SWE-2 Flash против DeepSeek V4 Flash: у одного есть тарифная сетка, у другого — соотношение

Первое, что ломается, когда ставишьSWE-2 Flash и DeepSeek V4 Flash рядом, — это единица измерения. DeepSeek публикует доллары за миллион токенов и чекпоинт, который можно скачать. Cognition публикует долю — одну пятую от SWE-2 — и место внутри Devin. Одно из этого — модель, на которой можно строить; другое — модель, которой можно пользоваться. Каждое последующее сравнение должно выдержать эту асимметрию, и большинство из тех, что ходили в день запуска, её не выдержали.

Это не причина пропускать сравнение. Это причина, по которой сравнение стоит делать аккуратно. Обе модели нацелены на одного и того же покупателя — команду, которой нужно близкое к фронтиру поведение в кодинге без фронтирной цены, — и они делают противоположные ставки на то, как этот покупатель хочет это получить. Одна ставка — дезагрегированная: веса, API, опубликованное контекстное окно и счёт, который можно спрогнозировать. Другая — интегрированная: модель, настроенная под одну обвязку, продаваемая за долю стоимости другой модели, причём стек обслуживания включён в цифру.

Что каждый из них на самом деле представляет собой, и ловушка чекпоинтов

SWE-2 Flash была анонсирована 4 ноября 2026 года. Она прошла посттренировку на основе Inkling-Small — смеси Thinking Machines с общим числом параметров 276 млрд и 12 млрд активных — и доступна в Devin Desktop и Devin CLI. Там она бесплатна до 30 ноября. API нет, публичных весов нет, опубликованного контекстного окна нет.

DeepSeek V4 Flash — это модель со смесью экспертов общим объёмом 284B и примерно 13B активных параметров под лицензией MIT, с контекстным окном в 1M токенов и до 384 000 выходных токенов. Она работает только с текстом; вариант для обработки изображений — отдельный экспериментальный ID. Она доступна через API, совместимый с OpenAI, и вызывается с весны, а чекпойнт 0731, прошедший повторное постобучение, выполнил большую часть работы по агентному программированию.

И вот тут ловушка. Собственная страница моделей и цен DeepSeek, прочитанная 5 ноября 2026 года, перечисляет deepseek-v4-flash среди устаревших имён, которые API всё ещё принимает, и сообщает, что теперь он обслуживается моделью DeepSeek-V4.1-Flash-1017. Это другая и более крупная модель: в сравнительной таблице Cognition V4.1 Flash 1017 указана как 763B всего и 16B активных. Таким образом, «DeepSeek V4 Flash» соответствует как минимум трём вещам в зависимости от того, кто говорит: апрельская сборка, контрольная точка 0731 или октябрьская контрольная точка V4.1, на которую теперь указывает ID. В OrcaRouter закреплённые ID — это отдельные маршруты, и только поэтому сравнение вообще может быть воспроизводимым.

Это не педантизм. Это меняет то, какую строку бенчмарка вы вправе цитировать. Публичные показатели в таблице лидеров для «DeepSeek V4 Flash» были измерены на сборке 0731. В таблице Cognition измерялся V4.1 Flash 1017. Это не одна и та же модель, и числа соответственно различаются.

Цена в тех двух единицах, которые фактически публикует каждый поставщик

Карточка DeepSeek — это арифметика. За миллион токенов для модели, которую теперь обслуживает идентификатор deepseek-flash, — DeepSeek-V4.1-Flash-1017, явно указанной на странице, — по состоянию на 5 ноября 2026 года: ввод — $0.15 вне пиковых часов и $0.30 в пиковые окна, вывод — $0.60 вне пиковых часов и $1.20 в пиковые, кэшированный ввод — $0.003 и $0.006. Пиковые часы — с 01:00 до 04:00 и с 06:00 до 10:00 UTC, с понедельника по пятницу, за исключением китайских государственных праздников. Вне этих окон действует более низкий тариф.

Закреплённый более старый чекпоинт имеет другую цену. В каталоге OrcaRouter есть deepseek/deepseek-v4-flash по $0,22 за миллион входных токенов и $0,66 за миллион выходных — единая ставка без пикового тарифа. Это цена воспроизводимости: закрепите модель апрельской линейки вместо вызова текущей — и вы платите больше в обмен на модель, на которой фактически измерялась большая часть опубликованных строк бенчмарков. Ни один из вариантов не является неверным; они отвечают на разные вопросы.

Карточка Cognition — это сравнение. «Цена — одна пятая, а скорость — втрое выше, чем у его гораздо более крупного собрата» — вот всё публичное заявление, без указания абсолютных цифр, и вдобавок бесплатно до 30 ноября. По общедоступной информации невозможно вычислить, сколько стоит задача на SWE-2 Flash, потому что в знаменателе — модель, цена токена которой тоже никогда не публиковалась.

Отсюда следуют два следствия, и оба они носят практический, а не педантичный характер.

• Прогнозируемость — стоимость DeepSeek за миллион токенов известна с точностью до цента, включая пиковый множитель. Стоимость SWE-2 Flash известна лишь как доля непубличного числа в рамках подписки, за которую вы уже платите.

• Фиксированные расценки вводят в заблуждение — закреплённый маршрут {{1}}V4 Flash{{/1}} имеет единую фиксированную ставку, тогда как текущая карточка поставщика является двухуровневой. Поэтому фиксированное число неверно для части недели, и оно описывает другую контрольную точку, чем та, которую указывает большинство строк бенчмарка. Планируйте по карточке поставщика; воспроизводите по закреплённому маршруту.

Оба фактора важнее, чем кажутся. Для агента, выполняющего тысячи коротких вызовов, пиковый множитель — это задача планирования, которую можно обойти инженерными методами; для агента для написания кода, выполняющего несколько длинных сессий, это погрешность округления. От того, к какому типу вы относитесь, зависит, будет ли в тарифной карте DeepSeek две цены или одна.

Скорость: повторный прогон в сравнении с измерением

200 токенов в секунду у Cognition — это не замер в реальном времени. В посте это объясняется: собственный прогон каждой модели на задаче gsea-proteomics из Terminal-Bench 4.0, «воспроизведённый при имитации 200 против 60 токенов в секунду», при этом транскрипты сокращены до одинаковой длины. Показатель SWE-2 в 60 ток/с получен из того же воспроизведения. Это описывает профиль обслуживания, на который ориентируется Cognition, и это вполне правомерно публиковать, но это не замер секундомером на двух конечных точках.

Artificial Analysis на своей текущей странице модели указывает для DeepSeek V4 Flash 112 выходных токенов в секунду и время до первого токена ответа 32,41 секунды. Это измерение работающего API, включая любую очередь, которую создаёт провайдер. Эти два числа несопоставимы, и вычитать их было бы бессмысленно: одно — смоделированное воспроизведение внутри продукта, другое — наблюдаемая скорость обслуживания на публичной конечной точке.

Что остаётся верным с учётом этой оговорки — это направление. Если модель с 12B активных параметров действительно выдаёт примерно 200 ток/с внутри Devin, тогда как модель с 13B активных параметров показывает 112 ток/с через публичный API, то модель с меньшим числом активных параметров не обязательно быстрее — стек обслуживания выполняет не меньшую работу, чем архитектура. Это аргумент в пользу интегрированных продуктов и против того, чтобы судить о скорости по количеству параметров.

Единственный прогон за одним и тем же столом — и кто его выполнил

Таблица запуска от Cognition напрямую включает модель DeepSeek. В столбце указана DeepSeek V4.1 Flash 1017 — чекпоинт, на который теперь указывает идентификатор deepseek-v4-flash, — что делает это единственным сравнением этой пары, выполненным в рамках одной компании. Все приведённые ниже цифры принадлежат Cognition, получены на бенчмарках Cognition, а используемый харнесс не раскрыт.

• FrontierCode 2.0 — SWE-2 Flash 24.0 против DeepSeek V4.1 Flash 1017 19.3

• FrontierCode 1.1 Main — 45,5 против 43,9

• DeepSWE 1.1 — 60,1 против 77,0

• Terminal-Bench 4.0 — 20,0 против 42,3

• Terminal-Bench 2.1 — 89.2 против 91.0

• SWE-Atlas QA — 50,0 против 71,0

• SWE-Bench Pro v2 Hard — 89.9 против 86.3

• ExploitBench — 34,8 против 31,1

Разбивка — по четыре строки в каждой, и разрывы совсем не симметричны. SWE-2 Flash побеждает в FrontierCode 2.0 с преимуществом 4,7 балла, в FrontierCode 1.1 Main — 1,6, в SWE-Bench Pro v2 Hard — 3,6, а в ExploitBench — 3,7. DeepSeek побеждает в DeepSWE 1.1 с преимуществом 16,9, в Terminal-Bench 4.0 — 22,3, в SWE-Atlas QA — 21,0, а в Terminal-Bench 2.1 — 1,8. Каждая победа Flash — это несколько баллов. Две победы DeepSeek — больше двадцати.

Если взвешивать сравнение по величине отрыва, а не по числу побед, то близости уже не будет. Flash действительно конкурентоспособен в FrontierCode, где поощряется ограниченный патч по письменной спецификации, и сильно отстаёт в Terminal-Bench 4.0, который измеряет способность терминального агента довести задачу до завершения. Именно в этой строке также разрывается остальная часть поля: GLM 5.3 Flash набирает 41,8 в том же бенчмарке, а Claude Haiku 5.5 — 39,2, против 20,0 у Flash.

Теперь оговорки, которые нужно сделать сразу же. Это таблица конкурента. FrontierCode — собственный инструмент Cognition, и Cognition же его оценивает. В посте не раскрываются ни harness, ни настройка effort, ни количество прогонов, поэтому «та же таблица» — не то же самое, что «те же условия»: это методология одного вендора, применённая единообразно, что лучше, чем ничего, но хуже, чем независимая оценка. А колонка DeepSeek — это V4.1 Flash 1017, а не сборка 0731, которую описывает большинство публичных цифр.

Полезная проверка на здравый смысл того, насколько важен инструмент. Оценка Artificial Analysis сборки 0731 модели DeepSeek V4 Flash, последний запуск которой состоялся 31 июля 2026 года, фиксирует 12,1% на Terminal-Bench 4.0. Таблица Cognition фиксирует 42,3% для контрольной точки V4.1 Flash 1017. Разница в тридцать процентных пунктов на одном и том же именованном бенчмарке. Часть этого объясняется контрольной точкой — V4.1 — другая и более крупная модель, — а часть — тестовым стендом, поскольку один запуск является стандартизированным сторонним, а другой — собственным запуском вендора. В любом случае ни одна отдельная строка в этом сравнении не является свойством одной лишь модели, и строки, где два вендора расходятся сильнее всего, — это те, на которые следует опираться меньше всего.

Контекст, веса и то, что вы можете создать

• Контекстное окно — у DeepSeek опубликовано 1 048 576 токенов, у SWE-2 Flash — не опубликовано

• Максимальный объём вывода — DeepSeek 384 000 токенов против SWE-2 Flash: не опубликовано

• Веса — DeepSeek MIT, доступны для скачивания, в отличие от SWE-2 Flash с ограниченным доступом; партнёрская программа обещана «через несколько недель»

• Модальность — DeepSeek V4 Flash: только текст; визуальные возможности появятся в чекпойнте V4.1 и в отдельном экспериментальном ID; сравнение с SWE-2 Flash не указано

• Распространение — DeepSeek API и сторонние платформы против только Devin Desktop и Devin CLI

• Контроль уровня усилий — режимы мышления и без мышления DeepSeek в сравнении с SWE-2 Flash не документированы

• Лицензия на дообучение — DeepSeek: да, SWE-2 Flash: нет, пока нет

Для команды, создающей продукт, пять из этих семи строк сами по себе являются дисквалифицирующими. Нельзя планировать конвейер извлечения вокруг неопубликованного контекстного окна, нельзя дообучать веса, которых у вас нет, и нельзя включать в архитектуру зависимость, которая существует только внутри чужой IDE. SWE-2 Flash не претендует на этот слот. Он претендует на место, которое разработчик уже занимает.

Единственная строка, в которой Flash имеет преимущество, — это та, где Cognition наиболее неясна: стоимость выполнения одной задачи. Если пятая часть цены SWE-2 — это пятая часть стоимости выполнения работы, то он обходит пер-токеновый тариф DeepSeek для интерактивной работы внутри Devin, поскольку подписка уже оплачена. Если же это пятая часть цены за токен у модели, которая генерирует больше токенов на задачу, преимущество сокращается. Cognition публикует недостаточно данных, чтобы определить, что именно верно.

Где маршрутизатор меняет арифметику

DeepSeek V4 Flash маршрутизируется через OrcaRouter как deepseek/deepseek-v4-flash, по прайсовой цене провайдера без наценки, что важно для модели, цена которой меняется дважды в день: снижение цены вендором или изменение пикового окна доходит до маршрута, а не ждёт, пока платформа пересчитает цену. Один и тот же ключ даёт доступ более чем к 200 моделям, поэтому разумная версия этого сравнения — прогнать свою очередь через DeepSeek V4 Flash, GLM 5.3 Flash и Kimi K3 и посмотреть, какая из них действительно нравится вашим задачам — обходится сменой model-ID, а не тремя контрактами. Автоматическое переключение при сбоях между провайдерами — это вторая половина: пиковые окна DeepSeek — как раз тот момент, когда второй маршрут оправдывает себя, а резервная цепочка дешевле, чем уведомление на пейджер.

SWE-2 Flash отсутствует на OrcaRouter и не может там быть. Нет эндпоинта, на который можно было бы маршрутизировать запросы, и это честная суть всего сравнения. Если он вам нужен, вы покупаете Devin. Если вы хотите вызывать модель для кодинга из собственного ПО, выбор был сделан за вас ещё до публикации бенчмарков.

Какой вариант выбрать

Если вам нужна модель для программирования в продакшене — API, контекстное окно, под которое можно рассчитывать, веса, которые можно зафиксировать, и счёт, который можно спрогнозировать, — то DeepSeek V4 Flash — единственная из этих двух, что подходит, и закреплять стоит именно октябрьский чекпоинт. Скидка в часы пик стоит того, чтобы продумывать под неё архитектуру, а контекст в 1M стоит иметь, даже если вы редко его заполняете.

Если вы уже платите за Devin, SWE-2 Flash — почти бесплатный вариант до 30 ноября. Запускайте его на ограниченных по объёму задачах в конце вашей очереди, оставьте SWE-2 для многошаговой работы, которую описывает разрыв DeepSWE, и воспринимайте бесплатное окно как период оценки, которым оно и является. Риск не в том, что он плох. Риск в том, что вместо измерения используется соотношение.

Если вы стандартизируете команду на одной модели для программирования, это не тот поединок, который должен это решать. Одного кандидата можно протестировать, а другого нельзя, и сравнение, в котором наблюдаема только одна сторона, — это решение о дистрибуции в костюме бенчмарка. Выберите тот вариант, который вы можете измерить, а затем вернитесь к этому вопросу, когда Cognition выпустит эндпоинт или партнёрскую программу, которая разместит веса там, где вы сможете до них добраться.