MiniMax M3.1 Flash против DeepSeek V4.1 Flash: в чём на самом деле совпадают две таблицы от вендоров

Две строки. Именно столько от таблицы запуска MiniMax выдерживает сравнение с собственными опубликованными цифрами DeepSeek, и об этом стоит сказать прямо, прежде чем повторять громкие заявления обеих компаний: на двух бенчмарках, где MiniMax M3.1 Flash и DeepSeek V4.1 Flash — чекпоинт 1017, выпущенный DeepSeek двумя днями ранее — обе лаборатории опубликовали оценку по одному и тому же тесту, более новая модель отстаёт. MiniMax выпустила M3.1 Flash 19 октября 2026 года с таблицей, охватывающей агентные задачи, программирование, использование компьютера и кибербезопасность, и заявлением о межпоколенческом скачке по сравнению со своей предыдущей моделью. DeepSeek выпустила V4.1 Flash 1017 17 октября 2026 года с карточкой модели, где делается то же самое. Самое интересное при их сопоставлении — не то, кто побеждает. А то, как мало в каждой таблице вообще предназначено для сравнения.Таблицы вендоров — это один тип доказательств, а записи об инцидентах — другой, поэтому сбои, стоящие за подобными релизами, каталогизированы в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, оценку уверенности и флаг спорности.

Что M​iniMax на самом деле оценил в цифрах

Пост M​iniMax конкретнее большинства. В нём сразу приводятся шесть цифр: BankerToolBench 76.2, DeepSWE v1.1 73.7%, OSWorld V2 61.7, Agents' Last Exam 29.6, CyberGym 82%, а также заявление о лучшей производительности на Automation-Bench без указания оценки в тексте резюме. Рядом с ними — два заявления о пропускной способности: примерно в три раза более быстрый онлайн-инференс, чем у модели, которую он заменяет, и более 200 токенов в секунду при P50 выше 170, — а также заявление о снижении стоимости на 70% на агентных задачах. Всё это заявлено производителем и не воспроизведено. M​iniMax сам это запускал, M​iniMax сам это опубликовал, а название тестового стенда упоминается только в сносках.

Именно в сноске таблица начинает рассыпаться. По словам M​iniMax, BankerToolBench оценивался с использованием харнесса OpenCode 1.1718, а оценивала его MiniMax-M2.7 — её собственная более старая модель. Это бенчмарк с самооценкой: модель M​iniMax оценивает результаты, полученные моделью M​iniMax, на наборе задач, который выбрала M​iniMax. Возможно, он проведён безупречно. Но это не доказательство, которое можно предъявить лаборатории, публикующей результаты на харнессе, который поддерживает кто-то другой.

Две строки, которые совпадают

DeepSWE v1.1 — единственный по-настоящему общий показатель. Обе лаборатории сообщают о нём, и обе называют харнесс: DeepSeek указывает Mini-SWE-V2 в карточке модели, MiniMax сообщает о той же версии бенчмарка. MiniMax заявляет 73,7%. DeepSeek заявляет 77,0% для контрольной точки 1017 против 74,2% для выпуска V4.1 Flash, который она заменила. Так что рейтинг здесь недвусмыслен и не льстит более новой модели: выпуск DeepSeek от 17 октября опережает выпуск MiniMax от 19 октября на единственном бенчмарке для кодинг-агентов, который обе компании измеряли одинаковым образом, и при этом опережает свой собственный предыдущий выпуск почти на три пункта.

«Agents' Last Exam» рассказывает ту же историю, но с большим отрывом. M​iniMax сообщает 29,6. D​eepSeek сообщает 35,4 для 1017 — рост с 31,8 у предыдущего чекпойнта. Это разрыв в пять пунктов на бенчмарке, задуманном как сложный для агентов, и это вторая подряд строка, где модель, которая на два дня старше, уверенно лидирует.

Всё остальное в двух таблицах либо измерено на другом стенде, либо оценено другой моделью, либо опубликовано только одной стороной. В карточке DeepSeek указаны Terminal-Bench 4.0 — 42.3 в обвязке Claude Code, HLE без инструментов — 42.6, ProgramBench — 29.1, Apex Bench v1.1 — 72.1 и Automation-Bench v1.0.6 — 60.5. В публикации MiniMax вообще не приводится показатель Terminal-Bench 4.0, а её строка Automation-Bench находится под сноской о 600 публично выпущенных задачах, а не рядом с сопоставимым числом, которое мы могли бы уверенно приписать при том разрешении, в котором отображается публикация. Две из этих строк можно проверить. Остальные — это два разных экзамена с одинаковым названием на обложке.

Где таблица M​iniMax сильна, а таблица D​eepSeek молчит

Было бы ошибкой воспринимать две общие строки как полную картину, ведь обе они относятся к строкам рассуждений по кодингу и агентным задачам, а позиционирование MiniMax шире. OSWorld V2 с 61,7 — это показатель computer-use, который DeepSeek не публикует, и MiniMax заявляет о первом месте среди китайских моделей по нему. CyberGym с 82% — это показатель security-агента, который DeepSeek тоже не публикует. BankerToolBench 76.2 измеряет выбор инструментов в условиях бизнес-процесса, который не покрывает ни карточка DeepSeek, ни Artificial Analysis. На этой территории MiniMax не проигрывает; она не имеет конкурентов. Отсутствие конкурентов — не то же самое, что лидерство, и собственное резюме вендора — «достижение уровня ведущих моделей» — это заявление о паритете, а не о преимуществе.

Ещё одна вещь, на которую стоит обратить внимание в таблице запуска, — это то, как в ней обходятся с конкурентами. В опубликованной инфографике столбец MiniMax поставлен рядом с DeepSeek, Kimi-K3, GLM-5.3, GPT-5.6 Sol и Opus 5, и числа в этих столбцах — это опубликованные самими другими лабораториями значения, а не цифры, полученные MiniMax. Это обычная практика, и это не нечестно, но означает, что любое сравнение между столбцами на этом изображении наследует ту тестовую обвязку, которую использовала каждая лаборатория. Таблица, в которой выстроены шесть моделей, побуждает читать поперёк строк. Только две из этих строк были построены так, чтобы их можно было читать поперёк.

Ценовая история разворачивается в обратную сторону, и это реальность.

В плане денег у MiniMax более чистая ценовая карта. M3.1 Flash стоит $0,15 за миллион входных токенов и $0,60 за миллион выходных, кэшированный ввод — $0,015 (скидка 90%), и никакой зависимости от времени суток. DeepSeek V4.1 Flash 1017 заявляет $0,30 и $1,20 в пиковые окна рабочих дней, снижая цены вдвое — до $0,15 и $0,60 — вне пика, а попадания в кэш стоят $0,006 и $0,003 соответственно. В пиковые часы DeepSeek стоит вдвое дороже, чем MiniMax берёт за тот же миллион токенов. Вне пика обе тарифные карты одинаковы. Нагрузка, которая запускается по контролируемому вами расписанию, может подстраиваться под дешёвое окно DeepSeek; нагрузка, которая работает тогда, когда работают ваши пользователи, — нет.

Artificial Analysis называет цифру для разницы, которая сохраняется после ценовых игр: $0.22 на выполнение одной задачи Intelligence Index на M3.1 Flash против $0.26 на DeepSeek V4.1 Flash 1017. Это разрыв в 15% в пользу M​iniMax в рамках одной и той же оценки, и это единственное экономическое утверждение в этом сравнении, которое измерено независимо, а не заявлено производителем. Это важно, потому что ценник за токен этого не показывает. $0.30/$1.20 у D​eepSeek выглядят как штраф в 2 раза, а ведут себя как штраф в 15%, потому что M​iniMax сжигает 180 млн выходных токенов при прогоне индекса против 210 млн у D​eepSeek, и потому что D​eepSeek примерно вдвое быстрее — 208,7 токена в секунду против примерно 105. Две модели, две философии ценообразования и реальная разница в стоимости — восемнадцать центов за одну оценку.

Именно здесь и оправдывает себя слой маршрутизации — так, что это легко сформулировать и трудно сделать вручную. OrcaRouter передаёт списочную цену провайдера без наценки — 0 %, поэтому, когда любая из лабораторий меняет тариф, цифра в вашем счёте меняется в тот же день, а не при следующем продлении контракта, — и на карточке с пиковым окном это разница между бюджетом, который вы задаёте один раз, и бюджетом, который вы перепроверяете каждый час. Мы не держим M​iniMax M3.1 Flash или DeepSeek V4.1 Flash 1017 в каталоге сегодня, и эта статья не утверждает, что мы это делаем; семейство D​eepSeek, которое мы маршрутизируем, — это другой чекпоинт, и эту разницу стоит держать в голове, когда именно строка модели — то, к чему привязан ваш код.

Два числа, которых нет в таблице бенчмарка

Первый — скорость. MiniMax утверждает, что достигает более 200 токенов в секунду, а P50 — выше 170. Artificial Analysis на собственном стенде измеряет примерно 105 токенов в секунду при времени до первого токена 1,38 секунды. DeepSeek показывает 208,7 токена в секунду при 1,07 секунды. Заявления поставщиков о пропускной способности почти всегда измеряются в лучшем случае, который может обеспечить стек обслуживания; независимая цифра — та, которая проявляется в вашем p95. В этом измерении собственное утверждение MiniMax и измеренный результат не близки, а измеренный результат вдвое меньше, чем у DeepSeek.

Второй момент — лицензия. DeepSeek V4.1 Flash 1017 распространяется по лицензии MIT, веса доступны на Hugging Face, общее число параметров — 552 млрд против 16 млрд активных. M​iniMax говорит, что веса M3.1 Flash «будут выпущены позже», и не приложила к этому обещанию ни даты, ни лицензии, ни числа параметров. Если ваша закупка проходит через проверку безопасности, в рамках которой спрашивают, что произойдёт, если поставщик исчезнет, то таблица бенчмарков — это не тот вопрос, на который вы отвечаете, а в таблице, которую вам дали, ответа нет.

Что могло бы изменить это прочтение?

Три вещи, в порядке того, насколько сильно они бы имели значение. Независимые прогоны DeepSWE v1.1 и Agents' Last Exam на чекпоинте M​iniMax позволили бы определить, являются ли 73,7 и 29,6 консервативными или щедрыми — сейчас никто за пределами двух лабораторий не опубликовал ни то, ни другое. Опубликованный M​iniMax результат Automation-Bench на том же релизе из 600 задач, который использовал D​eepSeek, дал бы утверждению об агентных возможностях цифру, которой ему сейчас не хватает. А выпуск весов с приложенной лицензией сделал бы модель сопоставимой по параметру, где у D​eepSeek сейчас вообще нет конкуренции.

А до тех пор честное резюме окажется более узким, чем любой из постов о запуске. M​iniMax M3.1 Flash — это более дешёвая модель для выполнения задачи, более медленная в общении, закрытая для приобретения и — по единственным двум бенчмаркам, которые обе компании измеряли одинаково, — занявшая второе место. Это не та история, ради которой составлялась таблица, но именно эту историю таблица и содержит. Если на этой неделе вы выбираете между ними, выбирайте по ценнику и лицензии, потому что это те две строки, в которых никого не пришлось убеждать.