Muse Spark vs DeepSeek V4.1 Pro: En nedladdning landade, en släpptes aldrig

Tre namn avgör den här matchen, och bara två av dem är något man kan hålla i. Muse Spark Open blev nedladdningsbar på riktigt den 15 oktober 2026, när Meta publicerade vikterna, konfigurationen och licensen för den öppna medlemmen i sin Meta Muse Spark-familj. DeepSeek V4.1 Pro har aldrig släppts: nivån namngavs exakt en gång, i en ändringsloggpost den 10 september som beskrev en routningsplan som den omedelbart drog tillbaka, och har sedan dess inte publicerat något modellkort, ingen prisrad, inget kodförråd och inget datum. Det tredje namnet är det som gör rubriken möjlig att besvara, eftersom det är flaggskeppet som en läsare faktiskt skulle ställas mot i sitt val — DeepSeek V4 Pro, flaggskeppet med 1,6 biljoner parametrar och MIT-licens, som har gått att ladda ner och anropa sedan den 13 augusti 2026, med DeepSeek V4.1 Flash strax under sig som den billiga, snabba, bildläsande medlemmen i samma linje.

Om man uttrycker det så är den intressanta frågan inte vilken modell som är smartare. Det är vad som förändrades för någon som bygger på vikter snarare än slutpunkter: den ena sidan av den här jämförelsen skaffade sig i går en licens som går att läsa och argumentera emot, den andra har aldrig haft en, och aritmetiken för pris per uppgift går i motsatt riktning mot aritmetiken för pris per token.

Rubrikens två halvor är inte samma typ av objekt.

Formen på den här parningen är tillräckligt ovanlig för att nämnas innan vi ens kommer till några siffror. Vanligtvis har en ”vs”-sida ett versionsproblem – två modellnamn som döljer tre checkpoints vardera. Här har ena sidan ett versionsproblem och den andra ett existensproblem.

Metas sida reds ut snyggt. Muse Spark är en familj, inte en lansering: serien introducerades den 8 april 2026, och den har pekats om fyra gånger sedan dess. Muse Spark 1.1 landade den 16 juli 2026, Muse Spark 1.2 den 5 augusti, och Muse Spark 1.3 den 2 september, med 1.3:s "max"-resonemangsnivå som öppnades två dagar senare, den 4 september, efter ytterligare säkerhetstester. Muse Spark Open är den femte artefakten under namnet och den enda du kan hosta själv.

DeepSeeks sida går inte alls ihop. DeepSeek V4.1 Pro är ett nivånamn utan något bakom sig, och skillnaden mellan det och de fyra DeepSeek-modeller som faktiskt finns är hela anledningen till att den här sidan måste ange en ersättare. Den ärliga tolkningen är att en läsare som söker efter den här matchningen bär på två olika frågor — vad Meta nyss lade på disk, och när den DeepSeek-nivå som har utlovats faktiskt kommer att finnas.

Vad som faktiskt landade, och hur länge det hade legat där

Muse Spark Open är inte ett överraskningssläpp och inte heller en konventionell lansering, och gapet mellan dessa två beskrivningar är det mest intressanta med släppet. Hugging Face-repositoriet – en BF16-checkpoint och en separat NVFP4-bygge, under namnet Muse-Spark-Open-816B-A42B – har en skapandetidsstämpel på 2026-09-15. Sedan låg det bara där i en månad, gated och oannonserat, medan licenstexten och användningspolicyn i åtkomstformuläret höll sin egen datering: 15 oktober 2026. Artefakten existerade tyst; pappersarbetet hann ikapp en månad senare.

Vad metadata och Metas eget releaseinlägg fastställer utan någons benchmark:

• Skala — ungefär 816 miljarder totala parametrar med omkring 42 miljarder aktiva per token, en gles blandning av experter över 62 lager och 256 experter per MoE-lager, med 8 valda per token.

• Kontext — ett fönster på 1 048 576 token, delat över alla modaliteter i stället för uppdelat mellan dem.

• Modaliteter – text, bild, video och ljud in; text ut. Artificial Analysis oberoende förteckning registrerar samma indatarad och beskriver en modell som tar emot text, bild, tal och video.

• Reasoning – en inställning för resonemangsansträngning med nivåerna low, medium, high och xhigh, och inget sätt att helt stänga av resonemanget.

• Åtkomst – begränsad. Förfrågningsformuläret efterfrågar fullständigt juridiskt namn, födelsedatum och organisation med företagsidentifierare, och kan inte ändras efter inlämning. Den som betraktar detta som en nedladdning med ett klick bör räkna med att hamna i kö.

Det är den del av protokollet som är fastställd. Den del som inte är fastställd är mätningen, och det är värt att vara precis om vilken som är vilken — se avsnittet med siffror nedan.

deepseek-ai-organisationen och namnet som inte finns i den

Allt som publicerats om DeepSeek V4.1 Pro ryms i en enda mening från DeepSeeks egen ändringslogg, daterad 2026-09-10, i anteckningen som medföljde DeepSeek V4.1 Flash. Där stod det att från och med 04:00 UTC den 14 september skulle förfrågningar till deepseek-v4-pro dirigeras till den nyligen lanserade Flash-modellen och faktureras enligt Flash-priser, och att detta skulle fortsätta "tills V4.1-Pro lanseras." Utvecklare invände mot att en produktionsmodell byttes ut under dem utan något migreringsfönster, och samma post i ändringsloggen dokumenterar vändningen: DeepSeek beslutade att fortsätta betjäna DeepSeek V4 Pro efter den 14 september med oförändrad fakturering.

Ruttplanen dog. Namnet överlevde den, och den klausulen utgör hela den offentliga dokumentationen. Verifierat mot primärkällor den 16 oktober 2026:

• DeepSeeks sida Models & Pricing visar exakt två modellnamn – deepseek-flash och deepseek-v4-pro, som motsvarar DeepSeek-V4.1-Flash och DeepSeek-V4-Pro-0813. Det finns ingen kolumn, rad eller pris för V4.1 Pro.

• DeepSeeks ändringslogg har ingen oktoberpost av något slag, och dess senaste poster är 2026-09-10, 2026-08-21 och 2026-08-13.

• Organisationen deepseek-ai på Hugging Face har inget repository med namnet V4.1 Pro. Dess nyaste modell-repository är DeepSeek-V4.1-Flash, skapat 2026-09-10.

En obekräftad signal är värd att registrera och inte mer än så. På morgonen den 15 oktober rapporterade en tracker att en DeepSeek-endpoint betedde sig annorlunda efter att ett tjänsteavbrott hade avslutats – den klarade en prompt för relationellt resonemang som både DeepSeek-V4-Pro-0813 och V4.1-generationen misslyckades med, reproducerbart över fyra prover, vid ungefär 180 tokens per sekund – och gissade namnet V4.1 Pro. Det finns inget modellkort, ingen viktfil och inget uttalande från leverantören bakom det, och en tyst ombyggnad av en befintlig serving-konfiguration skulle se identisk ut utifrån. Betrakta det som en anledning att hålla utkik, inte som en lansering.

Vad en V4.1 Pro nästan säkert skulle ärva är värt att nämna separat, eftersom det är en inferens och inte rapportering. Varje DeepSeek-modell som har släppts i V4- och V4.1-serierna — DeepSeek-V4-Pro-0813, DeepSeek-V4-Flash, DeepSeek-V4-Flash-0731 och DeepSeek-V4.1-Flash — har license:mit på sitt modellkort, och den serverade omfattningen har varit konsekvent: 1M tokens in, upp till 384K ut. En Pro-nivå i den serien skulle förväntas matcha båda. Inget har publicerats som säger det.

Axeln som ingen resultattavla bär: licensen

Det är här de två alternativen med öppna vikter verkligen skiljs åt, och det är avsnittet som avgör artikeln för alla som lanserar en produkt snarare än kör ett benchmark. Artificial Analysis listning för Muse Spark Open besvarar licensfrågan med "kommersiell användning är tillåten med begränsningar", och anledningen finns i Metas egen text.

The Muse Model License är inte en OSI-licens och inte MIT. Två klausuler förändrar vad ”öppna vikter” innebär i praktiken, och ingen av dem finns i rubriken.

• Villkoret om model-as-a-service. Avsnitt 3 kräver att om du eller dina närstående bolag ger tredje parter åtkomst till modellen som en produkt eller tjänst via ett API, och dina sammanlagda bruttointäkter överstiger tjugo miljoner amerikanska dollar under någon period om tolv sammanhängande månader, måste du meddela Meta och ingå ett separat skriftligt avtal innan du bedriver den verksamheten. Att bygga in modellen i din egen produkt är undantaget; att sälja vidare den är det inte.

• Attribueringsfrasen. Licenstagare måste framträdande visa "Built with Muse Spark Open" i gränssnittet på alla produkter som använder modellen eller ett derivat, eller i medföljande dokumentation, webbplats eller inställningsmeny.

Mot detta är hela den släppta DeepSeek-linjen MIT — DeepSeek V4 Pro, DeepSeek V4.1 Flash och deras föregångare omfattas alla av den, utan intäktströskel, anmälningsskyldighet eller attributionskrav. De praktiska konsekvenserna är inte subtila. Om din plan innebär att hosta modellen bakom ett API åt andra har Metas licens en intäktsfälla som DeepSeeks inte har. Om din plan innebär att släppa en konsumentprodukt byggd på vikterna ålägger Metas licens dig att visa en mening, och DeepSeeks ålägger dig att inte visa någonting.

Två saker som Muse Model License uttryckligen beviljar, och de är värda att nämna eftersom de är själva poängen med öppna vikter: du får finjustera, destillera, slå samman, publicera, vidarelicensiera och sälja derivat, och Meta gör inte anspråk på äganderätt till utdata. Begränsningen är snäv och beviljandet är brett. Men om du väljer mellan dessa två utifrån juridisk granskning snarare än förmåga, är valet inte svårt, och det är svaret som denna matchning ger innan någon av modellerna genererar en token.

Siffrorna, och linjen som går baklänges

Artificial Analysis är den enda tredjeparten med offentliga listor för båda lägren, och den placerar dem inte i samma fack – öppenviktsmodeller rankas mot öppenviktsmodeller i samma storleksklass, vilket här inte snedvrider särskilt mycket eftersom allt som diskuteras är öppenviktsmodeller. Det som följer är dess mätning, inte en leverantörs påstående och inte vårt.

• Muse Spark Open (xhigh) — Intelligence Index 39, nionde av 118 poster i sin klass och väl över klassmedianen på 19; $1,25 in och $4,25 ut per miljon tokens; $0,84 per slutförd indexuppgift; utdatahastighet 103,4 tokens per sekund; tid till första token 0,65 sekunder; 110M utdatatokens genererade under indexet, mot en median på 130M; 816B totalt och 42B aktiva parametrar; Muse Model License.

• DeepSeek V4 Pro 0813 (max) — Intelligensindex 36; $1,32 in och $3,96 ut per miljon tokens; $0,67 per indextask; 92 tokens per sekund; tid till första token 1,66 sekunder; 160M utdata-tokens, över medianen; 1,6T totalt och 49B aktiva parametrar; MIT.

• DeepSeek V4.1 Flash (max) — den användbara tredje kolumnen, och den som ordnar om hela jämförelsen. Intelligence Index 39 — samma poäng som Muse Spark Open — till $0,30 in och $1,20 ut per miljon tokens, $0,27 per indextask, 179 tokens per sekund och 1,15 sekunder till första token, mot 250M utdata-tokens, den mest utförliga mätningen i den klassen.

Läs de tre tillsammans, och inversionen är poängen. DeepSeeks modeller är mer ordrika per uppgift – 160M och 250M output-tokens mot Muse Spark Opens 110M – och ändå kostar de mindre per slutförd uppgift, eftersom priset per token är så mycket lägre. Kostnaden per token och kostnaden per uppgift pekar i motsatta riktningar här, och den som jämför dessa enbart utifrån de angivna input-/outputpriserna kommer att dra fel slutsats om vilken som är billigare i drift.

Två prissättningsförbehåll som väsentligt ändrar kalkylen. För det första halverar DeepSeeks egen prislista priserna utanför högtrafik, och högtrafik är ett snävt tidsfönster – 01:00–04:00 och 06:00–10:00 UTC, måndag till fredag, med undantag för kinesiska allmänna helgdagar, där helger och helgdagar helt ligger utanför högtrafik. Siffrorna $1.32 / $3.96 och $0.30 / $1.20 ovan är de högtrafikpriser som DeepSeek publicerar; lågtrafikpriserna är $0.66 / $1.98 för DeepSeek V4 Pro och $0.15 / $0.60 för DeepSeek V4.1 Flash. Större delen av en vecka är lågtrafik. För det andra publicerade Meta inget pris alls för Muse Spark Open – raden $1.25 / $4.25 är en hostad väg som Artificial Analysis mäter, rapporterad som medianen bland leverantörer som tillhandahåller modellen, inte ett leverantörslistpris för vikterna. Vikter som du hostar har inget pris per token; de har en hårdvarukostnad.

Ytterligare en ärlig brasklapp på Muse Spark-sidan. 39:an ovan tillhör Muse Spark Open vid xhigh, och det är inte familjens bästa siffra. Muse Spark 1.3 vid max får 48 på samma index – nio punkter högre – och Muse Spark 1.2, den checkpoint som de flesta utvecklare har anropat, får 40. Att läsa av familjens förmåga från den öppna checkpointen skulle underskatta den; att läsa den öppna checkpointens licens från den slutna linjen vore ett kategorifel, eftersom de styrs av olika villkor.

Där de två inte alls är substitut

Indexgapet mellan 39 och 36 är tillräckligt litet för att ligga inom bruset för hur varje harness kördes, vilket är anledningen till att specifikationerna nedan spelar större roll än poängen när man ska välja mellan dem.

• Modalitet – det här är inte ens nära. Muse Spark Open läser text, bilder, video och ljud. DeepSeek V4 Pro läser text och inget annat; DeepSeeks egen prislista markerar vision-raden som "Stöds inte" för den, och Artificial Analysis noterar samma sak. Om din pipeline matar in skärminspelningar, video eller tal i en modell, slutar jämförelsen här.

• Kontext — båda är 1M tokens, och det finns inget att separera. Muse Spark Open delar den budgeten över modaliteter; DeepSeeks är endast textbaserad till sin konstruktion.

Maximal utdata — DeepSeek publicerar 384K tokens för DeepSeek V4 Pro och DeepSeek V4.1 Flash. Meta publicerar ingen siffra för maximal utdata för Muse Spark Open som vi kunde verifiera. Ett opublicerat tak är en risk att testa snarare än att anta om du genererar långa artefakter i ett anrop.

• Tid till första token – den enda latenssiffran som Muse Spark Open vinner klart, med 0,65 sekunder mot 1,66 för DeepSeek V4 Pro och 1,15 för DeepSeek V4.1 Flash. För interaktiva eller agentiska loopar där den första token styr nästa verktygsanrop är det en verklig skillnad, och den överlever det mindre indexgapet.

• Genomströmning — DeepSeek V4.1 Flash är snabbast av de tre med 179 tokens per sekund, medan Muse Spark Open ligger på 103,4 och DeepSeek V4 Pro på 92. Noterbart är att den slutna Muse Spark 1.2 uppmättes till 361 tokens per sekund — den öppna checkpunkten är en annan driftsättning med en annan hastighetsprofil, och man bör inte anta att den ärver den slutna linjens siffror.

• Latensspridning inom familjen – värd en rad eftersom det är en fälla. Muse Spark 1.3:s uppmätta tid till första token är 54,06 sekunder vid maximalt resonerande, mot en median för jämförbara modeller på omkring 3,7. En resonemangstung konfiguration kan göra av med nästan en minut innan första token anländer. Vad du än drar för slutsats av en Muse Spark-rad, kontrollera vilken checkpoint och vilken ansträngningsnivå som producerade den.

Att köra jämförelsen i stället för att läsa den

Ingen av sidorna i den här rubriken kan avgöras genom argument, eftersom de två sakerna som står på spel – huruvida 39 mot 36 betyder något för din trafik, och huruvida genomströmningen och latensen hos Muse Spark Open håller måttet på en annan serveringsstack – bara syns i dina egna förfrågningar. Det billiga sättet att ta reda på det är att köra båda mot samma prompter.

Det är vad vi är till för. OrcaRouter samlar de fyra modellerna som har endpoints här — Muse Spark 1.2, Muse Spark 1.1, deepseek-v4-pro och deepseek/deepseek-v4.1-flash — bakom ett API för över 200 modeller, till varje leverantörs listpris med 0 % påslag som förs vidare, så att en leverantörsprissänkning är live hos oss samma dag. Båda familjerna ligger på en och samma nyckel: inget ytterligare avtal, inget ytterligare SDK, ingen migrering för att testa det ena mot det andra, och automatisk failover så att ett routat experiment som går dåligt degraderar till den andra modellen i stället för till en felsida.

Ärlighetsdelen spelar större roll än säljpitchar, så: Muse Spark Open finns inte i vår katalog och vi kommer inte att antyda något annat. En modell vars hela proposition är att du kan ladda ner den är en modell du kör själv, och 816B-checkpointen är ett beslut om hårdvara — Metas egen BF16-recept sprider den över fyra noder med åtta H200:or vardera. DeepSeek V4.1 Pro finns inte heller i vår katalog, eftersom det inte existerar. Det routade test som finns tillgängligt idag körs på de checkpoints som gör det: Muse Spark 1.2 och Muse Spark 1.1 på ena sidan, DeepSeek V4 Pro och DeepSeek V4.1 Flash på den andra.

Vem ska välja vilken

Om du behöver modalitet, välj Metas. Muse Spark Open läser video, bild, ljud och text inom en enda budget på 1M token och svarar i text, och inget i DeepSeeks lanserade modellutbud gör det. DeepSeek V4.1 Flash läser bilder och har ett starkare värde med stor marginal, men den är inte en video- eller ljudmodell, och DeepSeek V4 Pro är enbart textbaserad.

Om du behöver den lägsta kostnaden per slutförd uppgift, eller behöver en licens som du kan bygga ett företag på utan en juridisk granskning, välj DeepSeeks. DeepSeek V4.1 Flash matchade Muse Spark Opens indexpoäng till ungefär en tredjedel av kostnaden per uppgift enligt Artificial Analysiss mätning, och DeepSeek V4 Pro slog den på kostnad per uppgift samtidigt som den var den mer ordrika modellen. MIT över hela den levererade produktlinjen innebär ingen intäktströskel och ingen attribueringsmening.

Om du behöver den snabbaste första token för en interaktiv loop är Muse Spark Opens 0,65 sekunder det bästa värdet i den här jämförelsen med en faktor två, och det är den enda axeln där den lägre indexpoängen är helt klart irrelevant.

Och om frågan du kom hit med var "bör jag vänta på DeepSeek V4.1 Pro", så är svaret idag att det inte finns något att vänta på som har ett datum. De två DeepSeek-modeller du kan anropa är redan de som den här jämförelsen måste köras mot, och en av dem – DeepSeek V4.1 Flash – får högre poäng än flaggskeppet som nivånamnet skulle ligga över. Det man bör hålla ögonen på är inte nivånumret utan huruvida DeepSeek-sidan av den här tabellen förändras överhuvudtaget: en oktoberpost i DeepSeeks ändringslogg, ett arkiv i deepseek-ai-organisationen, eller en fjärde prissatt rad på Models & Pricing-sidan. Tills något av dessa dyker upp är den mer intressanta rörelsen på Metas sida av räkenskapen, där en licens, en hårdvarukostnad och en mångordighetsiffra på 110 miljoner tokens nu alla är saker som en läsare faktiskt kan kontrollera.

För en modell vars fellägen fortfarande är odokumenterade är den användbara motsvarigheten registret över vad som redan har gått fel på andra håll: de dokumenterade AI-incidenterna och agentfelen kring modeller i den här klassen samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd status.