SWE-2 Flash mot DeepSeek V4 Flash: Den ena har en prislista, den andra har en kvot

Det första som brister när man ställer SWE-2 Flash och DeepSeek V4 Flashsida vid sida är enheten. DeepSeek publicerar dollar per miljon tokens och en checkpoint som du kan ladda ner. Cognition publicerar en bråkdel — en femtedel av SWE-2 — och en plats inne i Devin. En av dessa är en modell man kan bygga på; den andra är en modell man kan använda. Varje jämförelse som följer måste stå pall för den asymmetrin, och de flesta av dem som cirkulerade på lanseringsdagen gjorde det inte.

Det är inte ett skäl att hoppa över jämförelsen. Det är skälet till att jämförelsen är värd att göra noggrant. De två modellerna riktar sig till samma köpare – ett team som vill ha kodningsbeteende nära frontlinjen utan frontlinjepriser – och de satsar på motsatta sätt när det gäller hur den köparen vill få det. Den ena satsningen är uppdelad: vikter, ett API, ett publicerat kontextfönster och en räkning du kan förutse. Den andra är integrerad: en modell anpassad för ett enda körramverk, såld till en bråkdel av en annan modells kostnad, med serveringsstacken inräknad i siffran.

Vad var och en faktiskt är, och kontrollpunktsfällan

SWE-2 Flash tillkännagavs den 4 november 2026. Den är eftertränad från Inkling-Small, Thinking Machines 276B-totala, 12B-aktiva mixture, och den finns i Devin Desktop och Devin CLI. Den är gratis där till och med den 30 november. Det finns inget API, inga offentliga vikter och inget publicerat kontextfönster.

DeepSeek V4 Flash är en mixture med totalt 284B parametrar och ungefär 13B aktiva, under MIT-licensen, med ett kontextfönster på 1M tokens och upp till 384 000 uttoken. Den tar endast text; visionvarianten är ett separat experimentellt ID. Den serveras via ett OpenAI-kompatibelt API och har varit anropbar sedan i våras, med en på nytt eftertränad 0731-checkpoint som utförde större delen av arbetet med agentisk kodning.

Sedan fällan. DeepSeeks egen sida för modeller och prissättning, läst den 5 november 2026, listar deepseek-v4-flash bland de legacy-namn som fortfarande accepteras av API:et och anger att det nu tillhandahålls av DeepSeek-V4.1-Flash-1017. Det är en annan och större modell: Cognitions jämförelsetabell anger V4.1 Flash 1017 till 763B totalt och 16B aktiva. Så "DeepSeek V4 Flash" kan syfta på minst tre saker beroende på vem som säger det – aprilversionen, 0731-checkpointen eller V4.1-checkpointen från oktober som ID:t nu pekar på. På OrcaRouter är de pinnade ID:na separata rutter, vilket är den enda anledningen till att en jämförelse överhuvudtaget kan vara reproducerbar.

Det här är inte petighet. Det ändrar vilken benchmarkrad du har rätt att citera. Offentliga leaderboard-siffror för "DeepSeek V4 Flash" mättes på 0731-bygget. Cognition:s tabell mätte V4.1 Flash 1017. De är inte samma modell, och siffrorna skiljer sig därefter.

Pris, i de två enheter som varje leverantör faktiskt publicerar

DeepSeeks priskort är ren aritmetik. Per miljon tokens för den modell som deepseek-flash-ID:t nu betjänar – DeepSeek-V4.1-Flash-1017, som sidan uttryckligen anger – gäller den 5 november 2026: indata till $0,15 utanför högtrafik och $0,30 under högtrafikfönstren, utdata till $0,60 utanför högtrafik och $1,20 under högtrafik, cachad indata till $0,003 och $0,006. Högtrafik är 01:00–04:00 och 06:00–10:00 UTC, måndag till fredag, exklusive kinesiska allmänna helgdagar. Utanför dessa fönster gäller den lägre taxan.

Den fastnålade äldre kontrollpunkten har ett annat pris. OrcaRouters katalog innehåller deepseek/deepseek-v4-flash för $0,22 per miljon indatatoken och $0,66 per miljon utdata, en fast taxa utan någon högtrafiknivå. Det är priset för reproducerbarhet: lås modellen från aprilserien i stället för att anropa den nuvarande, och du betalar mer, i utbyte mot den modell som de flesta publicerade benchmarkraderna faktiskt mättes på. Inget av valen är fel; de svarar på olika frågor.

Cognitions kort är en jämförelse. ”En femtedel av priset och 3 gånger hastigheten hos sitt mycket större syskon” är hela det offentliga uttalandet, utan någon absolut siffra angiven, och dessutom gratis fram till den 30 november. Det går inte att beräkna vad en uppgift kostar på SWE-2 Flash utifrån offentlig information, eftersom nämnaren är en modell vars eget tokenpris inte heller någonsin publicerades.

Två konsekvenser följer, och båda är praktiska snarare än pedantiska.

• Förutsägbarhet — DeepSeeks kostnad per miljon tokens är känd in på centen, inklusive toppmultiplikatorn. SWE-2 Flashs kostnad är endast känd som en andel av ett opublicerat tal, inom en prenumeration som du redan betalar för.

• Flatpriser är missvisande – den fixerade V4 Flash-rutten har en enda fast taxa, medan leverantörens aktuella prislista har två nivåer. Ett fast tal är därför fel för en del av veckan, och det beskriver en annan kontrollpunkt än den som de flesta benchmarkrader anger. Planera utifrån leverantörens prislista; reproducera mot den fixerade rutten.

Båda är viktigare än de verkar. För en agent som kör tusentals korta anrop är peak-multiplikatorn ett schemaläggningsproblem som går att planera runt; för en kodagent som kör en handfull långa sessioner är den ett avrundningsfel. Vilket av dessa du är avgör om DeepSeeks kort har två priser eller ett.

Hastighet: en uppspelning mot en mätning

Cognitions 200 tokens per sekund är inte en realtidsmätning. Inlägget förklarar det: varje models egen körning på Terminal-Bench 4.0:s gsea-proteomics-uppgift, "återuppspelad med en simulerad hastighet på 200 vs. 60 tokens per sekund", med transkript förkortade till samma längd. SWE-2:s 60 tok/s kommer från samma återuppspelning. Det beskriver den serveringsprofil som Cognition siktar på, vilket är en legitim sak att publicera, men det är inte ett tidtagarur på två ändpunkter.

Artificial Analysis mäter DeepSeek V4 Flash till 112 utdatatokens per sekund på sin nuvarande modellsida, med 32,41 sekunder till första svarstoken. Det är en mätning av ett live-API, inklusive vilken köbildning leverantören än tillämpar. De två siffrorna är inte jämförbara, och att subtrahera dem skulle vara meningslöst: den ena är en simulerad återuppspelning inuti en produkt, den andra är en observerad serveringshastighet över den publika slutpunkten.

Det som kvarstår trots förbehållet är riktningen. Om en modell med 12B aktiva parametrar verkligen levererar på ungefär 200 tok/s inuti Devin, medan en modell med 13B aktiva parametrar mäter 112 tok/s på ett publikt API, är den mindre aktiva modellen inte uppenbart den snabbare — serveringsstacken gör lika mycket arbete som arkitekturen. Det är ett argument för integrerade produkter och mot att avläsa hastighet utifrån ett parameterantal.

Den enda körningen med samma tabell, och vem som körde den

Cognitions lanseringstabell inkluderar DeepSeeks modell direkt. Kolumnen är DeepSeek V4.1 Flash 1017 – den checkpoint som ID:t deepseek-v4-flash nu pekar på – vilket gör detta till den enda jämförelsen av paret som tagits fram under ett och samma tak. Varje siffra nedan är Cognitions, på Cognitions benchmarkar, utan att någon testharness har avslöjats.

• FrontierCode 2.0 — SWE-2 Flash 24.0 mot DeepSeek V4.1 Flash 1017 19.3

• FrontierCode 1.1 Main — 45,5 mot 43,9

• DeepSWE 1.1 — 60,1 mot 77,0

Terminal-Bench 4.0 — 20,0 mot 42,3

• Terminal-Bench 2.1 — 89,2 mot 91,0

• SWE-Atlas QA — 50,0 mot 71,0

• SWE-Bench Pro v2 Hard — 89,9 mot 86,3

• ExploitBench — 34,8 mot 31,1

Uppdelningen är fyra rader vardera, och marginalerna är inte alls symmetriska. SWE-2 Flash vinner FrontierCode 2.0 med 4,7 poäng, FrontierCode 1.1 Main med 1,6, SWE-Bench Pro v2 Hard med 3,6 och ExploitBench med 3,7. DeepSeek vinner DeepSWE 1.1 med 16,9, Terminal-Bench 4.0 med 22,3, SWE-Atlas QA med 21,0 och Terminal-Bench 2.1 med 1,8. Varje Flash-vinst är en handfull poäng. Två av DeepSeeks vinster ligger över tjugo.

Vikta jämförelsen efter marginal i stället för efter antal vinster, så är den inte längre jämn. Flash är verkligen konkurrenskraftig på FrontierCode, som belönar en avgränsad patch mot en skriven specifikation, och ligger långt efter på Terminal-Bench 4.0, som mäter en terminalagent som tar en uppgift hela vägen till slutförande. Det är också i den raden som resten av fältet skiljer sig åt: GLM 5.3 Flash får 41,8 på samma benchmark och Claude Haiku 5.5 får 39,2, mot Flashs 20,0.

Nu till förbehållen som hör i samma andetag. Detta är en konkurrents tabell. FrontierCode är Cognitions eget instrument, och Cognition betygsätter det. Inlägget redovisar ingen harness, ingen effort-inställning och inget antal körningar, så "samma tabell" är inte detsamma som "samma förhållanden" – det är en leverantörs metodik tillämpad enhetligt, vilket är bättre än inget och sämre än oberoende. Och DeepSeek-kolumnen är V4.1 Flash 1017, inte 0731-bygget som de flesta offentliga siffror beskriver.

Det finns en användbar rimlighetskontroll för hur mycket instrumentet spelar roll. Utvärderingen från Artificial Analysis av 0731-versionen av DeepSeek V4 Flash, som senast kördes den 31 juli 2026, anger 12,1 % på Terminal-Bench 4.0. Cognitions tabell anger 42,3 % för checkpointen V4.1 Flash 1017. Trettio procentenheter skillnad i samma namngivna benchmark. En del av det beror på checkpointen – V4.1 är en annan och större modell – och en del på testramverket, eftersom den ena är en standardiserad tredjepartskörning och den andra en leverantörs egen. Hur som helst är ingen enskild rad i den här jämförelsen en egenskap hos enbart en modell, och de rader där de två leverantörerna är mest oense är de man bör fästa minst vikt vid.

Kontext, vikter och vad du kan bygga

• Kontextfönster — DeepSeek 1,048,576 tokens publicerat vs SWE-2 Flash inte publicerat

• Maximal utdata — DeepSeek 384 000 tokens jämfört med SWE-2 Flash som inte publicerats

• Vikter — DeepSeek MIT, nedladdningsbara vs SWE-2 Flash gated, partnerprogram utlovat "inom några veckor"

• Modalitet – DeepSeek V4 Flash endast text, med vision som kommer i V4.1-checkpointen och i ett separat experimentellt ID; jämfört med SWE-2 Flash anges inte

• Distribution — DeepSeek API och tredjepartsplattformar vs enbart Devin Desktop och Devin CLI

• Ansträngningskontroll — DeepSeek tänkande och icke-tänkande lägen vs SWE-2 Flash inte dokumenterat

• Licens att finjustera – DeepSeek ja vs SWE-2 Flash nej, ännu inte

För ett team som bygger en produkt är fem av de sju raderna diskvalificerande i sig. Du kan inte planera en retrieval-pipeline kring ett opublicerat kontextfönster, du kan inte finjustera vikter du inte har, och du kan inte lägga in ett beroende i din arkitektur som bara finns i någon annans IDE. SWE-2 Flash konkurrerar inte om den platsen. Den konkurrerar om platsen som en utvecklare redan har.

Den enda raden där Flash har en fördel är den som Cognition är minst tydlig med: kostnad per uppgift. Om en femtedel av SWE-2:s pris är en femtedel av kostnaden för att få ett jobb utfört, slår det DeepSeeks per-token-kort för interaktivt arbete i Devin, eftersom prenumerationen redan är betald. Om det är en femtedel av tokenpriset på en modell som genererar fler tokens per uppgift, krymper fördelen. Cognition publicerar inte tillräckligt för att avgöra vilket som gäller.

Där en router ändrar aritmetiken

DeepSeek V4 Flash dirigeras via OrcaRouter som deepseek/deepseek-v4-flash, till leverantörens listpris utan påslag, vilket spelar roll för en modell vars pris ändras två gånger om dagen: en leverantörsprissänkning eller en ändring av högtrafikfönstret når routen i stället för att vänta på att en plattform ska prissätta om den. Samma nyckel når fler än 200 modeller, så den vettiga versionen av den här jämförelsen – kör din kö mot DeepSeek V4 Flash, GLM 5.3 Flash och Kimi K3 och se vilken dina uppgifter faktiskt föredrar – kostar ett byte av modell-ID i stället för tre avtal. Automatisk failover mellan leverantörer är den andra halvan: DeepSeeks högtrafikfönster är precis då en andra route gör sig förtjänt av sin plats, och en fallback-kedja är billigare än ett pagerlarm.

SWE-2 Flash finns inte på OrcaRouter och kan inte finnas där. Det finns ingen slutpunkt att dirigera till, vilket är den ärliga sammanfattningen av hela jämförelsen. Om du vill ha den får du köpa Devin. Om du vill anropa en kodmodell från din egen programvara fattades valet åt dig innan benchmarkresultaten publicerades.

Vilken ska man välja?

Om du behöver en kodningsmodell i produktion – ett API, ett kontextfönster du kan dimensionera mot, vikter du kan låsa, en faktura du kan förutse – är DeepSeek V4 Flash den enda av de två som kvalificerar sig, och oktober-checkpointen är den att låsa. Rabatten för högtrafikfönstret är värd att anpassa lösningen efter, och 1M-kontexten är värd att ha även om du sällan fyller den.

Om du redan betalar för Devin är SWE-2 Flash nära ett gratisalternativ fram till 30 november. Kör den på den avgränsade delen av din kö, behåll SWE-2 för det flerstegsarbete som DeepSWE-gapet beskriver och behandla det kostnadsfria fönstret som den utvärderingsperiod det är. Risken är inte att den är dålig. Risken är att ett förhållande används där en mätning borde användas.

Om du standardiserar ett team på en kodmodell är detta inte jämförelsen som avgör saken. En kandidat kan testas och en kan inte, och en jämförelse där bara ena sidan är observerbar är ett distributionsbeslut i benchmarkkostym. Välj den du kan mäta och återkom när Cognition släpper en endpoint eller ett partnerprogram som placerar vikterna någonstans där du kan nå dem.