DeepSeek V4.1 Flash vs Kimi K3: Att läsa påståendet, sedan bevisen

DeepSeek V4.1 Flash anlände med ett specifikt, kontrollerbart påstående: att den slår Kimi K3 på cyber- och kodningsbenchmarks – och på de rader som leverantören valde, gör den det. Terminal-Bench 2.1: 90,6 mot 88,3. CyberGym: 88,1 mot 80,0. DeepSWE v1.1: 74,2 mot 67,5. NL2Repo-Bench: 65,4 mot 58,0. Var och en av dessa DeepSeek-siffror kommer från DeepSeeks egen testrigg med DeepSeeks egen resonemangsinsats, och var och en av de Kimi K3-siffror som jämfördes med den kom från någon annanstans. Det är inte ett skäl att avfärda påståendet. Det är skälet till att påståendet behöver redas ut innan du köper något på grundval av det.

Här är hur de två modellernas evidensbaser faktiskt ser ut, vad som händer när man sätter dem på en gemensam skala, och det enda tal som överlever varje version av den här jämförelsen.

Två evidensbaser som knappt överlappar varandra

Det här är den ovanliga delen av matchningen, och det förklarar det mesta av den oenighet du hittar online.

DeepSeek publicerade en benchmarktabell för lanseringen. Terminal-Bench 2.1, DeepSWE v1.1, CyberGym, ProgramBench, NL2Repo-Bench, Automation-Bench – samtliga rapporterade av leverantören. Det är de rader DeepSeek valde att köra, på testramverk som DeepSeek konfigurerat, med DeepSeek som bestämde resonemangsinsatsen. Värt att veta innan du ställer dem mot något annat: Artificial Analysis fann att körning av dessa sviter vid maximal resonemangsinsats förbrukar ungefär 2,5 gånger fler uttoken än en medelinställning, samtidigt som den återtar det mesta av noggrannheten från nivån under. En leverantörstabell vid maximal insats är en takmätning, inte en typisk sådan.

Kimi K3:s siffror är till största delen inte Moonshots. Artificial Analysis körde sin egen testrigg och publicerade resultat per benchmark på en skala som är jämförbar mellan alla modeller den följer: GPQA Diamond 93.5, Humanity's Last Exam 46.9, Long-Context Recall 88.7, SciCode 59.5, Terminal-Bench 2.1 85.0 — plus ett sammansatt index. Det är en tredje parts mätningar.

Så "DeepSeek slår Kimi K3 inom kodning" betyder något snävare än det låter. I DeepSeeks testramverk vinner DeepSeeks modell de kodningsrader som DeepSeek valde. Det är en verklig signal – leverantörer publicerar vanligtvis inte tabeller de förlorar – men det är en annan typ av bevis än en oberoende körd testsvit, och de två bör aldrig förekomma i samma kolumn utan en etikett.

På en skala är gapet fyra punkter

Sätter man båda på Artificial Analysis Intelligence Index är bilden snävare än vad någon av sidornas marknadsföring gör gällande. Kimi K3 får 44. DeepSeek V4.1 Flash får 40.

Fyra punkter. I raderna per benchmark är Kimi K3:s ledning konsekvent och koncentrerad där långsiktigt resonemang visar sig: Humanity's Last Exam 46,9 mot 36,8, SciCode 59,5 mot 51,9, GPQA Diamond 93,5 mot DeepSeeks leverantörsrapporterade 90,9, Long-Context Recall 88,7 mot 84,0. Kimi K3 rankas också tvåa på Artificial Analysiss lista över 113 modeller, mot DeepSeek V4.1 Flash på sjätte plats.

Det är genuina, oberoende, reproducerbara luckor. Ingen prisfördel stänger dem för en uppgift som är beroende av dem.

De ligger också fyra poäng isär – samma gap på fyra poäng som skiljer DeepSeek V4.1 Flash från Grok 4.6, och mindre än gapet på fem poäng som skiljer den från Qwen3.8-Max. Ett spann på fyra poäng i ett sammansatt index är ett smalt band. Det säger dig att Kimi K3 är den starkare modellen, och det är inte ens i närheten av att säga dig att styrkan visar sig i din arbetsbelastning.

Numret som överlever varje version av denna jämförelse

Kostnad per uppgift i Intelligence Index, mätt av samma organisation som tog fram indexet: 0,27 USD för DeepSeek V4.1 Flash, 2,00 USD för Kimi K3.

7,4x. Det är den största, mest robusta och mest korsvis kontrollerbara skillnaden mellan dessa två modeller, och till skillnad från benchmark-raderna beror den inte på vems utvärderingsramverk som körde den – antalet tokens är antalet tokens.

Det skalar också med hur agentisk din arbetsbelastning är. Siffran på $2,00 kommer från en blandad svit; i Vals AI:s agentiska kodningsbenchmark vidgas det rapporterade gapet till ungefär 40x, $0,41 per uppgift mot $17,59, medan DeepSeek-körningen blir klar på omkring 15 minuter jämfört med ungefär 90. Ju längre bort från en enskild prompt och ett enskilt svar mot en lång loop med verktygsanrop du kommer, desto mer divergerar de två prismodellerna – eftersom det är där cachning och utdatavolym dominerar fakturan.

• Pris — DeepSeek V4.1 Flash $0,15/$0,60 per 1M i lågtrafik ($0,30/$1,20 i högtrafik, vardagar 01:00–04:00 och 06:00–10:00 UTC) mot Kimi K3 $3,00/$15,00 per 1M, fast

• Cacherabatt — 98 % mot 90 %; cacheläsning 0,003 $ per 1M mot 0,30 $ per 1M

• Kontext — 1 048 576 token för båda, och ingen av dem tillämpar någon avgift för lång kontext

• Genomströmning — 214,4 tokens/sek vs 34,7, en skillnad på 6,2x

• Utförlighet — 250M utdatatokens i hela indexet jämfört med 160M

• Parametrar — 552B totalt, 8B aktiva vid prefill och 16B vid avkodning, jämfört med 2,8T totalt med 16 av 896 experter aktiva per token

• Sampling — fullständig yta för temperature / top_p / seed kontra ingen; Kimi K3 exponerar endast reasoning_effort och tänkande kan inte inaktiveras

• Licens — MIT vs Modified MIT, som lägger till varumärkesvillkor över 100 M månadsanvändare eller 20 M USD i månadsintäkter

Där den billiga sidan är genuint sämre

Två kostnader ligger på DeepSeeks sida av räkenskaperna, och båda är lätta att missa.

Mångordighet. DeepSeek V4.1 Flash genererade 250M utdatatokens i Intelligence Index, mot Kimi K3:s 160M. Här faktureras utdata med 4x indata. En modell som är tjugo gånger billigare per token men pratar en och en halv gång så mycket är inte tjugo gånger billigare — vilket är precis varför den ärliga siffran landar på 7,4x och inte de 20x som prislistan antyder. DeepSeek är den mest mångordiga modellen i den här jämförelsen; Grok 4.6 är den minst mångordiga, med 94M.

Hastighet. Prislistan säger att DeepSeek är billigare. Klockan säger att det också är 6,2 gånger snabbare – 214,4 tokens/sek mot Kimi K3:s 34,7. Kimi K3:s tankeläge kan inte stängas av och dess resonemangsansträngning är som standard max, så det finns ingen billig, snabb väg att falla tillbaka på för de enkla anropen. Du köper frontier-resonemang vid varje begäran, oavsett om begäran behöver det eller inte. På en svår kodningsuppgift är det produkten. Vid en klassificeringskörning är det slöseri.

Vad trafiken säger, vilket ingen benchmark fångar

Vår egen routingdata tillför den enda signal som varken leverantör eller analytiker kan producera. Under de senaste sju dagarna har Kimi K3 flyttat omkring 3,04 miljarder tokens genom OrcaRouter. DeepSeek V4.1 Flash flyttade omkring 59,1 miljarder – ungefär nitton gånger så mycket, i en modell som har varit live i mindre än en vecka.

En del av det är strukturellt. DeepSeek dirigerar alla V4 Pro-förfrågningar till V4.1 Flash och debiterar dem enligt Flash-priser tills V4.1 Pro lanseras, så en stor installerad bas migrerades över till den utan att någon valde något. Men den resulterande volymen är fortfarande det tydligaste tillgängliga beviset för att en enorm mängd produktionsarbetsbelastningar redan betjänades tillräckligt bra av den billigare modellen – och det är ett utlåtande som benchmarks inte kan ge dig, eftersom benchmarks mäter vad en modell kan göra och trafik mäter vad team var villiga att sätta framför betalande användare.

Att välja mellan dem

Båda ligger bakom samma OpenAI-kompatibla endpoint på OrcaRouter, vilket är det som gör uppdelningen praktisk i stället för ett migreringsprojekt: dirigera den långsiktiga kodningssessionen, där Kimi K3:s resonemangsförsprång är värt att betala för, och den högvolymiga agentiska och kunskapsarbetsrelaterade trafiken, där de två ligger inom fyra indexpunkter, till DeepSeek V4.1 Flash. Eftersom gatewayen vidarebefordrar leverantörens taxa utan påslag är kostnaden per token som du ser leverantörens egen — värt att kontrollera två gånger om dagen på DeepSeek-sidan, eftersom dess toppfönster fördubblar taxan på vardagsmorgnar UTC.

Domen följer bevisningen snarare än lanseringstabellen. Om ditt arbete är ett enda svårt resonemangsanrop – en vetenskaplig fråga, en ny algoritm, ett dokument du inte har råd att missförstå – är Kimi K3 den starkare modellen, de oberoende gapen är konsekventa och priset är sekundärt. Om ditt arbete är en kodningsagent, en lång verktygsanropsloop eller något med ett stort cachelagrat prefix som återupprepas i stor skala, är de två tillräckligt nära varandra i kapacitet för att kostnaden blir det avgörande kriteriet, och där går gapet från 7,4x till ungefär 40x beroende på hur agentisk uppgiften är.

DeepSeeks egen benchmark-tabell överdriver hur ren den segern är. Priset gör det inte.