MIDM K 3.0 Pro vs DeepSeek V4.1 Pro: Det ena namnet har inget bakom sig

Sökfrågan som skapar den här sidan förutsätter att två modeller finns. En gör det. Mi:dm K 3.0 Pro — MIDM K 3.0 Pro på den internationella prislistan — har varit fakturerbar på KT:s Token Factory-plattform sedan 29 oktober 2026 till $0,20 per miljon indatatoken och $0,80 per miljon utdatatoken. DeepSeek V4.1 Pro har inget modellkort, ingen endpoint, ingen prisrad och inga vikter; DeepSeek nämnde den exakt en gång, i versionsinformationen som följde med DeepSeek V4.1 Flash den 10 september 2026, och har inte publicerat något om den sedan dess. Så den ärliga versionen av den här jämförelsen måste ersätta med den DeepSeek-modell som en läsare faktiskt kan anropa i dag — DeepSeek V4 Pro 0813, flaggskeppet med 1,6 biljoner parametrar från föregående generation — och vara tydlig med att ersättningen inte är vad rubriken säger. Det som följer är den jämförelsen, plus en kort redogörelse för vad som skulle behöva dyka upp innan V4.1 Pro-kolumnen slutar vara tom.

Namnproblemet, före allt annat

Namnet V4.1 Pro började cirkulera kopplat till en plan som DeepSeek aviserade och sedan drog tillbaka. Den 10 september 2026 släppte företaget DeepSeek V4.1 Flash och uppgav i samma meddelande att förfrågningar som riktades till dess befintliga Pro-nivå skulle dirigeras till Flash-modellen tills V4.1 Pro lanserades. Dirigeringsplanen varade i ungefär en dag. Utvecklare protesterade – att en Pro-kund tyst får en mindre modell till Pro-priser är något man rimligen protesterar mot – och DeepSeek satte tillbaka DeepSeek V4 Pro online till oförändrade priser.

Det som återstår är ett namn i en fotnot. Det finns inget Pro-kort i V4.1-familjen, ingen prisrad och ingen checkpoint. Jämförelser som behandlar DeepSeek V4.1 Pro som en befintlig modell bygger på extrapolering: V4.1-arkitekturen är verklig och har levererats i Flash-nivån, så en Pro-version av den är en rimlig gissning, och en gissning är vad varje publicerad specifikation för den i praktiken utgör. Det bör inte upprepas som fakta, och den här sidan gör det inte.

Vad de två anropbara modellerna faktiskt är

• Mi:dm K 3.0 Pro — 120B parametrar totalt, 12B aktiva per token, i en hybridstack av Mamba-, mixture-of-experts- och attentionlager. Text in, text ut. 261 795 token kontext, upp till 235 615 token utdata. Resonemangsspåret exponeras separat; JSON och strukturerad utdata stöds. Serveras av KT från en checkpoint med NVFP4-experter och FP8-projektioner.

• DeepSeek V4 Pro 0813 — en blandning av experter med 1,6 biljoner parametrar och 49 miljarder aktiva. Endast text. Kontext på 1 miljon token, maximalt 384K utdata. Tänkande och icke-tänkande lägen med låg, hög och maximal resonemangsansträngning, JSON-utdata, verktygsanrop och ett inbyggt Responses API med en anpassning riktad mot kodningsagenter i Codex-stil.

Formskillnaden är värd att hålla fast vid. Den koreanska modellen är liten och billig och läser 262K tokens. DeepSeek-modellen har tretton gånger så många parametrar, läser fyra gånger så mycket kontext och är enligt KT:s egen redogörelse inte den enda arkitekturen i spel — DeepSeeks V4-generation levererade en V4.1 Flash med 552 miljarder parametrar på en ny Causal Encoder-Decoder-design, vilket är dit det labbets nuvarande ingenjörsarbete är riktat.

Pris, inklusive den del som inte finns på prislistan

• Mi:dm K 3.0 Pro — $0,20 för indata och $0,80 för utdata per miljon token, med cachad indata till $0,04. KTs egen plattform säljer för närvarande allt detta med 30 % rabatt: $0,14 in, $0,56 ut, $0,03 cachat.

• DeepSeek V4 Pro 0813 — 0,66 $ in och 1,98 $ ut per miljon vid lågtaxa, med cacheläsningar för 0,022 $. Under vardagarnas toppfönster 01:00–04:00 och 06:00–10:00 UTC fördubblas varje rad: 1,32 $ in, 3,96 $ ut.

Rubriken är att den koreanska modellen ligger på ungefär en tredjedel av DeepSeeks flaggskepp för input och ungefär 40 % för output. Strukturen med hög- och lågtrafik komplicerar det i en riktning som gynnar KT. Ett batchjobb som körs 03:00 UTC en tisdag betalar dubbelt hos DeepSeek – 1,32 USD och 3,96 USD – vilket gör Mi:dm K 3.0 Pro åtta gånger billigare per outputtoken vid den tiden än DeepSeeks prislista antyder. Ett jobb som låses till DeepSeeks lågtrafikfönster ser i stället en 2,5× skillnad. Ingen av siffrorna är fel; de följer olika scheman.

Det finns en andra asymmetri: Mi:dm K 3.0 Pro:s rabatt är en kampanj utan offentliggjort slutdatum, medan DeepSeek:s peak-prissättning är en permanent struktur. Att räkna med kampanjpriset är samma misstag som att räkna med ett off-peak-pris — båda är verkliga, men ingendera är det tal du bör planera en budget utifrån.

En av dessa modeller har en poäng, och det är inte den billiga.

Artificial Analysis ger DeepSeek V4 Pro 36 poäng på sitt Intelligence Index. Det är en blygsam siffra enligt frontier-standard – den ligger väl under mitten av femtiointervallet där Claude Opus 5.5 och Gemini 4 Argon ligger – och det är en verklig mätning av en verklig endpoint. DeepSeek V4.1 Flash, modellen som faktiskt släpptes i V4.1-generationen, får 39,5 på samma index, vilket säger något användbart om det nivågap som Pro-versionen ska återställa.

Mi:dm K 3.0 Pro har ingen post. Utvärderarens modellsökväg returnerar 404 och modellen förekommer inte alls i indexet. KT publicerade inte heller någon benchmarktabell i samband med lanseringen – materialet från AID-X Day och modellkortet för Token Factory beskriver arkitektur, kvantisering och kontext, och slutar där. Aggregatorsajter som visar en sammansatt poäng för den blandar pris och aktualitet med en kapacitetssignal, snarare än att rapportera ett testresultat; en sådan sida ger den 40 av 100 totalt, där enbart priset bär en fjärdedel av vikten.

Så den jämförelse en köpare helst skulle vilja ha – matchar modellen för 0,20 dollar modellen för 0,66 dollar – kan inte besvaras utifrån publicerat material. Det som kan sägas är riktningsgivande: en 120B-hybrid med 12B aktiva är ett mindre nätverk än en 1,6T-blandning med 49B aktiva, och det mindre nätverket är prissatt därefter. Om den matchade i kvalitet skulle prissättningen vara irrationell.

DeepSeeks verkliga fördel är inte antalet parametrar

Tre saker i DeepSeek V4 Pro 0813 är värda mer än dess storlek, och alla tre är saker som KT inte har publicerat.

Arbetet med harnessen. Revision 0813 levererades med ett inbyggt Responses API och en riktad anpassning för Codex-liknande kodagenter, och DeepSeeks egna siffror för den – 87,9 på Terminal Bench 2.1, 74,1 på Toolathlon Verified, 62,7 på DeepSWE, 61,5 på NL2Repo – är leverantörsrapporterade och bör märkas som sådana, men de beskriver arbete som specifikt syftar till agentisk verktygsanvändning. En modell som är byggd och finjusterad för en harness för kodagenter beter sig annorlunda än en allmän modell som placeras i en sådan.

Ansträngningsstegen. DeepSeek erbjuder låg, hög och maximal resonemangsansträngning jämte ett icke-tänkande läge. Det är en kostnadsspake: samma modell kan besvara en klassificeringsprompt billigt och en svår resonemangsprompt dyrt. Mi:dm K 3.0 Pro erbjuder en resonemangsflagga men ingen publicerad ansträngningsstege, så den enda spaken en anropare har är på eller av.

Verktygsanrop. DeepSeek V4 Pro listar tools och tool_choice bland de parametrar som stöds. KT:s katalogpost för Mi:dm K 3.0 Pro listar dem inte, vilket inte är samma sak som att säga att slutpunkten vägrar dem – det betyder att ingen har dokumenterat stöd, och en agentloop som är beroende av funktionsanrop bör testa i stället för att anta.

Vad 262K tokens ger dig, och vad det kostar dig

Fyra gånger så stor kontext är DeepSeek-modellens tydligaste strukturella fördel, och dess praktiska värde beror på vilken av två världar din arbetsbelastning befinner sig i.

Om du skickar hela kodförråd, kompletta ärendefiler eller transkriptioner på flera timmar i en och samma begäran är ett tak på 262K en verklig begränsning. Trunkering av promptar är ett tyst kvalitetsfel – modellen svarar självsäkert utifrån den hälft av dokumentet som den fick – och kringlösningarna, chunkning och retrieval, tillför en pipeline som besparingarna från den billiga modellen måste betala för. Men med ett indatapris på $0.20 och en arbetsbelastning på en miljon token är räkningen ovanlig: Mi:dm K 3.0 Pro skulle kunna bearbeta samma dokument fyra gånger om i 262K-stycken för mindre än vad DeepSeek tar en gång under lågtrafik, så frågan är om chunkningsstrategin kan bevara de korsreferenser som uppgiften är beroende av. För extrahering kan den det. För "hitta motsägelsen mellan sida 4 och sida 300" kan den vanligtvis inte det.

Om dina prompter är vanliga – några tusen tokens med instruktioner och kontext – kostar kontextgapet ingenting, och parameterklyftan på 20 mot 1 är den enda skillnaden som spelar roll.

Hybridarkitektur kontra skala, som en satsning

De två modellerna representerar motsatta svar på samma 2026-problem: hur man kan hantera lång kontext utan att betala kvadratiska uppmärksamhetskostnader.

KT:s svar är arkitektonisk heterogenitet – blanda Mamba för sekvenshantering i linjär tid, expertblandning för billig villkorad beräkning och attention där exakt återkallning behövs, och kvantisera sedan experterna till NVFP4 för att sänka serveringskostnaden ytterligare. Det är den mer intressanta ingenjörsmässiga satsningen och den mindre beprövade. En hybridstack som tränas väl kan slå en dense-transformer av samma storlek vid lång kontext; en som tränas dåligt ger en modell som är medelmåttig på båda de saker som dess komponenter valdes för, och det finns ännu inga offentliga bevis på vilket som hände här.

DeepSeeks svar är det mer konventionella: en mycket stor gles mixture of experts, tränad med tillräckligt mycket data för att en aktiv del på 49B ska bära kapacitet nära forskningsfronten, och serverad tillräckligt billigt av ett labb som har optimerat MoE-inferens längre än nästan någon annan. Det är mindre nyskapande och det är avvägt.

För en köpare innebär det en enkel riskasymmetri. Att satsa på DeepSeek-modellen innebär att satsa på ett resultat som du kan läsa. Att satsa på den koreanska modellen innebär att satsa på en arkitekturbeskrivning från en leverantör utan meritlista på den internationella API-marknaden, till ett pris där nedsidan är liten och uppsidan är en tiondel av kostnaden.

Hur man löser det på en eftermiddag

DeepSeek V4 Pro 0813 finns nu på OrcaRouter som deepseek/deepseek-v4-pro-0813 till DeepSeeks listpris utan påslag — $0,66 för input, $1,98 för output, $0,022 för cache-läsning vid off-peak, med peak-multiplikatorn synlig på samma kort. Mi:dm K 3.0 Pro tillhandahålls enbart av KT och finns inte på våra rutter; det finns ingen andra leverantör att falla tillbaka på, vilket är en verklig operativ skillnad snarare än en friskrivning, eftersom en modell med en enda värd inte kan routas runt när dess enda endpoint försämras.

Det lämnar ett billigt och avgörande experiment. Ta femtio prompter från din egen produktionstrafik – inte ett offentligt benchmark, utan de prompter du faktiskt skickar – och kör dem mot båda modellerna med en bedömare som du redan litar på. Med $0.20 och $0.80 mot $0.66 och $1.98 kostar femtio prompter med 4K in och 1K ut en bråkdel av en cent på den koreanska modellen och ett par cent på DeepSeek-modellen. Kör sedan samma femtio genom DeepSeek V4.1 Flash, som ligger på samma nyckel till $0.15 och $0.60 off-peak och får 39.5 – för för många arbetsbelastningar är svaret på "bör jag använda DeepSeeks Pro-nivå" att du inte bör det, och Flash-modellen är både billigare än Mi:dm K 3.0 Pros listpris och oberoende poängsatt.

Att hålla hela jämförelseuppsättningen på en nyckel till leverantörens listpris, med en routningsregel som flyttar över en begäran till en andra modell när den första ger fel, är den del som OrcaRouter gör för de tre modeller den hostar. För Mi:dm K 3.0 Pro måste reservvägen skrivas i din egen kod, eftersom KT är den enda dörren.

Var detta lämnar frågan

DeepSeek V4.1 Pro är ett namn med en versionsinformation bakom sig och inget annat; tills DeepSeek publicerar ett modellkort, ett pris och en slutpunkt är varje jämförelse som involverar det en jämförelse med ett rykte. Den anropbara matchningen är Mi:dm K 3.0 Pro mot DeepSeek V4 Pro 0813, och enligt den publicerade bevisningen vinner DeepSeek-modellen på kontext, på dokumenterat verktygsstöd, på ett publicerat oberoende resultat och på att ha en andra sak att falla tillbaka på när dess primära är långsam.

Den koreanska modellen vinner på pris med en faktor två och ett halvt till åtta beroende på timmen, på taket för utdata, på hårdvarueffektivitet genom sin konstruktion och potentiellt på koreanskspråkigt arbete, där KT har tränat medvetet och DeepSeek inte har det. Det är inte små fördelar för rätt arbetsbelastning. De är bara omätta – och vid tretton dagars tillgänglighet är omätta det ärliga ordet snarare än en dom.

Den praktiska uppdelningen ger sig själv. Massbearbetning av text, arbete med koreansk text och allt där en billig andra åsikt är värd att skaffa: testa den koreanska modellen den här veckan. Allt som är agentiskt, allt som behöver hålla 400K tokens, allt där ett felaktigt svar kostar mer än tokens: behåll DeepSeek V4 Pro, eller ta steget upp till en frontiermodell, och återvänd till Mi:dm K 3.0 Pro när någon publicerar en siffra för den.