MiniMax M3.1 Flash vs DeepSeek V4.1 Flash: Vad de två leverantörstabellerna faktiskt är överens om

Två rader. Så mycket av MiniMaxs lanseringstabell överlever en jämförelse med DeepSeeks egna publicerade siffror, och det är värt att säga rakt ut innan någon av leverantörernas rubriker upprepas: på de två riktmärken där MiniMax M3.1 Flash och DeepSeek V4.1 Flash – 1017-checkpointen som DeepSeek släppte två dagar tidigare – båda labben publicerade en poäng på samma utvärdering, ligger den nyare modellen efter. MiniMax släppte M3.1 Flash den 19 oktober 2026 med en tabell som spänner över agentiskt arbete, kodning, datoranvändning och cybersäkerhet, och ett påstående om ett generationsskifte jämfört med sin egen föregångare. DeepSeek släppte V4.1 Flash 1017 den 17 oktober 2026 med ett modellkort som gör samma sak. Det intressanta med att ställa dem sida vid sida är inte vem som vinner. Det är hur lite av varje tabell som ens är byggd för att kunna jämföras.Leverantörstabeller är en sorts bevis och incidentregister en annan, så de misslyckanden som ligger bakom lanseringar som dessa katalogiseras i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omtvistad status.

Vad M​iniMax faktiskt satte en siffra på

M​iniMaxs inlägg är mer specifikt än de flesta. Det anger sex siffror redan från början: BankerToolBench 76,2, DeepSWE v1.1 73,7 %, OSWorld V2 61,7, Agents' Last Exam 29,6, CyberGym 82 %, och ett påstående om topprestanda på Automation-Bench utan någon poäng i sammanfattningstexten. Vid sidan av dem finns två genomströmningspåståenden – ungefär tre gånger snabbare onlininferens än modellen den ersätter, och över 200 token per sekund med ett P50 över 170 – samt ett kostnadspåstående om 70 % lägre kostnad för agentiska uppgifter. Allt detta är leverantörsrapporterat och inte reproducerat. M​iniMax körde det, M​iniMax publicerade det, och testramverket namnges bara i fotnoterna.

Fotnoten är där tabellen börjar falla isär. Enligt MiniMax utvärderades BankerToolBench med OpenCode 1.1718-testramverket och bedömdes av MiniMax-M2.7, deras egen äldre modell. Det är ett självbedömt benchmark: en MiniMax-modell som poängsätter utdata som producerats av en MiniMax-modell, på en uppgiftsuppsättning som MiniMax valde. Det kan vara helt korrekt genomfört. Det är inte bevis som du kan anföra mot ett labb som publicerar på ett testramverk som någon annan underhåller.

De två raderna som står i linje

DeepSWE v1.1 är den enda mätning som verkligen är gemensam. Båda labben rapporterar den, och båda namnger testramverket: DeepSeek anger Mini-SWE-V2 på sitt modellkort, och MiniMax rapporterar samma benchmarkversion. MiniMax uppger 73,7 %. DeepSeek uppger 77,0 % för 1017-checkpointen, mot 74,2 % för V4.1 Flash-släppet som den ersatte. Så rangordningen här är inte tvetydig, och den är inte smickrande för den nyare modellen: DeepSeeks släpp den 17 oktober ligger före MiniMaxs släpp den 19 oktober i den enda benchmarken för kodningsagenter som de två företagen mätte på samma sätt, och det ligger samtidigt nästan tre punkter före sitt eget tidigare släpp.

Agents' Last Exam berättar samma historia med större avstånd. M​iniMax rapporterar 29,6. D​eepSeek rapporterar 35,4 för 1017, upp från 31,8 för den föregående checkpointen. Det är en skillnad på fem punkter på ett benchmark utformat för att vara svårt för agenter, och det är den andra raden i följd där den två dagar äldre modellen ligger bekvämt före.

Allt annat i de båda tabellerna är antingen mätt på en annan rigg, bedömt av en annan modell eller publicerat av endast en part. DeepSeeks modellkort anger Terminal-Bench 4.0 till 42,3 i Claude Code-harnesset, HLE utan verktyg till 42,6, ProgramBench 29,1, Apex Bench v1.1 72,1 och Automation-Bench v1.0.6 till 60,5. MiniMaxs inlägg anger ingen siffra för Terminal-Bench 4.0 alls, och dess Automation-Bench-rad står under en fotnot om de 600 offentliggjorda uppgifterna i stället för bredvid en jämförbar siffra som vi med säkerhet kunde tillskriva vid den upplösning som inlägget återges i. Två av dessa rader går att kontrollera. Resten är två olika prov med samma namn på omslaget.

Där M​iniMaxs tabell är stark och D​eepSeeks är tyst

Det vore ett misstag att läsa de två gemensamma raderna som hela bilden, eftersom de båda är rader för kodnings- och agentresonemang, och M​iniMaxs säljbudskap är bredare. OSWorld V2 på 61,7 är ett mått på datoranvändning som D​eepSeek inte publicerar, och M​iniMax hävdar förstaplatsen bland kinesiska modeller där. CyberGym på 82 % är ett mått för säkerhetsagenter som D​eepSeek inte heller publicerar. BankerToolBench 76,2 mäter verktygsval i en miljö för affärsarbetsflöden som varken D​eepSeeks modellkort eller Artificial Analysis täcker. På det området ligger M​iniMax inte efter; det står utan motstånd. Att stå utan motstånd är inte samma sak som att ligga före, och leverantörens egen sammanfattning – ”att nå nivån hos ledande modeller” – är ett påstående om jämbördighet, inte om ett försprång.

Det andra som är värt att notera med lanseringstabellen är vad den gör med konkurrenter. Den publicerade grafiken placerar MiniMaxs kolumn bredvid DeepSeek, Kimi-K3, GLM-5.3, GPT-5.6 Sol och Opus 5, och siffrorna i dessa kolumner är de andra labbens egna publicerade siffror snarare än siffror som MiniMax körde. Det är normal praxis och det är inte oärligt, men det innebär att varje jämförelse mellan kolumner i bilden ärver vilket utvärderingsramverk varje labb råkade använda. En tabell som ställer upp sex modeller inbjuder till att läsa tvärs över raderna. Endast två av dessa rader byggdes för att läsas tvärs över.

Prisberättelsen går åt andra hållet, och den är verklig

Pris­mässigt har MiniMax det renare kortet. M3.1 Flash kostar $0.15 per miljon indatatoken och $0.60 per miljon utdatatoken, med cachad indata på $0.015 – en rabatt på 90 % – och ingen variation över dygnet. DeepSeek V4.1 Flash 1017 listar $0.30 och $1.20 under sina toppfönster på vardagar, och halveras till $0.15 och $0.60 utanför topp, med cacheträffar på $0.006 respektive $0.003. Under topptimmar kostar DeepSeek dubbelt så mycket som MiniMax tar för samma miljon token. Utanför topp är de två korten identiska. En arbetsbelastning som körs enligt ett schema du styr kan jaga DeepSeeks billiga fönster; en arbetsbelastning som körs när dina användare gör det kan inte.

Artificial Analysis sätter en siffra på den skillnad som överlever prisspelen: 0,22 $ för att slutföra en uppgift i Intelligence Index på M3.1 Flash mot 0,26 $ på DeepSeek V4.1 Flash 1017. Det är en skillnad på 15 % till MiniMaxs fördel i samma utvärdering, och det är det enda ekonomiska påståendet i den här jämförelsen som är oberoende mätt i stället för leverantörspåstått. Det spelar roll eftersom priskortet per token inte säger detta. DeepSeeks 0,30 $/1,20 $ ser ut som en 2x-bestraffning men beter sig som en 15-procentig sådan, eftersom MiniMax förbrukar 180 miljoner uttoken när indexet körs mot DeepSeeks 210 miljoner, och eftersom DeepSeek är ungefär dubbelt så snabb med 208,7 token per sekund mot cirka 105. Två modeller, två prisfilosofier och en verklig kostnadsskillnad på arton cent per utvärdering.

Det är också där ett routinglager förtjänar sin plats, på ett sätt som är lätt att formulera men svårt att göra för hand. OrcaRouter för vidare leverantörens listpris med 0 % påslag, så när endera labbet ändrar ett pris ändras siffran på din faktura samma dag i stället för vid nästa avtalsförnyelse – och på ett kort med ett peak-fönster är det skillnaden mellan en budget du sätter en gång och en budget du kontrollerar varje timme. Vi har inte M​iniMax M3.1 Flash eller D​eepSeek V4.1 Flash 1017 i katalogen i dag, och den här artikeln gör inte anspråk på att vi har det; den D​eepSeek-familj vi faktiskt routar är en annan checkpoint, vilket är en distinktion som är värd att hålla reda på när det är modellsträngen som din kod är låst till.

Två tal som benchmark-tabellen inte innehåller

Det första är hastighet. M​iniMax hävdar över 200 tokens per sekund och P50 över 170. Artificial Analysis mäter ungefär 105 tokens per sekund i sin egen testrigg, med 1,38 sekunder till första token. D​eepSeek mäter 208,7 tokens per sekund vid 1,07 sekunder. Leverantörers genomströmningspåståenden mäts nästan alltid i det bästa fall en serveringsstack kan producera; det oberoende talet är det som dyker upp i din p95. I denna dimension är M​iniMax eget påstående och det uppmätta resultatet inte nära varandra, och det uppmätta resultatet är hälften av D​eepSeek.

Det andra är licensen. DeepSeek V4.1 Flash 1017 är MIT-licensierad med vikter på Hugging Face och 552 miljarder totala parametrar mot 16 miljarder aktiva. MiniMax säger att vikterna för M3.1 Flash "kommer att släppas senare" och har inte kopplat något datum, ingen licens och inget parameterantal till det löftet. Om din upphandling går igenom en säkerhetsgranskning som frågar vad som händer om leverantören försvinner, är benchmarktabellen inte frågan du besvarar, och i tabellen du fick finns svaret inte.

Vad skulle ändra den här läsningen

Tre saker, ordnade efter hur stor betydelse de skulle ha. Oberoende körningar av DeepSWE v1.1 och Agents' Last Exam på MiniMaxs checkpoint skulle avgöra om 73,7 och 29,6 är konservativa eller generösa — just nu har ingen utanför de två labben publicerat någon av dem. Ett publicerat Automation-Bench-resultat från MiniMax, på samma släpp med 600 uppgifter som DeepSeek använde, skulle ge det agentiska påståendet den siffra det för närvarande saknar. Och ett släpp av modellvikter med en bifogad licens skulle göra modellen jämförbar på den axel där DeepSeek för närvarande inte har någon konkurrens alls.

Fram till dess är den ärliga sammanfattningen snävare än något av lanseringsinläggen. M​iniMax M3.1 Flash är en billigare modell att slutföra en uppgift med, en långsammare att prata med, en sluten att upphandla och – på de enda två benchmarktester som båda företagen mätte identiskt – den som kom tvåa. Det är inte den historia tabellen ritades för att berätta, men det är den historia tabellen innehåller. Om du väljer mellan dem den här veckan bör du välja utifrån priskortet och licensen, för det är de två raderna som ingen behövde övertygas om.