagę wszystko powyższe, oto decyzja, którą dowody faktycznie popierają.

• Jeśli Twoja praca to kod, narzędzia agentowe lub ogólna obsługa długiego kontekstu — DeepSeek V4.1 Flash. Wygrywa większość tych pozycji w tabeli samego rywala, kosztuje 0,15 USD za milion tokenów wejściowych poza szczytem i ma niezależny wynik do porównania. Nie ma tu poważnych argumentów za Sage.

• Jeśli Twoja praca to naukowe ryciny, widma, wykresy, zeskanowane dokumenty branżowe lub oprogramowanie sterowane przez GUI — Sage-S2.1-Flash jest wart weekendu. Różnica 23 punktów w OSWorld-G i 13 punktów w Harvey LAB to tego rodzaju przewaga, która przesądza o tym, czy dane zadanie da się w ogóle zautomatyzować, a żaden inny model w tabeli InternLM nie zbliża się do niego w tych wierszach.

• Jeśli musisz zdecydować już dziś — DeepSeek V4.1 Flash, ponieważ jako jedyny z tych dwóch możesz go wywołać bez okna konserwacyjnego.

DeepSeek V4.1 Flash jest kierowany w OrcaRouter jako deepseek/deepseek-v4.1-flash w cenie 0,15 USD za tokeny wejściowe i 0,60 USD za tokeny wyjściowe za milion tokenów — przekazywana bez narzutu własna cena katalogowa DeepSeek obowiązująca poza godzinami szczytu — z kontekstem 1 048 576 tokenów, obok snapshotu 1017 w tej samej stawce. Sage-S2.1-Flash nie ma w naszym katalogu; to otwarte wagi, które serwowałbyś samodzielnie, i nie zamierzamy sugerować inaczej.

To, co daje ci tutaj router, jest węższe niż migracja i bardziej użyteczne niż benchmark. Podział opisany w tym artykule — ogólna praca agentowa i programistyczna do jednego modelu, praca naukowa i w dużej mierze oparta na GUI do drugiego — to dokładnie kształt, który wyraża polityka routingu: jeden endpoint, reguła kierująca żądania zawierające obrazy i dokumenty na wyspecjalizowaną ścieżkę oraz automatyczne przełączanie awaryjne, które nie pozwala, by degradacja po stronie dostawcy położyła całą ścieżkę. Oba identyfikatory DeepSeek działają na tym samym kluczu, więc wypróbowanie snapshotu 1017 względem oryginału kosztuje zmianę ciągu modelu, a nie drugi kontrakt. Element, którego nie możesz routować — Sage-S2.1-Flash — jest tym, który musiałbyś uruchomić samodzielnie, co jest najczystszym argumentem za tym, by najpierw prototypować na tym, co jest w katalogu.

Co sprawiłoby, że warto byłoby przepisać tę stronę?

Dwie rzeczy. Cena za Sage-S2.1-Flash, która zamieniłaby sekcję kosztów z ogólnikowego opisu w arytmetykę. Oraz niezależny wynik, najlepiej na tym samym harnessie, który dał DeepSeek V4.1 Flash 32,6 — bo ciekawe pytanie nie brzmi, czy Sage średnio bije DeepSeek. Wszystko powyższe sugeruje, że nie. Ciekawe pytanie brzmi, czy 23-punktowa przewaga Sage w OSWorld-G przetrwa harness, którego nie napisało laboratorium, które go opublikowało, i czy 6,9-punktowy deficyt w DeepSWE jest tak realny, jak sugerują wiersze dotyczące kodowania w samej tabeli Sage.

Dopóki ktoś nie uruchomi ponownie tych wierszy, wspólna tablica wyników jest najlepszym dostępnym dowodem, a zbudował ją jeden z dwóch konkurentów. Czytaj ją tak, jak czytałbyś każde samodzielnie opublikowane porównanie, które przypadkiem zawiera także własne porażki: jest bardziej godna zaufania niż tabela bez żadnych porażek, a mimo to nadal nie jest tym samym co pomiar.

Porównane w tym artykule1

Wykryto na podstawie tego artykułu · Benchmarki: Artificial Analysis · aktualizowane codziennie