Ett genererat titelkort med texten 'Sage-S2.1-Flash vs DeepSeek V4.1 Flash' ovanför undertexten 'Två MoE-modeller med öppna vikter, en leverantörsresultattavla', med två chips nedanför som visar '18B aktiva' och '16B aktiva'. Vit bakgrund, blå och cyan gradientaccenter, platta linjeikoner. OrcaRouter-logotypen är kompositerad i det nedre högra hörnet.
Guides & Insights

Sage-S2.1-Flash vs DeepSeek V4.1 Flash: Den enda jämförelsen med en gemensam resultattavla

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Det finns exakt en plats på internet där Sage-S2.1-Flash och DeepSeek V4.1 Flash har ställts mot varandra i poängsättning, och den är inte neutral. InternLM, laboratoriet som publicerade Sage-S2.1-Flash den 15 november 2026, satte in DeepSeek-V4.1-Flash-1017 i sin egen jämförelsetabell – 35 benchmarktester, åtta konkurrerande modeller, en tabbseparerad fil i ett GitHub-förråd som Hugging Face-modellkortet inte länkar till. Så de två modellerna delar en resultattavla, och en av dem byggde den.

Det är mer än vad man kan säga om någon av de andra två jämförelserna i den här serien, där det inte finns någon gemensam tabell överhuvudtaget. Det gör också detta till den mest användbara av de tre sidorna, eftersom en gemensam tabell – till och med en leverantörs egen – låter dig ställa frågor som ett par separata blogginlägg inte kan besvara. Det som följer är vad den gemensamma tabellen säger, vilka de två arkitekturerna bakom den är, och hur mycket av det du bör vara beredd att tro på.

Asymmetrin som ramar in allt

Ställ de två utgåvorna sida vid sida som artefakter innan du ställer dem sida vid sida som modeller.

DeepSeek V4.1 Flash lanserades den 10 september 2026 med ett fullständigt modellkort, en teknisk rapport i PDF med titeln "Pushing the Limits of KV Cache Compression", en MIT-licens, ett dokumenterat API med publicerade lågtrafik- och högtrafikpriser samt en uppdaterad ögonblicksbild – 1017 – den 17 oktober. Dess Hugging Face-repositorium har laddats ner 1,69 miljoner gånger och har 4 978 gillningar. Artificial Analysis ger den oberoende 32,6 på Intelligence Index vid maximal ansträngning.

Sage-S2.1-Flash lanserades den 15 november 2026 med 120 bfloat16-shardar, ett modellkort på 21 byte vars hela innehåll är en licensdeklaration, en driftsättningsguide – och inget publicerat pris någonstans. Det har en gilla-markering och noll nedladdningar. Ingen oberoende testram har rört det.

Båda är MIT-licensierade mixture-of-experts-modeller med öppna vikter, ett kontextfönster på en miljon token och inbyggd bildinmatning. På papperet är de jämlikar. I bevisväg är de inte i närheten.

A generated two-column comparison scoreboard titled 'Sage-S2.1-Flash vs DeepSeek V4.1 Flash - the scoreboard'. The Sage-S2.1-Flash column reads: Parameters: 320B, 18B active; Layers: 45, 34 linear; Price: none published; Context: 1,048,576 tokens; Independent score: none; Downloadable: MIT weights. The DeepSeek V4.1 Flash column reads: Parameters: 552B, 16B active; Layers: 40, encoder-decoder; Price: $0.15 / $0.60 off-peak; Context: 1,000,000 tokens; Independent score: AA Index 32.6; Downloadable: open weights. Footer: 'Sage rows from InternLM; DeepSeek price from DeepSeek; DeepSeek score per Artificial Analysis.' The OrcaRouter logo is composited in the bottom-right corner.

Vad den delade tabellen faktiskt innehåller

Benchmarkfilen från InternLM listar 31 rader som innehåller ett värde för DeepSeek-V4.1-Flash-1017. Att läsa den är en annan upplevelse än att läsa ett lanseringsinlägg, eftersom raderna där Sage förlorar fortfarande finns kvar. Ett representativt urval, med Sage först på varje rad:

• Terminal-Bench 2.1 — 87,9 mot 87,6, oavgjort med tre tiondelar

• DeepSWE – 67,0 mot 73,9, ett underskott på 6,9 punkter

• SWE-bench Pro — 60,6 mot 64,7, ett underskott på 4,1 punkter

• NL2Repo-Bench — 57,2 mot 62,7, ett underskott på 5,5 poäng

• APEX-Agents – 61,7 mot 69,2, ett underskott på 7,5 poäng

WideSearch — 81,5 mot 86,3

• BrowseComp – 91,2 mot 93,8

• CyberGym — 84,3 mot 88,8

• τ³-bench Banking – 45,4 mot 47,4

• OSWorld v2.1 — 69,3 mot 70,1

• AutomationBench — 56,7 mot 57,8

Mönstret i den listan är obehagligt för den nyare modellen: inom allmänt agentiskt arbete och kodningsarbete vinner DeepSeek V4.1 Flash majoriteten av raderna, ofta med marginaler som inte är brus. En modell som publicerades två månader tidigare, av ett labb med en offentlig teknisk rapport, slår den tysta lanseringen på de benchmarks som den tysta lanseringen själv valde att publicera.

Då inverteras tabellen. Raderna där Sage leder är de vetenskapliga och dokumentrelaterade, och marginalerna är av en helt annan storleksordning:

• Harvey LAB — 25,0 vs 11,7, mer än dubbelt

• OfficeQA Pro V2 — 72,2 mot 69,7

• BabyVision — 75,8 vs 58,0, en skillnad på 17,8 punkter

• OSWorld-G – 84,8 mot 61,4, en skillnad på 23,4 punkter

• MLE-bench Lite — 90,3 mot 89,2

• Workspace-Bench-Lite — 67,1 mot 66,8

• GDPval — 78.0 mot 77.6

• SpreadsheetBench 2 — 37,1 mot 35,8

Två mönster, och de pekar i motsatta riktningar. Inom programvaruteknik och verktygsdrivet agentarbete i en generell miljö är DeepSeek V4.1 Flash den starkare modellen, och InternLMs egna siffror säger det. Inom vetenskaplig perception, dokumenttungt professionellt arbete och grafisk skrivbordskontroll är Sage-S2.1-Flash inte marginellt före utan i en annan liga.

Varför arkitekturerna skulle ge exakt den uppdelningen

De två modellerna löser olika problem, och deras konfigurationer visar det innan något benchmark gör det.

DeepSeek V4.1 Flash är en ryggradsmodell med 552 miljarder parametrar och 16 miljarder aktiva per token, byggd på vad DeepSeek kallar en kausal encoder-dekoder-arkitektur: 40 lager jämnt fördelade på en 20-lagers kausal encoder och en 20-lagers dekoder. Den tekniska rapportens inramning är KV-cachekomprimering – modellens främsta påstående gäller serveringseffektivitet vid en miljon tokens, inte perception. Den bearbetar bilder nativt, men dess publicerade tonvikt ligger på ekonomin för servering med lång kontext.

Sage-S2.1-Flash är en modell med 320 miljarder parametrar, varav 18 miljarder är aktiva per token, och enligt dess distributionsguide har den 45 lager. Konfigurationen delar upp dem skarpt: 34 lager använder en linjär uppmärksamhetstyp som filen kallar kda, och endast 11 använder gles uppmärksamhet med ett top-k-index på 2 048 token. Det finns ett 24-lagers visionstorn med 448-pixels indata, och tokenordförrådet innehåller explicita bild-, video-, ljud-, start- och sluttoken. InternLM:s egen engelska utgivningstext – som ligger på internlm.github.io/Sage-S2.1-Flash, skapades den 16 november och som modellkortet inte refererar till – beskriver träning över molekylgrafer, kristallstrukturer, proteinsekvenser och 3D-strukturer, DNA och RNA, spektra, masspektra, röntgendiffraktion, elektrokardiogram, elektroencefalogram och ljuskurvor.

Läs den listan mot de rader där Sage vinner, och bilden slutar se ut som benchmark-tur. Harvey LAB är juridiskt arbete med dokument. OfficeQA Pro är frågebesvarande om finansiella dokument. BabyVision är visuell perception. OSWorld-G är grafisk skrivbordskontroll – att klicka i ett gränssnitt, inte att anropa ett API. Det är de konstruktioner som en modell tränad på vetenskapliga figurer, spektra, diagram och programvarugränssnitt skulle förväntas vara bra på, och det är precis där en modell tränad för KV-cache-effektiv allmän servering skulle förväntas ligga efter.

Poängen går åt båda hållen. Sage förlorar kodningsraderna eftersom det inte i första hand är en kodningsmodell; DeepSeek förlorar synraderna eftersom det inte i första hand är en perceptionsmodell. Inget av resultaten är någon skandal. Misstaget skulle vara att läsa någon av kolumnerna som ett generellt omdöme.

Screenshot of the OrcaRouter model page for deepseek/deepseek-v4.1-flash. It shows a 1M-token context window, text and image input, vision, tools, JSON and reasoning tags, a release date of 2026-10-17, and the price row $0.15 input and $0.60 output per million tokens with a 1.20 s time to first token. The page states the model carries a context window of 1,048,576 tokens, can generate up to 384,000 tokens in a response, and is billed at $0.15 per 1M input and $0.60 per 1M output tokens.

Prisspridningen, som inte är snäv

DeepSeek V4.1 Flash har ett offentliggjort pris, och det är ett av de lägsta priserna för någon modell i den här storleken:

• Lågtrafik, cachemiss — $0.15 per miljon input, $0.60 per miljon output

• Högsta, cachemiss – 0,30 USD per miljon indata, 1,20 USD per miljon utdata

• Cacheträff — 0,003 USD per miljon under lågtrafik, 0,006 USD under högtrafik

• Högtrafiktimmar — 01:00–04:00 och 06:00–10:00 UTC, måndag till fredag, exklusive kinesiska allmänna helgdagar

• Kontext — 1 000 000 tokens, med upp till 384 000 utdatatokens

Sage-S2.1-Flash har inget offentliggjort pris. Det finns inget pris på modellkortet, inget i driftsättningsguiden och inget på lanseringsmikrosajten; sajtens länk "Prova API:et" pekar på en portal som inte skulle rendera sin katalog för en klient utan JavaScript. Det Sage i stället har är ett hårdvarukrav: guidens referensdriftsättning är åtta H200-GPU:er i bfloat16, cirka 645 GB vikter över noden.

Det gör kostnadsjämförelsen till en form snarare än en siffra. DeepSeek V4.1 Flash kostar $0,15 per miljon indatatoken under lågtrafik, vilket innebär att en prompt på en miljon token kostar femton cent. Att köra Sage-S2.1-Flash på en miljon token kostar vad än åtta H200:or kostar dig för den faktiska tid som anropet tar, och ingen har publicerat någon genomströmningssiffra för den. Om du redan äger noden är marginalkostnaden för anropet nära noll och DeepSeek framstår som dyrt i jämförelse. Om du inte gör det vinner DeepSeek med en sådan marginal att jämförelsen med Sage inte är värd att göra förrän ett pris för hosting finns.

Vad den delade tabellen inte kan berätta för dig

En egenskap hos en jämförelse som tagits fram av en leverantör är värd att klargöra, eftersom den påverkar hur varje rad ovan ska läsas: testriggen är odokumenterad. InternLM publicerade siffrorna, inte körkonfigurationen. Det finns inget som anger hur många försök per uppgift, vilken stödstruktur som användes, vilka samplingsparametrar, om verktyg var tillgängliga eller vilken resonemangsbudget som gällde för någon av modellerna. DeepSeeks egen 32,6 på Artificial Analysis Intelligence Index kommer från en offentlig testrigg som tillämpar samma procedur på varje modell i dess index; InternLMs 73,9 för DeepSeek på DeepSWE kommer från en privat sådan.

Det gör inte tabellen värdelös. Det gör den riktningsgivande. Kodningsraderna och visionsraderna är båda tillräckligt stora och tillräckligt internt konsekventa för att valen av scaffolding sannolikt inte genererar dem. Det tre tiondelar stora oavgjorda resultatet på Terminal-Bench 2.1 ligger däremot väl inom det intervall som vilken harness-variation som helst skulle kunna producera – behandla en skillnad på 0,3 poäng som oavgjort, så går inget förlorat.

Det är också värt att notera: InternLM publicerade en siffra för DeepSeek på DeepSWE (73,9) som är hög i förhållande till de andra kodningsraderna i sin egen tabell, där DeepSeek hamnar på 64,7 på SWE-bench Pro. Den interna inkonsekvensen är precis en sådan sak som en publicerad testharness skulle reda ut på en eftermiddag och en privat inte kan reda ut överhuvudtaget.

Screenshot of the Hugging Face model page for internlm/Sage-S2.1-Flash. The header shows the safetensors and glm5_next tags, an MIT licence, a model size of 321B params and a bfloat16 tensor type. The sidebar notes that the README exists but its content is empty, that the model is not deployed by any Inference Provider, and it lists the collection including internlm/Sage-S2.1-Flash. Download counts are not shown.

Driftsättning: en eftermiddag kontra ett dokument

Om du väljer av operativa skäl snarare än utifrån benchmarkrader, är gapet större än vad poängen antyder, och det löper i samma riktning som evidensgapet.

DeepSeek V4.1 Flash levereras med en teknisk rapport, en standardtransformersarkitektur, en fp8-variant och deployment-taggar för Azure och SageMaker på sitt modellkort. Det har funnits tillgängligt i två månader, har laddats ner 1,69 miljoner gånger, och varje egenhet i serveringen har någon redan stött på och skrivit ned.

Sage-S2.1-Flash levereras med en distributionsguide som, om man läser den noggrant, är en lista över tysta fel. Utelämnar man --trust-remote-code kodar standardtokenizern agentiska strängar som <|user|> och <tool_call> som kontrolltoken – modellen stannar i förtid eller förvanskar ett verktygsanrop, och inget loggas. Kör man det på vLLM utan patchen för en fil i vllm_patch/ kopplas bilder till fel resultat när resultat från parallella verktyg returneras i fel ordning, så modellen svarar om fel bild; uppströmsfixen väntar som vllm-project/vllm#67108. Kör man det på SGLang utan att uttryckligen skicka chat_template.jinja installerar motorn sin egen mall för arkitekturen. På Hopper stöds inte FP8 KV-cache. LMDeploy kräver att transformers låses mellan 5.17 och 5.19, eftersom 5.19 bytte namn på en lagertyp.

Allt det där är dokumenterat, vilket är labbet till heder — det är mer än vad de flesta tysta lanseringar klarar av. Men det är också fingeravtrycket från en modell som fortfarande bara har betjänats av sina egna upphovsmän.

Det enda användbara som den delade tabellen avgör

Med allt ovanstående i åtanke är detta det beslut som bevisningen faktiskt stöder.

• Om ditt arbete är kod, agentverktyg eller allmän långkontextservering – DeepSeek V4.1 Flash. Den vinner de flesta av de raderna i rivalens egen tabell, kostar 0,15 USD per miljon indatatoken utanför högtrafik och har en oberoende poäng att stämma av mot. Det finns inget seriöst argument för Sage här.

• Om ditt arbete består av vetenskapliga figurer, spektra, diagram, skannade professionella dokument eller GUI-styrda program — är Sage-S2.1-Flash värt helgen. Gapet på 23 punkter i OSWorld-G och gapet på 13 punkter i Harvey LAB är den typ av skillnad som förändrar huruvida en uppgift överhuvudtaget går att automatisera, och ingen annan modell i InternLM:s tabell kommer nära på de raderna.

• Om du måste bestämma dig idag — DeepSeek V4.1 Flash, eftersom det är den enda av de två som du kan anropa utan ett underhållsfönster.

DeepSeek V4.1 Flash dirigeras på OrcaRouter som deepseek/deepseek-v4.1-flash till $0.15 för input och $0.60 för output per miljon tokens — DeepSeeks eget off-peak-listpris som vidarebefordras utan påslag — med en kontext på 1 048 576 tokens, tillsammans med 1017-snapshoten till samma pris. Sage-S2.1-Flash finns inte i vår katalog; det är öppna vikter som du skulle servera själv, och vi tänker inte antyda något annat.

Det en router ger dig här är snävare än en migrering och mer användbart än ett benchmark. Uppdelningen som den här artikeln beskriver – allmänt agentiskt och kodrelaterat arbete till en modell, vetenskapligt och GUI-tungt arbete till den andra – är exakt den form en routingpolicy uttrycker: en slutpunkt, en regel som skickar förfrågningar med bilder och dokument ned den specialiserade vägen, och automatisk failover som hindrar en försämring hos leverantören från att slå ut hela vägen. Båda DeepSeek-identifierarna ligger på samma nyckel, så att prova 1017-snapshoten mot originalet kostar en ändring av modellsträngen i stället för ett andra avtal. Den del du inte kan routa – Sage-S2.1-Flash – är den del du själv skulle behöva driftsätta, vilket är det tydligaste argumentet för att prototypa mot det som först finns i katalogen.

Vad skulle göra den här sidan värd att skriva om?

Två saker. Ett pris för Sage-S2.1-Flash, vilket skulle förvandla kostnadsavsnittet från en form till aritmetik. Och en oberoende poäng, helst i samma testramverk som placerade DeepSeek V4.1 Flash på 32,6 – eftersom den intressanta frågan inte är huruvida Sage slår DeepSeek i genomsnitt. Allt ovan tyder på att det inte är fallet. Den intressanta frågan är huruvida Sages 23-poängsförsprång i OSWorld-G överlever ett testramverk som inte skrevs av labbet som publicerade det, och huruvida underskottet på 6,9 poäng i DeepSWE är lika verkligt som kodningsraderna i dess egen tabell antyder.

Tills någon kör om de raderna är den gemensamma resultattavlan det bästa bevis som finns, och den byggdes av en av de två konkurrenterna. Läs den på samma sätt som du skulle läsa vilken självpublicerad jämförelse som helst som råkar ta upp sina egna förluster: mer trovärdig än en tabell utan några förluster, och fortfarande inte samma sak som en mätning.

Jämförda i den här artikeln1

Identifierat från den här artikeln · Benchmarks: Artificial Analysis · uppdateras dagligen