Ling-3.1-flash vs DeepSeek V4.1 Flash: Två indexpoäng, tre gånger notan

Ling-3.1-flash och DeepSeek V4.1 Flash (Max) skiljer sig två poäng åt på Artificial Analysis Intelligence Index – 41 mot 39 – och ligger inte alls nära varandra i pris. Kör man de tio utvärderingar som utgör indexet mot varje modell kostar Ling-3.1-flash ungefär 0,99 USD per uppgift mot DeepSeeks 0,27 USD. Båda är mixture-of-experts-modeller med omkring 550 miljarder parametrar och en uppgiven kontext på 1 miljon tokens. Den ena är en sluten, textbaserad modell från Ant Groups InclusionAI-labb, släppt 2026-10-01 och fortfarande utan publicerade vikter eller licens. Den andra har varit öppen under MIT sedan 2026-09-10, tar både bilder och text, körs hos 23 leverantörer och är den modell som de flesta team redan skulle ha i en konfigurationsfil. Jämförelsen är inte ens nära på de flesta axlar. Den intressanta frågan är varför de två poängen överhuvudtaget finns.

Där Ling-3.1-flash verkligen ligger före

Det ligger före i de utvärderingar som mäter att styra en terminal och skriva kod som måste köras, och marginalen är värd att ange just eftersom aggregeringen döljer den.

• Terminal-Bench 4.0 — Ling-3.1-flash 0.333 mot DeepSeek V4.1 Flash (Max) 0.268. Båda är blygsamma siffror i absoluta tal; gapet är en fjärdedel av DeepSeeks poäng.

• SciCode – 0,541 mot 0,519.

• CritPt fysikresonemang — 0,180 vs 0,143.

• GDPval-AA agentiskt arbete i verkligheten — 1 621,75 Elo mot 1 600 Elo.

Två av dessa fyra är nästan oavgjorda, en är en knapp seger, och Terminal-Bench 4.0 är den enda raden där skillnaden skulle överleva ett byte av slumpfrö. Ställ det mot var DeepSeek vinner: AA-Briefcase v1.1 agentiskt kunskapsarbete vid 1 420,47 Elo mot 1 400,35, AutomationBench-AA vid 0,689 mot 0,617, AA-LCR långkontextresonemang vid 0,84 mot 0,83, och — raden som betyder mest för produktion — AA-Omniscience vid −5,30 mot Ling-3.1-flashs +2,22 på ett mått där en hallucination är värre än en vägran. DeepSeeks träffsäkerhet där är 46,4 % med en hallucinationsfrekvens på 96,5 % bland de frågor den besvarar; Ling-3.1-flash svarar korrekt på 29,1 % med en hallucinationsfrekvens på 37,9 %. Ingen av dem är en modell man pekar mot en kunskapsbas utan retrieval framför sig.

Prisgapet är större än indexgapet, och det handlar inte bara om prislistan.

De framträdande priserna ser nästan identiska ut. Artificial Analysis anger båda till 0,30 dollar per miljon indatatoken. De skiljer sig kraftigt åt när det gäller de andra två siffrorna:

• Utdata — Ling-3.1-flash 0,90 USD per miljon jämfört med DeepSeek V4.1 Flash (Max) 1,20 USD per miljon. Här är Ling-3.1-flash helt enkelt den billigare modellen, med 25 %.

Cache-läsning — Ling-3.1-flash $0,06 per miljon jämfört med DeepSeek V4.1 Flash (Max) $0,006 per miljon, en rabatt på 98 % mot en på 80 %. Det är här de två modellerna slutar vara jämförbara.

Den blandade taxan vid en mix på 7:2:1 av cache-träffar/input/output landar på 0,192 USD för Ling-3.1-flash och 0,184 USD för DeepSeek V4.1 Flash (Max) – nästan ingen skillnad. Men mixen är ett antagande om hur du använder en modell, och det antagandet gör mycket av jobbet. Varje arbetsbelastning med omfattande återanvändning av prompter – en lång systemprompt, en hämtningspreambel, en agentloop som skickar om ackumulerad kontext varje tur – driver den effektiva mixen mot cacheläsningar, och där tar 10×-skillnaden i cache över. Tokenvolymen förstärker på samma sätt: Ling-3.1-flash är en pratsam resonerare som genererar 220 miljoner output-tokens under indexutvärderingarna, jämfört med DeepSeeks 250 miljoner, och i genomsnitt cirka 429 sekunder per utvärderingsuppgift, jämfört med DeepSeeks 285. Den tänker mer per svar och tar längre tid på sig att göra det.

Ett genomarbetat exempel: samma agentloop på båda

Ta en verktygsdrivande agent som kör 1M indatatokens per uppgift, varav 90 % hämtas från cachen, och som returnerar 200 000 utdatatokens. På Ling-3.1-flash enligt siffrorna ovan: 900 000 cachade indatatokens à $0.06 plus 100 000 färska indata à $0.30 plus 200 000 utdata à $0.90 blir cirka $0.26 per uppgift. Samma loop på DeepSeek V4.1 Flash (Max) landar på omkring $0.14 — ungefär hälften.

Tillämpa nu DeepSeeks schema, för det här är delen som de flesta jämförelser hoppar över. DeepSeeks lågtrafikpris är det som anges ovan, och lågtrafik omfattar helger och större delen av dagen; men under två vardagsfönster, 01:00–04:00 och 06:00–10:00 UTC, fördubblas priset för indata och cache. Flytta samma loop till ett högtrafikfönster och DeepSeeks kostnad hamnar nära $0,28 — då är Ling-3.1-flashs fasta, högre prislista det billigare alternativet för den timmen och 10×-cacherebatten har neutraliserats av klockan.

Det är hela beslutet i ett enda talpar. Om din agenttrafik är cache-tung och du kan schemalägga den är DeepSeek V4.1 Flash (Max) ungefär halva kostnaden jämfört med Ling-3.1-flash för en indexskillnad på två punkter. Om din agenttrafik är cache-tung och hamnar i DeepSeeks högtrafikfönster kostar de två modellerna ungefär lika mycket, och Ling-3.1-flashs marginellt bättre rad för terminalagenter blir utslagsgivaren.

Axlarna där det inte finns någon jämförelse att göra

Tre dimensioner ligger inte nära varandra, och det är de som tenderar att avgöra en arkitektur innan priset diskuteras.

• Vikter och licens — Ling-3.1-flash har inte publicerat vikter, har ingen licenstext och Artificial Analysis klassar den som proprietär. DeepSeek V4.1 Flash (Max) har öppna vikter under MIT, är nedladdningsbar från Hugging Face och tillåter kommersiell användning. En av dessa kan självhostas, finjusteras och köras i luftgap; den andra kan inte.

• Modalitet – Ling-3.1-flash är text in, text ut. DeepSeek V4.1 Flash (Max) tar emot bilder tillsammans med text och poängsätts i multimodala benchmarks. Om någon del av din pipeline ger modellen en skärmbild, ett diagram eller en skanning, slutar jämförelsen där.

• Serveringsyta — DeepSeek V4.1 Flash (Max) är tillgänglig via 23 leverantörer, inklusive OrcaRouter; Ling-3.1-flash körs via leverantörens eget API och de tredjepartsplattformar som tillhandahåller dess release. För en produktionsväg är antalet leverantörer en motståndskraftsegenskap, inte en popularitetstävling.

Ytterligare en asymmetri som inte syns i någon av de listorna: DeepSeek V4.1 Flash (Max) exponerar 384 000 utdatatokens i ett enda svar. Ant har inte publicerat någon maximal utdatalängd för Ling-3.1-flash, så en arbetsbelastning med långa genereringar kan ännu inte dimensioneras mot den. Att en publicerad gräns saknas är inte samma sak som att den är låg, men det är inte heller ett tal man kan dimensionera efter.

Att köra båda, och hur det faktiskt ser ut

Ling-3.1-flash finns inte i OrcaRouters katalog i dag – en sökning mot vårt publika modell-API returnerar att modellen inte hittas under InclusionAI, och den här artikeln tänker inte låtsas något annat. DeepSeek V4.1 Flash går att routa just nu till leverantörens listpris utan påslag, så en leverantörsprisändring är live hos oss samma dag som den landar, och den ligger bakom samma enda API-nyckel som resten av katalogen med automatisk redundansväxling mellan uppströmsleverantörer.

Den asymmetrin har en praktisk form. Det sunda sättet att hantera en jämförelse där den ena modellen är stängd, prissatt till ungefär fyra gånger sin föregångare och endast nåbar via en enda leverantör, är att behålla den öppna, brett betjänade modellen som standardväg och behandla utmanaren som något man testar snarare än något man satsar på. DeepSeek V4.1 Flash (Max) kan bära produktionsloopen i dag — öppna vikter, bildinmatning, 384K utdata, 98 % cacherabatt — medan Ling-3.1-flash får det agentspecifika arbetet där dess marginaler i Terminal-Bench och SciCode faktiskt gör nytta. Eftersom båda talar det OpenAI-kompatibla formatet chat-completions är den uppdelningen ett routingbeslut snarare än ett integrationsprojekt: en slutpunkt, en nyckel och en regel som skickar uppgifterna till den modell som mätbart är bättre på dem.

Domen

Utifrån den tillgängliga bevisningen vinner DeepSeek V4.1 Flash (Max) den här matchen, och den vinner mest på saker som inte har något att göra med två Index-poäng: öppna vikter under MIT, bildinmatning, 384 000 utdatatokens, en cachediskontering på 98 % och 23 leverantörer att växla över mellan vid fel. Ling-3.1-flashs argument är snävare och verkligt – den är den bättre terminal- och verktygsagenten av de två, och den är den enda av de två som inte har publicerat ett prisschema med en högtidsmultiplikator inbakad.

Två saker skulle ändra denna bedömning. Om Ant publicerar vikter under en tillåtande licens, stängs öppenhetsgapet och jämförelsen blir en rak konversation om kapacitet och kostnad. Och om det långa kontextfönster som Ant tillhandahåller valideras vid de 1M tokens som båda modellerna deklarerar, upphör påståendet om kontextparitet att vara ett påstående. Fram till dess är den ärliga sammanfattningen att en modell kan vinna en rad i ett agentiskt benchmark och ändå förlora utvärderingen — och att tvåpunktsgapet i indexet mellan dessa modeller är värt ungefär 3,6× kostnaden per uppgift, vilket är en avvägning som bara en specifik arbetsbelastning bör göra.