DeepSeek V4.1 Flash vs Kimi K3: Lendo a Alegação, Depois as Evidências

DeepSeek V4.1 Flash chegou com uma alegação específica e verificável: a de que supera Kimi K3 em benchmarks de cibersegurança e programação — e, nas linhas que o fornecedor selecionou, supera. Terminal-Bench 2.1: 90,6 contra 88,3. CyberGym: 88,1 contra 80,0. DeepSWE v1.1: 74,2 contra 67,5. NL2Repo-Bench: 65,4 contra 58,0. Cada um desses números da DeepSeek vem da própria estrutura de avaliação da DeepSeek, no nível de esforço de raciocínio definido pela própria DeepSeek, e cada um dos números do Kimi K3 comparados a ele veio de outro lugar. Isso não é motivo para descartar a alegação. É o motivo pelo qual a alegação precisa ser destrinchada antes que você compre qualquer coisa com base nela.

Eis como as bases de evidências dos dois modelos realmente se parecem, o que acontece quando você as coloca em uma mesma escala, e o único número que sobrevive a todas as versões dessa comparação.

Duas bases de evidências que quase não se sobrepõem

Esta é a parte incomum deste confronto, e explica a maior parte da discordância que você encontrará online.

A DeepSeek publicou uma tabela de benchmarks de lançamento. Terminal-Bench 2.1, DeepSWE v1.1, CyberGym, ProgramBench, NL2Repo-Bench, Automation-Bench — todos reportados pelo fornecedor. São as linhas que a DeepSeek escolheu executar, em harnesses configurados pela DeepSeek, com a própria DeepSeek a definir o esforço de raciocínio. Vale a pena saber isto antes de as comparar com qualquer coisa: a Artificial Analysis descobriu que executar estas suites com esforço de raciocínio máximo consome cerca de 2,5 vezes mais tokens de saída do que uma configuração de nível intermédio, recuperando ao mesmo tempo a maior parte da precisão abaixo dessa configuração. Uma tabela de fornecedor com esforço máximo é uma medição de teto, não uma típica.

Os números do Kimi K3, em sua maioria, não são da Moonshot. A Artificial Analysis executou seu próprio harness e publicou resultados por benchmark em uma escala comparável entre todos os modelos que acompanha: GPQA Diamond 93,5, Humanity's Last Exam 46,9, Long-Context Recall 88,7, SciCode 59,5, Terminal-Bench 2.1 85,0 — além de um índice composto. Essas são medições de terceiros.

Então, "DeepSeek supera o Kimi K3 em programação" se resume a algo mais restrito do que parece. No harness da DeepSeek, o modelo da DeepSeek vence as linhas de programação que a DeepSeek selecionou. Isso é um sinal real — fornecedores normalmente não publicam tabelas em que perdem —, mas é uma classe diferente de evidência de uma suíte executada de forma independente, e as duas nunca deveriam aparecer na mesma coluna sem um rótulo.

Em uma escala, a diferença é de quatro pontos

Coloque ambos no Intelligence Index da Artificial Analysis e o cenário é mais apertado do que o marketing de qualquer um dos lados sugere. Kimi K3 marca 44. DeepSeek V4.1 Flash marca 40.

Quatro pontos. Nas linhas por benchmark, a liderança do Kimi K3 é consistente e concentrada onde o raciocínio de longo horizonte aparece: Humanity's Last Exam 46,9 contra 36,8, SciCode 59,5 contra 51,9, GPQA Diamond 93,5 contra os 90,9 relatados pelo fornecedor do DeepSeek, Long-Context Recall 88,7 contra 84,0. O Kimi K3 também ocupa o segundo lugar no ranking da Artificial Analysis com 113 modelos, contra o DeepSeek V4.1 Flash em sexto.

Essas são lacunas genuínas, independentes e reproduzíveis. Nenhuma vantagem de preço as resolve para uma tarefa que depende delas.

Eles também estão a quatro pontos — a mesma diferença de quatro pontos que separa o DeepSeek V4.1 Flash do Grok 4.6, e menor que a diferença de cinco pontos que o separa do Qwen3.8-Max. Uma variação de quatro pontos num índice composto é uma faixa estreita. Ela diz que o Kimi K3 é o modelo mais forte e não chega nem a dizer que essa força se manifesta na sua carga de trabalho.

O número que sobrevive a todas as versões desta comparação

Custo por tarefa do Índice de Inteligência, medido pela mesma organização que produziu o índice: US$ 0,27 para o DeepSeek V4.1 Flash, US$ 2,00 para o Kimi K3.

7,4x. Essa é a diferença mais ampla, mais robusta e mais passível de verificação cruzada entre estes dois modelos e, ao contrário das linhas de benchmark, ela não depende de quem executou o harness — as contagens de tokens são as contagens de tokens.

Isso também varia conforme o quão agêntica é a sua carga de trabalho. O valor de $2,00 vem de uma suíte mista; no benchmark de codificação agêntica da Vals AI, a diferença relatada aumenta para cerca de 40x, $0,41 por tarefa contra $17,59, com a execução do DeepSeek terminando em cerca de 15 minutos contra aproximadamente 90 minutos. Quanto mais você se afasta de um único prompt e resposta em direção a um longo loop de chamadas de ferramentas, mais os dois modelos de precificação divergem — porque é aí que o cache e o volume de saída dominam a conta.

• Tarifa — DeepSeek V4.1 Flash $0,15/$0,60 por 1M fora de pico ($0,30/$1,20 em pico, dias úteis 01:00–04:00 e 06:00–10:00 UTC) vs Kimi K3 $3,00/$15,00 por 1M, fixo

• Desconto de cache — 98% vs 90%; leitura de cache $0,003 por 1M vs $0,30 por 1M

• Contexto — 1.048.576 tokens em ambos, e nenhum dos dois aplica sobretaxa de contexto longo

• Taxa de transferência — 214,4 tokens/seg vs 34,7, uma diferença de 6,2x

• Verbosidade — 250M tokens de saída em todo o índice vs 160M

• Parâmetros — 552B no total, 8B ativos no prefill e 16B no decode, versus 2,8T no total com 16 de 896 especialistas ativos por token

• Amostragem — superfície completa de temperature / top_p / seed versus nenhuma; o Kimi K3 expõe apenas reasoning_effort e o modo de pensamento não pode ser desativado

• Licença — MIT vs MIT Modificada, que acrescenta termos de marca acima de 100 milhões de usuários mensais ou US$ 20 milhões de receita mensal

Onde o lado barato é genuinamente pior

Dois custos estão no lado do DeepSeek do livro-razão, e ambos são fáceis de passar despercebidos.

Verbosidade. O DeepSeek V4.1 Flash emitiu 250M tokens de saída no Intelligence Index, contra 160M do Kimi K3. Aqui, a saída é cobrada a 4x a entrada. Um modelo que é vinte vezes mais barato por token, mas fala uma vez e meia mais, não é vinte vezes mais barato — e é exatamente por isso que o número honesto fica em 7,4x, e não nos 20x que a tabela de preços sugere. O DeepSeek é o modelo mais verboso desta comparação; o Grok 4.6 é o menos, com 94M.

Velocidade. A tabela de preços diz que o DeepSeek é mais barato. O relógio também diz que ele é 6,2x mais rápido — 214,4 tokens/seg contra 34,7 do Kimi K3. O modo de pensamento do Kimi K3 não pode ser desativado e seu esforço de raciocínio é definido como máximo por padrão, então não há um caminho barato e rápido para recorrer nas chamadas fáceis. Você compra raciocínio de ponta em cada requisição, precise ela disso ou não. Em uma tarefa difícil de programação, isso é o produto. Em uma passagem de classificação, é desperdício.

O que o tráfego diz, que nenhum benchmark captura

Nossos próprios dados de roteamento acrescentam o único sinal que nem fornecedor nem analista consegue produzir. Nos últimos sete dias, o Kimi K3 movimentou cerca de 3,04 bilhões de tokens pelo OrcaRouter. O DeepSeek V4.1 Flash movimentou cerca de 59,1 bilhões — aproximadamente dezenove vezes mais, em um modelo que está no ar há menos de uma semana.

Parte disso é estrutural. A DeepSeek está encaminhando todas as solicitações do V4 Pro para o V4.1 Flash e cobrando por elas às tarifas do Flash até o V4.1 Pro ser lançado, de modo que uma grande base instalada foi migrada para ele sem que ninguém tivesse escolhido nada. Mas o volume resultante ainda é a evidência mais clara disponível de que um número enorme de cargas de trabalho de produção já estavam sendo atendidas bem o suficiente pelo modelo mais barato — e esse é um veredito que os benchmarks não podem dar, porque os benchmarks medem o que um modelo pode fazer, e o tráfego mede o que as equipes estavam dispostas a colocar diante de usuários pagantes.

Escolhendo entre eles

Ambos ficam atrás do mesmo endpoint compatível com OpenAI no OrcaRouter, e é isso que torna a divisão prática em vez de um projeto de migração: encaminhe a sessão de codificação de horizonte longo, em que a vantagem de raciocínio do Kimi K3 vale o custo, e o tráfego agêntico e de trabalho de conhecimento de alto volume, em que os dois estão dentro de quatro pontos do índice, para o DeepSeek V4.1 Flash. Como o gateway repassa a tarifa do provedor sem margem, o custo por token que você vê é o do próprio fornecedor — vale a pena verificar duas vezes por dia no lado do DeepSeek, já que suas janelas de pico dobram a tarifa nas manhãs de dias úteis em UTC.

O veredito segue as evidências, e não a tabela de lançamento. Se o seu trabalho consiste em uma única chamada de raciocínio difícil — uma questão científica, um algoritmo novo, um documento que você não pode se dar ao luxo de interpretar errado —, o Kimi K3 é o modelo mais forte, as diferenças independentes são consistentes, e o preço é secundário. Se o seu trabalho é um agente de programação, um longo loop de chamadas de ferramentas, ou qualquer coisa com um grande prefixo em cache reproduzido em volume, os dois são próximos o suficiente em capacidade para que o custo se torne o critério decisivo, e aí a diferença vai de 7,4x a cerca de 40x, dependendo de quão agêntica é a tarefa.

A própria tabela de benchmarks da DeepSeek exagera o quão limpa é essa vitória. O preço não.