DeepSeek V4.1 Flash против Kimi K3: сначала читаем утверждение, затем доказательства

DeepSeek V4.1 Flash появился с конкретным, проверяемым заявлением: он превосходит Kimi K3 в бенчмарках по кибербезопасности и программированию — и в тех строках, которые отобрал вендор, действительно превосходит. Terminal-Bench 2.1: 90,6 против 88,3. CyberGym: 88,1 против 80,0. DeepSWE v1.1: 74,2 против 67,5. NL2Repo-Bench: 65,4 против 58,0. Каждая из этих цифр DeepSeek получена в собственном харнессе DeepSeek при собственном уровне усилий DeepSeek на рассуждения, а каждая из цифр Kimi K3, с которыми их сравнивают, взята откуда-то ещё. Это не повод отмахнуться от заявления. Это причина, по которой заявление нужно разобрать по частям, прежде чем что-то покупать, полагаясь на него.

Вот как на самом деле выглядят доказательные базы двух моделей, что происходит, когда вы помещаете их на одну шкалу, и то единственное число, которое сохраняется во всех версиях этого сравнения.

Две базы доказательств, которые едва пересекаются

Это необычная часть этого противостояния, и она объясняет большинство разногласий, которые вы найдёте в интернете.

DeepSeek опубликовала стартовую таблицу бенчмарков. Terminal-Bench 2.1, DeepSWE v1.1, CyberGym, ProgramBench, NL2Repo-Bench, Automation-Bench — все по данным вендора. Это те строки, которые DeepSeek выбрала для запуска, на стендах, которые DeepSeek настроила сама, причём DeepSeek сама задавала уровень усилий на рассуждение. Стоит иметь в виду, прежде чем сравнивать их с чем-либо: Artificial Analysis обнаружила, что запуск этих наборов при максимальном уровне усилий на рассуждение потребляет примерно в 2,5 раза больше выходных токенов, чем при среднем уровне, при этом достигая большей части точности, доступной ниже него. Вендорская таблица при максимальном уровне усилий — это измерение верхней границы, а не типичное.

Цифры Kimi K3 в основном не от Moonshot. Artificial Analysis запустила собственный тестовый стенд и опубликовала результаты по каждому бенчмарку по шкале, сопоставимой для всех моделей, которые она отслеживает: GPQA Diamond — 93.5, Humanity's Last Exam — 46.9, Long-Context Recall — 88.7, SciCode — 59.5, Terminal-Bench 2.1 — 85.0, а также сводный индекс. Это измерения третьей стороны.

Итак, «DeepSeek превосходит Kimi K3 в программировании» сводится к чему-то более узкому, чем звучит. В тестовом стенде DeepSeek модель DeepSeek побеждает в тех строках по программированию, которые отобрала DeepSeek. Это реальный сигнал — вендоры обычно не публикуют таблицы, в которых проигрывают, — но это иной класс доказательств, чем независимо проведённый набор тестов, и эти два никогда не должны оказываться в одном столбце без пометки.

По одной шкале разрыв составляет четыре пункта.

Если поставить оба в Intelligence Index от Artificial Analysis, картина окажется плотнее, чем предполагает маркетинг обеих сторон. Kimi K3 набирает 44. DeepSeek V4.1 Flash набирает 40.

Четыре пункта. В строках по каждому бенчмарку преимущество Kimi K3 последовательно и сосредоточено там, где проявляется долгосрочное рассуждение: Humanity's Last Exam 46,9 против 36,8, SciCode 59,5 против 51,9, GPQA Diamond 93,5 против 90,9 по данным производителя DeepSeek, Long-Context Recall 88,7 против 84,0. Kimi K3 также занимает второе место в рейтинге Artificial Analysis из 113 моделей, тогда как DeepSeek V4.1 Flash — на шестом.

Это подлинные, независимые, воспроизводимые пробелы. Никакое ценовое преимущество не закроет их для задачи, которая от них зависит.

Они также составляют четыре пункта — тот же четырёхпунктовый разрыв, который отделяет DeepSeek V4.1 Flash от Grok 4.6, и меньше пятипунктового разрыва, отделяющего его от Qwen3.8-Max. Четырёхпунктовый разброс по составному индексу — это узкий диапазон. Он говорит вам, что Kimi K3 — более сильная модель, и вовсе не говорит о том, что это преимущество проявится в вашей рабочей нагрузке.

Число, которое сохраняется в каждой версии этого сравнения

Стоимость выполнения одной задачи Intelligence Index по оценке той же организации, которая составила индекс: $0,27 для DeepSeek V4.1 Flash и $2,00 для Kimi K3.

7,4x. Это самое большое, самое надёжное и наиболее поддающееся перекрёстной проверке различие между этими двумя моделями, и, в отличие от строк бенчмарков, оно не зависит от того, чей стенд его запускал, — количество токенов — это количество токенов.

Это также зависит от того, насколько агентной является ваша рабочая нагрузка. Цифра $2.00 получена из смешанного набора; на агентном бенчмарке Vals AI по кодингу заявленный разрыв увеличивается примерно до 40x — $0.41 за задачу против $17.59, при этом прогон DeepSeek завершается примерно за 15 минут против примерно 90. Чем дальше вы уходите от одного запроса и ответа к длинному циклу вызова инструментов, тем сильнее расходятся две модели ценообразования — потому что именно там кэширование и объём вывода начинают доминировать в счёте.

• Ставка — DeepSeek V4.1 Flash $0,15/$0,60 за 1 млн в непиковые часы (в пиковые $0,30/$1,20, по будням 01:00–04:00 и 06:00–10:00 UTC) против Kimi K3 $3,00/$15,00 за 1 млн, фиксированно

• Скидка на кэш — 98% против 90%; чтение из кэша $0,003 за 1 млн против $0,30 за 1 млн

• Контекст — 1,048,576 токенов у обоих, и ни один не взимает надбавку за длинный контекст

• Пропускная способность — 214,4 токена/с против 34,7, разрыв в 6,2 раза

• Многословность — 250 млн выходных токенов по всему индексу против 160 млн

• Параметры — 552B всего, 8B активных на предзаполнении и 16B на декодировании, против 2,8T всего, где 16 из 896 экспертов активны на каждый токен

• Сэмплирование — полный набор параметров temperature / top_p / seed или полное их отсутствие; Kimi K3 предоставляет только reasoning_effort, а режим thinking невозможно отключить

• Лицензия — MIT против Modified MIT, которая добавляет условия о брендинге при превышении 100 млн месячных пользователей или $20 млн месячной выручки

Где дешёвая сторона действительно хуже

На стороне DeepSeek в бухгалтерской книге есть две статьи затрат, и обе легко упустить.

Многословность. DeepSeek V4.1 Flash сгенерировала 250 млн выходных токенов в рамках Intelligence Index против 160 млн у Kimi K3. Выходные токены здесь тарифицируются в 4 раза дороже входных. Модель, которая в двадцать раз дешевле за токен, но говорит в полтора раза больше, не становится в двадцать раз дешевле — именно поэтому честная цифра оказывается на уровне 7,4x, а не 20x, которые подразумевает тарифная сетка. DeepSeek — самая многословная модель в этом сравнении; Grok 4.6 — наименее многословная, с 94 млн.

Скорость. В тарифной сетке указано, что DeepSeek дешевле. А секундомер говорит, что он ещё и в 6,2 раза быстрее — 214,4 токена/с против 34,7 у Kimi K3. Режим мышления Kimi K3 нельзя отключить, а его усилие рассуждения по умолчанию установлено на максимум, поэтому нет дешёвого быстрого пути, на который можно переключиться для простых вызовов. Вы покупаете передовое рассуждение при каждом запросе, нужен он запросу или нет. На сложной задаче по программированию это и есть продукт. На проходе классификации это напрасная трата.

Что говорит трафик, чего не уловит ни один бенчмарк

Наши собственные данные маршрутизации добавляют тот единственный сигнал, который не может дать ни поставщик, ни аналитик. За последние семь дней объём Kimi K3 через OrcaRouter составил около 3,04 млрд токенов. Объём DeepSeek V4.1 Flash составил около 59,1 млрд — примерно в девятнадцать раз больше, и это в модели, которая запущена меньше недели.

Отчасти это структурно. DeepSeek направляет все запросы V4 Pro на V4.1 Flash и выставляет за них счёт по тарифам Flash, пока не выйдет V4.1 Pro, поэтому большая установленная база была переведена на него, хотя никто ничего не выбирал. Но получившийся объём всё равно остаётся самым ясным из доступных свидетельств того, что огромное количество рабочих нагрузок в продакшене уже обслуживалось достаточно хорошо более дешёвой моделью — и это вердикт, которого не могут дать бенчмарки, потому что бенчмарки измеряют, на что способна модель, а трафик измеряет то, что команды были готовы поставить перед платящими пользователями.

Выбирая между ними

Обе находятся за одним и тем же OpenAI-совместимым эндпоинтом на OrcaRouter, и именно это делает такое разделение практичным, а не миграционным проектом: направляйте длительные сессии программирования, где преимущество Kimi K3 в рассуждениях стоит того, чтобы за него платить, и высоконагруженный трафик агентных задач и задач интеллектуального труда, где разница между ними не превышает четырёх индексных пунктов, — на DeepSeek V4.1 Flash. Поскольку шлюз передаёт ставку провайдера без наценки, цена за токен, которую вы видите, — это собственная цена вендора; её стоит проверять дважды в день на стороне DeepSeek, так как в периоды пиковой нагрузки его ставка удваивается по утрам в будние дни по UTC.

Вердикт следует за доказательствами, а не за таблицей запуска. Если ваша работа — это один сложный вызов рассуждения — научный вопрос, новый алгоритм, документ, где ошибка при чтении недопустима, — то Kimi K3 — более сильная модель, разрывы в независимых тестах согласуются, а цена вторична. Если ваша работа — это агент для программирования, длинный цикл вызовов инструментов или что-либо с большим кэшированным префиксом, воспроизводимым в больших объёмах, то эти две модели достаточно близки по возможностям, так что затраты становятся решающим критерием, и здесь разрыв составляет от 7.4x до примерно 40x в зависимости от того, насколько агентной является задача.

Собственная таблица бенчмарков DeepSeek преувеличивает, насколько чистой вышла эта победа. А вот цена — нет.