DeepSeek V4.1 Flash vs Kimi K3: อ่านข้อกล่าวอ้าง แล้วจึงดูหลักฐาน

DeepSeek V4.1 Flash มาพร้อมข้ออ้างที่เจาะจงและตรวจสอบได้ นั่นคือมันเอาชนะ Kimi K3 ในด้านไซเบอร์และ benchmark การเขียนโค้ด — และในแถวที่ผู้ขายเลือกมา มันทำได้จริง Terminal-Bench 2.1: 90.6 เทียบกับ 88.3 CyberGym: 88.1 เทียบกับ 80.0 DeepSWE v1.1: 74.2 เทียบกับ 67.5 NL2Repo-Bench: 65.4 เทียบกับ 58.0 ตัวเลข DeepSeek ทุกตัวนั้นมาจาก harness ของ DeepSeek เอง ที่ระดับ reasoning effort ของ DeepSeek เอง และตัวเลข Kimi K3 ทุกตัวที่นำมาเทียบด้วยนั้นมาจากที่อื่นทั้งสิ้น นั่นไม่ใช่เหตุผลที่จะปัดข้ออ้างนี้ทิ้ง แต่เป็นเหตุผลที่ข้ออ้างนี้ต้องถูกแกะให้ละเอียดก่อนที่คุณจะซื้ออะไรโดยอาศัยความน่าเชื่อถือของมัน

นี่คือสิ่งที่ฐานหลักฐานของทั้งสองโมเดลมีลักษณะจริง ๆ สิ่งที่เกิดขึ้นเมื่อนำมาวางบนสเกลเดียวกัน และตัวเลขหนึ่งตัวที่อยู่รอดได้ในทุกเวอร์ชันของการเปรียบเทียบนี้

หลักฐานสองชุดที่แทบจะไม่ทับซ้อนกัน

นี่คือส่วนที่ผิดปกติของแมตช์นี้ และมันอธิบายข้อโต้แย้งส่วนใหญ่ที่คุณจะพบทางออนไลน์

DeepSeek เผยแพร่ตาราง benchmark สำหรับการเปิดตัว Terminal-Bench 2.1, DeepSWE v1.1, CyberGym, ProgramBench, NL2Repo-Bench, Automation-Bench — ทั้งหมดเป็นข้อมูลที่ผู้ขายรายงานเอง นี่คือแถวที่ DeepSeek เลือกจะรัน บน harness ที่ DeepSeek ตั้งค่าเอง โดย DeepSeek เป็นผู้กำหนดระดับ reasoning effort ควรรู้ไว้ก่อนจะนำไปเทียบกับสิ่งใด ๆ: Artificial Analysis พบว่าการรันชุดทดสอบเหล่านี้ที่ระดับ reasoning effort สูงสุดใช้ output tokens มากกว่าการตั้งระดับกลางราว 2.5 เท่า ขณะที่กู้คืนความแม่นยำส่วนใหญ่ที่ต่ำกว่านั้นกลับมาได้ ตารางของผู้ขายที่ใช้ effort สูงสุดคือการวัดเพดาน ไม่ใช่การวัดค่าปกติ

ตัวเลขของ Kimi K3 ส่วนใหญ่ไม่ใช่ของ Moonshot Artificial Analysis ได้รันฮาร์เนสของตัวเองและเผยแพร่ผลลัพธ์รายเบนช์มาร์กบนสเกลที่เทียบเคียงได้กับทุกโมเดลที่ติดตาม: GPQA Diamond 93.5, Humanity's Last Exam 46.9, Long-Context Recall 88.7, SciCode 59.5, Terminal-Bench 2.1 85.0 — พร้อมดัชนีรวม นั่นคือผลการวัดของบุคคลที่สาม

ดังนั้น "DeepSeek เอาชนะ Kimi K3 ในการเขียนโค้ด" จึงหมายถึงสิ่งที่แคบกว่าที่ฟังดู บนฮาร์เนสของ DeepSeek โมเดลของ DeepSeek ชนะในแถวการเขียนโค้ดที่ DeepSeek คัดเลือกมา นั่นเป็นสัญญาณจริง — ผู้จำหน่ายมักไม่เผยแพร่ตารางที่ตนเองแพ้ — แต่มันเป็นหลักฐานคนละระดับจากการทดสอบชุดที่รันโดยอิสระ และทั้งสองไม่ควรอยู่ในคอลัมน์เดียวกันโดยไม่มีป้ายกำกับ

ในมาตรวัดหนึ่ง ส่วนต่างคือ 4 คะแนน

พอเอาทั้งคู่ไปวัดบน Intelligence Index ของ Artificial Analysis ภาพที่ออกมาก็สูสีกันกว่าที่การตลาดของฝ่ายใดฝ่ายหนึ่งจะบอกเป็นนัยไว้ Kimi K3 ได้ 44 คะแนน DeepSeek V4.1 Flash ได้ 40 คะแนน

สี่ประเด็น ในแถวราย benchmark ความเป็นผู้นำของ Kimi K3 มีความสม่ำเสมอและกระจุกตัวอยู่ในจุดที่การให้เหตุผลระยะยาวปรากฏชัด: Humanity's Last Exam 46.9 เทียบกับ 36.8, SciCode 59.5 เทียบกับ 51.9, GPQA Diamond 93.5 เทียบกับ 90.9 ที่ DeepSeek รายงานเอง, Long-Context Recall 88.7 เทียบกับ 84.0 และ Kimi K3 ยังอยู่อันดับสองบนตารางจัดอันดับของ Artificial Analysis ซึ่งมี 113 โมเดล เมื่อเทียบกับ DeepSeek V4.1 Flash ที่อันดับหก

สิ่งเหล่านั้นเป็นช่องว่างที่แท้จริง เป็นอิสระต่อกัน และสามารถทำซ้ำได้ ไม่มีความได้เปรียบทางราคาใดที่จะอุดช่องว่างเหล่านั้นได้สำหรับงานที่ต้องพึ่งพาสิ่งเหล่านั้น

พวกมันยังห่างกันอยู่สี่คะแนน — เป็นช่องว่างสี่คะแนนเดียวกันกับที่แยก DeepSeek V4.1 Flash ออกจาก Grok 4.6 และน้อยกว่าช่องว่างห้าคะแนนที่แยกมันออกจาก Qwen3.8-Max การกระจายสี่คะแนนบนดัชนีรวมเป็นช่วงแคบ ๆ มันบอกคุณว่า Kimi K3 เป็นโมเดลที่แข็งแกร่งกว่า และมันยังไม่ได้เริ่มบอกคุณเลยว่าความแข็งแกร่งนั้นจะปรากฏในภาระงานของคุณ

ตัวเลขที่อยู่รอดในทุกเวอร์ชันของการเปรียบเทียบนี้

ต้นทุนต่อหนึ่งงานของ Intelligence Index ซึ่งวัดโดยองค์กรเดียวกับที่จัดทำดัชนีนี้: $0.27 สำหรับ DeepSeek V4.1 Flash และ $2.00 สำหรับ Kimi K3

7.4 เท่า นั่นคือความแตกต่างที่ใหญ่ที่สุด แข็งแกร่งที่สุด และตรวจสอบเทียบกันได้มากที่สุดระหว่างสองโมเดลนี้ และต่างจากแถวเบนช์มาร์กตรงที่มันไม่ได้ขึ้นอยู่กับว่าใครเป็นคนรันฮาร์เนส — จำนวนโทเคนก็คือจำนวนโทเคน

นอกจากนี้ยังแปรผันตามว่าภาระงานของคุณเป็นแบบเอเจนต์มากแค่ไหน ตัวเลข $2.00 มาจากชุดการทดสอบแบบผสม บนชุดทดสอบการเขียนโค้ดแบบเอเจนต์ของ Vals AI ช่องว่างที่รายงานไว้ขยายไปถึงประมาณ 40 เท่า คือ $0.41 ต่องาน เทียบกับ $17.59 โดยการรัน DeepSeek ใช้เวลาเสร็จประมาณ 15 นาที เทียบกับราว 90 นาที ยิ่งคุณห่างจากการพรอมป์ต์และการตอบกลับเพียงครั้งเดียว ไปสู่ลูปการเรียกใช้เครื่องมือที่ยาวนานมากเท่าไร โมเดลการคิดราคาทั้งสองก็ยิ่งแตกต่างกันมากขึ้นเท่านั้น — เพราะนั่นคือจุดที่แคชและปริมาณเอาต์พุตเป็นตัวกำหนดค่าใช้จ่ายหลัก

• อัตรา — DeepSeek V4.1 Flash $0.15/$0.60 ต่อ 1M นอกช่วงพีก ($0.30/$1.20 ช่วงพีก, วันธรรมดา 01:00–04:00 และ 06:00–10:00 UTC) เทียบกับ Kimi K3 $3.00/$15.00 ต่อ 1M, คงที่

• ส่วนลดแคช — 98% เทียบกับ 90%; การอ่านแคช $0.003 ต่อ 1M เทียบกับ $0.30 ต่อ 1M

• บริบท — 1,048,576 โทเคนทั้งคู่ และไม่มีตัวใดคิดค่าธรรมเนียมเพิ่มสำหรับบริบทยาว

• ทรูพุต — 214.4 โทเคน/วินาที เทียบกับ 34.7 ถือเป็นช่องว่าง 6.2 เท่า

• ความละเอียดของคำ — 250M โทเค็นเอาต์พุตทั่วทั้งดัชนี เทียบกับ 160M

• พารามิเตอร์ — รวม 552B, แอ็กทีฟ 8B ในช่วง prefill และ 16B ในช่วง decode เทียบกับ 2.8T รวม โดยมี 16 จาก 896 เอ็กซ์เพิร์ตที่แอ็กทีฟต่อโทเคน

• การสุ่มตัวอย่าง — มีพารามิเตอร์ temperature / top_p / seed ให้ปรับได้ครบถ้วน เทียบกับไม่มีให้ปรับเลย; Kimi K3 เปิดให้ใช้เฉพาะ reasoning_effort และไม่สามารถปิดการคิดได้

• สัญญาอนุญาต — MIT กับ Modified MIT ซึ่งเพิ่มเงื่อนไขด้านการแสดงแบรนด์เมื่อมีผู้ใช้ต่อเดือนเกิน 100 ล้านคน หรือมีรายได้ต่อเดือนเกิน 20 ล้านดอลลาร์

ในจุดที่ฝั่งที่ถูกกว่านั้นแย่จริง ๆ

มีต้นทุนสองรายการอยู่ฝั่ง DeepSeek ของบัญชี และทั้งสองรายการเป็นสิ่งที่มองข้ามได้ง่าย

ความยาวของคำตอบDeepSeek V4.1 Flash ปล่อยโทเค็นเอาต์พุต 250M ทั่ว Intelligence Index เทียบกับ 160M ของ Kimi K3 ค่าบริการเอาต์พุตอยู่ที่ 4 เท่าของอินพุตในที่นี้ โมเดลที่ถูกกว่าต่อโทเค็น 20 เท่า แต่พูดมากกว่าอีกครึ่งหนึ่ง ไม่ได้ถูกกว่า 20 เท่า — ซึ่งเป็นเหตุผลว่าทำไมตัวเลขที่ตรงไปตรงมาจึงอยู่ที่ 7.4 เท่า ไม่ใช่ 20 เท่าที่เรตการ์ดบอกเป็นนัย DeepSeek เป็นโมเดลที่พูดมากที่สุดในการเปรียบเทียบนี้ ส่วน Grok 4.6 พูดน้อยที่สุด ที่ 94M

ความเร็ว การ์ดราคาระบุว่า DeepSeek ถูกกว่า แต่นาฬิกาบอกว่ามันเร็วกว่า 6.2 เท่าเช่นกัน — 214.4 โทเคน/วินาที เทียบกับ 34.7 ของ Kimi K3 โหมดคิดของ Kimi K3 ปิดไม่ได้ และความพยายามในการให้เหตุผลของมันตั้งต้นไว้ที่ระดับสูงสุด จึงไม่มีเส้นทางที่ถูกและเร็วให้ถอยไปใช้สำหรับคำของ่าย ๆ คุณต้องจ่ายค่าการให้เหตุผลระดับแนวหน้าในทุกคำขอ ไม่ว่าคำขอนั้นจะต้องการมันหรือไม่ ในงานเขียนโค้ดยาก นั่นคือตัวผลิตภัณฑ์ แต่ในรอบการจำแนกประเภท มันคือความสูญเปล่า

สิ่งที่ทราฟฟิกบอก ซึ่งไม่มีเบนช์มาร์กใดจับได้

ข้อมูลการกำหนดเส้นทางของเราเองเพิ่มสัญญาณหนึ่งอย่างที่ทั้งผู้ขายและนักวิเคราะห์ไม่สามารถสร้างได้ ในช่วงเจ็ดวันที่ผ่านมา Kimi K3 เคลื่อนย้ายโทเคนประมาณ 3.04 พันล้านโทเคนผ่าน OrcaRouter ส่วน DeepSeek V4.1 Flash เคลื่อนย้ายประมาณ 59.1 พันล้าน — มากกว่าประมาณสิบเก้าเท่า ในโมเดลที่เปิดใช้งานมาไม่ถึงหนึ่งสัปดาห์

ส่วนหนึ่งของเรื่องนี้เป็นเชิงโครงสร้าง DeepSeek กำลังเปลี่ยนเส้นทางคำขอ V4 Pro ทั้งหมดไปยัง V4.1 Flash และคิดค่าบริการในอัตราของ Flash จนกว่า V4.1 Pro จะเปิดตัว ดังนั้นฐานผู้ใช้งานที่ติดตั้งไว้ขนาดใหญ่จึงถูกย้ายมาใช้มันโดยที่ไม่มีใครได้เลือกอะไรเลย แต่ปริมาณที่เกิดขึ้นก็ยังเป็นหลักฐานที่ชัดเจนที่สุดเท่าที่มีอยู่ว่าเวิร์กโหลดโปรดักชันจำนวนมหาศาลได้รับการให้บริการจากโมเดลที่ถูกกว่าได้ดีเพียงพออยู่แล้ว — และนั่นคือคำตัดสินที่ benchmarks ให้คุณไม่ได้ เพราะ benchmarks วัดว่าโมเดลทำอะไรได้ ส่วนปริมาณทราฟฟิกวัดว่าทีมต่างๆ ยินดีนำอะไรมาไว้ตรงหน้าผู้ใช้ที่จ่ายเงิน

การเลือกระหว่างพวกมัน

ทั้งคู่อยู่เบื้องหลังเอนด์พอยต์ที่เข้ากันได้กับ OpenAI ตัวเดียวกันบน OrcaRouter ซึ่งเป็นสิ่งที่ทำให้การแยกใช้งานทำได้จริงในทางปฏิบัติ แทนที่จะเป็นโปรเจกต์ย้ายระบบ: กำหนดเส้นทางเซสชันการเขียนโค้ดระยะยาว ซึ่งความได้เปรียบด้านการให้เหตุผลของ Kimi K3 คุ้มค่าที่จะจ่าย และทราฟฟิกงานเอเจนต์กับงานความรู้ที่มีปริมาณสูง ซึ่งทั้งสองห่างกันไม่เกินสี่จุดดัชนี ไปยัง DeepSeek V4.1 Flash เนื่องจากเกตเวย์ส่งต่ออัตราของผู้ให้บริการโดยไม่บวกเพิ่มเลย ต้นทุนต่อโทเคนที่คุณเห็นจึงเป็นอัตราของผู้ขายเอง — ควรตรวจสอบวันละสองครั้งในฝั่ง DeepSeek เพราะช่วงพีคของมันทำให้อัตราเป็นสองเท่าในช่วงเช้าวันธรรมดาตามเวลา UTC

คำตัดสินเป็นไปตามหลักฐาน ไม่ใช่ตารางเปิดตัว หากงานของคุณคือการเรียกใช้การให้เหตุผลยาก ๆ เพียงครั้งเดียว — คำถามทางวิทยาศาสตร์ อัลกอริทึมใหม่ หรือเอกสารที่คุณอ่านผิดไม่ได้เด็ดขาด — Kimi K3 คือโมเดลที่แข็งแกร่งกว่า ช่องว่างที่เป็นอิสระนั้นสอดคล้องกัน และราคาเป็นเรื่องรอง หากงานของคุณคือเอเจนต์เขียนโค้ด ลูปเรียกใช้เครื่องมือแบบยาว หรือสิ่งใดก็ตามที่มีคำนำหน้าที่แคชไว้ขนาดใหญ่และถูกเล่นซ้ำในปริมาณมาก ทั้งสองใกล้เคียงกันพอในด้านความสามารถจนต้นทุนกลายเป็นเกณฑ์ชี้ขาด และตรงนั้นช่องว่างอยู่ที่ 7.4x ถึงประมาณ 40x ขึ้นอยู่กับว่างานนั้นเป็นแบบเอเจนต์มากแค่ไหน

ตารางเบนช์มาร์กของ DeepSeek เองพูดเกินจริงถึงความเด็ดขาดของชัยชนะนั้น แต่ราคาไม่ได้เป็นเช่นนั้น