
Sage-S2.1-Flash พบ DeepSeek V4.1 Flash: การเปรียบเทียบเพียงคู่เดียวที่มีกระดานคะแนนร่วมกัน
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 90 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 97 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0717 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 87 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 133 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 219 tok/s
บนอินเทอร์เน็ตมีอยู่เพียงแห่งเดียวเท่านั้นที่ Sage-S2.1-Flash และ DeepSeek V4.1 Flash ถูกให้คะแนนเทียบกัน และสถานที่นั้นไม่ได้เป็นกลางเลย InternLM ห้องแล็บที่เผยแพร่ Sage-S2.1-Flash เมื่อวันที่ 15 พฤศจิกายน 2026 ได้ใส่ DeepSeek-V4.1-Flash-1017 ลงในตารางเปรียบเทียบของตัวเอง — 35 benchmark, โมเดลคู่แข่งแปดรุ่น, ไฟล์ที่คั่นด้วยแท็บในที่เก็บ GitHub ซึ่งการ์ดโมเดลบน Hugging Face ไม่ได้ลิงก์ไปถึง ดังนั้นทั้งสองโมเดลจึงใช้กระดานคะแนนร่วมกัน และหนึ่งในนั้นเป็นคนสร้างมันขึ้นมา
นั่นเป็นสิ่งที่พูดไม่ได้สำหรับการเปรียบเทียบอีกสองรายการในซีรีส์นี้ ซึ่งไม่มีตารางร่วมกันเลย นอกจากนี้ยังทำให้หน้านี้มีประโยชน์ที่สุดในบรรดาทั้งสามหน้า เพราะตารางร่วม—แม้จะเป็นตารางของผู้ขายเอง—ทำให้คุณถามคำถามที่บล็อกโพสต์แยกกันสองชิ้นตอบไม่ได้ ต่อไปนี้คือสิ่งที่ตารางร่วมบอก สถาปัตยกรรมสองแบบที่อยู่เบื้องหลังตารางนั้นคืออะไร และคุณควรเชื่อถือมันมากน้อยเพียงใด
ความไม่สมมาตรที่กำหนดกรอบทุกสิ่ง
วางสองรีลีสไว้เคียงข้างกันในฐานะอาร์ติแฟกต์ ก่อนที่คุณจะวางไว้เคียงข้างกันในฐานะโมเดล
DeepSeek V4.1 Flash เปิดตัวเมื่อวันที่ 10 กันยายน 2026 พร้อมการ์ดโมเดลฉบับเต็ม รายงานทางเทคนิค PDF ชื่อ "Pushing the Limits of KV Cache Compression" สัญญาอนุญาต MIT API ที่มีเอกสารประกอบพร้อมอัตราค่าบริการนอกช่วงพีคและช่วงพีคที่เผยแพร่ และสแนปช็อตใหม่หมายเลข 1017 เมื่อวันที่ 17 ตุลาคม รีโพซิทอรี Hugging Face ของโมเดลนี้ถูกดาวน์โหลด 1.69 ล้านครั้งและมี 4,978 ไลก์ Artificial Analysis ให้คะแนนอย่างอิสระที่ 32.6 บน Intelligence Index ที่ระดับความพยายามสูงสุด
Sage-S2.1-Flash เปิดตัวเมื่อวันที่ 15 พฤศจิกายน 2026 พร้อมชาร์ด bfloat16 จำนวน 120 ชาร์ด การ์ดโมเดลขนาด 21 ไบต์ซึ่งเนื้อหาทั้งหมดเป็นการประกาศสัญญาอนุญาต คู่มือการปรับใช้ และไม่มีราคาที่เผยแพร่ที่ใดเลย มีไลก์ 1 ครั้งและยอดดาวน์โหลด 0 ครั้ง ยังไม่มีฮาร์เนสอิสระใดเข้ามาทดสอบเลย
ทั้งสองเป็นโมเดล mixture of experts แบบ open-weights ที่ได้รับสัญญาอนุญาต MIT มีหน้าต่างบริบทหนึ่งล้านโทเค็นและรองรับอินพุตภาพแบบเนทีฟ ตามทฤษฎีแล้วพวกมันอยู่ในระดับเดียวกัน แต่เมื่อดูจากหลักฐานกลับไม่ใกล้เคียงกันเลย

แท้จริงแล้วตารางที่แชร์ไว้มีเนื้อหาอะไรบ้าง
ไฟล์ benchmark ของ InternLM มี 31 แถวที่แสดงค่าของ DeepSeek-V4.1-Flash-1017 การอ่านไฟล์นี้ให้ประสบการณ์ที่ต่างจากการอ่านโพสต์เปิดตัว เพราะแถวที่ Sage แพ้ยังคงอยู่ ตัวอย่างที่เป็นตัวแทน โดย Sage มาก่อนในทุกบรรทัด:
• Terminal-Bench 2.1 — 87.9 กับ 87.6 เสมอกันโดยมีผลต่างเพียงสามในสิบ
• DeepSWE — 67.0 เทียบกับ 73.9 เป็นส่วนต่าง 6.9 คะแนน
• SWE-bench Pro — 60.6 เทียบกับ 64.7 ซึ่งต่ำกว่าอยู่ 4.1 จุด
NL2Repo-Bench — 57.2 เทียบกับ 62.7 ถือว่าด้อยกว่าอยู่ 5.5 จุด
• APEX-Agents — 61.7 เทียบกับ 69.2 ซึ่งขาดไป 7.5 จุด
• WideSearch — 81.5 เทียบกับ 86.3
• BrowseComp — 91.2 เทียบกับ 93.8
• CyberGym — 84.3 เทียบกับ 88.8
• τ³-bench Banking — 45.4 vs 47.4
• OSWorld v2.1 — 69.3 เทียบกับ 70.1
• AutomationBench — 56.7 เทียบกับ 57.8
รูปแบบในรายการนั้นชวนให้รู้สึกไม่สบายใจสำหรับโมเดลที่ใหม่กว่า: ในงานเอเจนต์ทั่วไปและงานเขียนโค้ด DeepSeek V4.1 Flash ชนะในแถวส่วนใหญ่ และมักชนะด้วยส่วนต่างที่ไม่ใช่แค่ความคลาดเคลื่อนจากสัญญาณรบกวน โมเดลที่เผยแพร่ก่อนหน้าสองเดือน โดยแล็บที่มีรายงานทางเทคนิคสาธารณะ กลับเอาชนะการเปิดตัวแบบเงียบ ๆ บนเกณฑ์มาตรฐานที่ตัวการเปิดตัวแบบเงียบนั้นเองเลือกจะเผยแพร่
จากนั้นตารางก็พลิกกลับ แถวที่ Sage เป็นผู้นำคือแถวด้านวิทยาศาสตร์และเอกสาร และส่วนต่างอยู่ในระดับที่แตกต่างกันโดยสิ้นเชิง:
• Harvey LAB — 25.0 เทียบกับ 11.7 มากกว่าสองเท่า
• OfficeQA Pro V2 — 72.2 เทียบกับ 69.7
• BabyVision — 75.8 เทียบกับ 58.0 เป็นส่วนต่าง 17.8 จุด
• OSWorld-G — 84.8 เทียบกับ 61.4 ห่างกัน 23.4 คะแนน
• MLE-bench Lite — 90.3 เทียบกับ 89.2
• Workspace-Bench-Lite — 67.1 เทียบกับ 66.8
• GDPval — 78.0 เทียบกับ 77.6
• SpreadsheetBench 2 — 37.1 เทียบกับ 35.8
มีรูปแบบอยู่สองแบบ และทั้งสองชี้ไปในทิศทางที่ตรงกันข้าม ในด้านวิศวกรรมซอฟต์แวร์และงานเอเจนต์ที่ขับเคลื่อนด้วยเครื่องมือในสภาพแวดล้อมทั่วไป DeepSeek V4.1 Flash เป็นโมเดลที่แข็งแกร่งกว่า และตัวเลขของ InternLM เองก็ระบุเช่นนั้น ในด้านการรับรู้ทางวิทยาศาสตร์ งานวิชาชีพที่เน้นเอกสารจำนวนมาก และการควบคุมเดสก์ท็อปแบบกราฟิก Sage-S2.1-Flash ไม่ได้นำอยู่เพียงเล็กน้อย แต่อยู่ในระดับที่ต่างออกไปอย่างชัดเจน
ทำไมสถาปัตยกรรมเหล่านั้นจึงก่อให้เกิดการแบ่งแยกเช่นนั้นพอดี
โมเดลทั้งสองกำลังแก้ปัญหาที่แตกต่างกัน และคอนฟิกของทั้งสองก็แสดงให้เห็นเรื่องนี้ก่อนที่การทดสอบมาตรฐานใด ๆ จะแสดงได้
DeepSeek V4.1 Flash เป็นแกนหลักขนาด 552 พันล้านพารามิเตอร์ โดยมีพารามิเตอร์ที่ใช้งานจริง 16 พันล้านต่อโทเคน สร้างขึ้นบนสถาปัตยกรรมที่ DeepSeek เรียกว่า Causal Encoder-Decoder: 40 เลเยอร์แบ่งเท่า ๆ กันเป็น causal encoder 20 เลเยอร์และ decoder 20 เลเยอร์ กรอบการนำเสนอในรายงานทางเทคนิคคือการบีบอัด KV cache — ข้อกล่าวอ้างหลักของโมเดลเกี่ยวกับประสิทธิภาพในการให้บริการที่หนึ่งล้านโทเคน ไม่ใช่เกี่ยวกับการรับรู้ มันประมวลผลภาพได้โดยตรง แต่จุดเน้นที่เผยแพร่คือเศรษฐศาสตร์ของการให้บริการบริบทแบบยาว
Sage-S2.1-Flash เป็นโมเดลขนาด 320 พันล้านพารามิเตอร์ โดยมีพารามิเตอร์ที่ใช้งานจริง 18 พันล้านตัวต่อโทเคน และตามคู่มือการติดตั้งใช้งานระบุว่ามี 45 เลเยอร์ การกำหนดค่าแบ่งเลเยอร์เหล่านั้นอย่างชัดเจน โดย 34 เลเยอร์ใช้แอตเทนชันเชิงเส้นชนิดที่ไฟล์เรียกว่า kda และมีเพียง 11 เลเยอร์ที่ใช้สแปร์สแอตเทนชันพร้อมดัชนีท็อป-เคขนาด 2,048 โทเคน มีวิชันทาวเวอร์ 24 เลเยอร์ที่อินพุต 448 พิกเซล และคลังคำศัพท์โทเคนมีโทเคนภาพ วิดีโอ เสียง เริ่มต้น และสิ้นสุดอย่างชัดเจน ข้อความประชาสัมพันธ์ฉบับภาษาอังกฤษของ InternLM เอง — ซึ่งโฮสต์อยู่ที่ internlm.github.io/Sage-S2.1-Flash สร้างขึ้นเมื่อวันที่ 16 พฤศจิกายน และไม่ถูกอ้างอิงโดยโมเดลการ์ด — อธิบายถึงการฝึกอบรมครอบคลุมกราฟโมเลกุล โครงสร้างผลึก ลำดับโปรตีน และโครงสร้าง 3 มิติ DNA และ RNA สเปกตรัม แมสสเปกตรัม การเลี้ยวเบนรังสีเอกซ์ คลื่นไฟฟ้าหัวใจ คลื่นไฟฟ้าสมอง และเส้นโค้งแสง
อ่านรายการนั้นเทียบกับแถวที่ Sage ชนะ แล้วภาพรวมจะไม่ดูเหมือนเป็นความโชคดีใน benchmark อีกต่อไป Harvey LAB คืองานด้านกฎหมายที่ทำกับเอกสาร OfficeQA Pro คือการตอบคำถามจากเอกสารทางการเงิน BabyVision คือการรับรู้ทางภาพ OSWorld-G คือการควบคุมเดสก์ท็อปแบบกราฟิก — การคลิก UI ไม่ใช่การเรียก API สิ่งเหล่านี้คือสิ่งที่โมเดลที่ฝึกกับรูปภาพทางวิทยาศาสตร์ สเปกตรัม พล็อต และอินเทอร์เฟซซอฟต์แวร์คาดว่าจะทำได้ดี และเป็นจุดที่โมเดลที่ฝึกมาเพื่อการให้บริการทั่วไปที่ใช้ KV-cache อย่างมีประสิทธิภาพคาดว่าจะด้อยกว่า
ประเด็นนี้ย้อนกลับมาทั้งสองทาง Sage แพ้แถวการเขียนโค้ดเพราะมันไม่ใช่โมเดลสำหรับการเขียนโค้ดโดยหลัก DeepSeek แพ้แถวการมองเห็นเพราะมันไม่ใช่โมเดลสำหรับการรับรู้โดยหลัก ไม่มีผลลัพธ์ใดเป็นเรื่องอื้อฉาว ข้อผิดพลาดคือการอ่านคอลัมน์ใดคอลัมน์หนึ่งเป็นคำตัดสินทั่วไป

สเปรดราคา ซึ่งไม่ใกล้เคียง
DeepSeek V4.1 Flash มีอัตราค่าบริการที่ประกาศไว้ และเป็นหนึ่งในอัตราที่ถูกที่สุดในบรรดาโมเดลที่มีขนาดเดียวกัน:
• นอกช่วงเวลาเร่งด่วน, แคชมิส — $0.15 ต่อล้านอินพุต, $0.60 ต่อล้านเอาต์พุต
• ช่วงพีค, แคชพลาด — $0.30 ต่อล้านอินพุต, $1.20 ต่อล้านเอาต์พุต
• แคชฮิต — $0.003 ต่อล้านนอกช่วงพีค, $0.006 ช่วงพีค
• ช่วงเวลาเร่งด่วน — 01:00–04:00 และ 06:00–10:00 UTC วันจันทร์ถึงวันศุกร์ ยกเว้นวันหยุดนักขัตฤกษ์ของจีน
• บริบท — 1,000,000 โทเค็น โดยมีโทเค็นเอาต์พุตได้สูงสุด 384,000 โทเค็น
Sage-S2.1-Flash ไม่มีอัตราค่าใช้จ่ายที่เผยแพร่ ไม่มีราคาบนการ์ดโมเดล ไม่มีในคู่มือการปรับใช้ และไม่มีบนไมโครไซต์เปิดตัว ลิงก์ "Try the API" ของเว็บไซต์ชี้ไปยังพอร์ทัลที่ไม่แสดงแคตตาล็อกให้ไคลเอนต์ที่ไม่ใช้ JavaScript สิ่งที่ Sage มีแทนคือข้อกำหนดด้านฮาร์ดแวร์: การปรับใช้ตามตัวอย่างในคู่มือใช้ GPU H200 แปดตัวที่ bfloat16 โดยมีน้ำหนักประมาณ 645 GB ทั่วทั้งโหนด
การเปรียบเทียบต้นทุนจึงกลายเป็นเรื่องของรูปแบบมากกว่าตัวเลข DeepSeek V4.1 Flash ราคา $0.15 ต่อโทเค็นอินพุตหนึ่งล้านโทเค็นในช่วงออฟพีก ซึ่งหมายความว่าพรอมต์หนึ่งล้านโทเค็นมีค่าใช้จ่ายสิบห้าเซนต์ การรัน Sage-S2.1-Flash ที่หนึ่งล้านโทเค็นมีค่าใช้จ่ายเท่ากับค่าใช้จ่ายของ H200 แปดตัวในช่วงเวลาจริงที่การเรียกใช้ใช้ไป และยังไม่มีใครเผยแพร่ตัวเลขปริมาณงานที่ประมวลผลได้สำหรับมัน หากคุณมีโหนดนั้นอยู่แล้ว ต้นทุนส่วนเพิ่มของการเรียกใช้แทบจะเป็นศูนย์ และ DeepSeek ดูแพงเมื่อเทียบกัน หากคุณไม่มี DeepSeek ชนะด้วยส่วนต่างที่กว้างมากจนการเปรียบเทียบกับ Sage ไม่คุ้มที่จะทำจนกว่าจะมีราคาแบบโฮสต์
สิ่งที่โต๊ะที่ใช้ร่วมกันบอกคุณไม่ได้
คุณลักษณะประการหนึ่งของการเปรียบเทียบที่จัดทำโดยผู้จำหน่ายสมควรกล่าวถึงให้ชัดเจน เพราะมันส่งผลต่อวิธีอ่านทุกแถวข้างต้น นั่นคือฮาร์เนสไม่มีเอกสารกำกับ InternLM เผยแพร่ตัวเลข แต่ไม่ได้เผยแพร่การกำหนดค่าการรัน ไม่มีคำชี้แจงว่ามีกี่ครั้งที่ลองต่องาน ใช้สแฟฟโฟลดิงอะไร ใช้พารามิเตอร์การสุ่มใด มีเครื่องมือให้ใช้หรือไม่ หรืองบการให้เหตุผลของแต่ละโมเดลเป็นเท่าใด ตัวเลข 32.6 ของ DeepSeek เองบน Artificial Analysis Intelligence Index มาจากฮาร์เนสสาธารณะที่ใช้ขั้นตอนเดียวกันกับทุกโมเดลในดัชนีของตน ส่วนตัวเลข 73.9 ของ InternLM สำหรับ DeepSeek บน DeepSWE มาจากฮาร์เนสส่วนตัว
นั่นไม่ได้ทำให้ตารางไร้ประโยชน์ แต่ทำให้มันบอกทิศทางได้ แถวด้านการเขียนโค้ดและแถวด้านภาพต่างก็มีขนาดใหญ่พอ และสอดคล้องกันภายในมากพอ จนตัวเลือกด้าน scaffolding ไม่น่าเป็นตัวสร้างแถวเหล่านี้ ในทางกลับกัน การถือว่าเสมอกันที่ส่วนต่าง 0.3 คะแนนบน Terminal-Bench 2.1 นั้นอยู่ในช่วงที่ความแปรปรวนของ harness รูปแบบใด ๆ สามารถก่อให้เกิดขึ้นได้สบาย ๆ — ให้ถือว่าความต่าง 0.3 คะแนนเป็นการเสมอกัน แล้วจะไม่มีอะไรเสียไป
น่าสังเกตเช่นกันว่า InternLM เผยแพร่ตัวเลขของ DeepSeek บน DeepSWE (73.9) ซึ่งสูงเมื่อเทียบกับแถวการเขียนโค้ดอื่น ๆ ในตารางของตนเอง โดยที่ DeepSeek อยู่ที่ 64.7 บน SWE-bench Pro ความไม่สอดคล้องภายในเช่นนี้เป็นสิ่งประเภทที่ชุดทดสอบที่เผยแพร่สาธารณะจะแก้ไขได้ภายในบ่ายวันเดียว แต่ชุดทดสอบแบบปิดไม่สามารถแก้ไขได้เลย

การติดตั้งใช้งาน: หนึ่งบ่ายเทียบกับเอกสารหนึ่งฉบับ
หากคุณเลือกโดยอาศัยเหตุผลด้านการปฏิบัติงานแทนที่จะดูแถวผลการทดสอบมาตรฐาน ช่องว่างจะกว้างกว่าที่คะแนนบ่งชี้ และไปในทิศทางเดียวกับช่องว่างของหลักฐาน
DeepSeek V4.1 Flash มาพร้อมรายงานทางเทคนิค สถาปัตยกรรม transformers แบบมาตรฐาน ตัวแปร fp8 และแท็กการปรับใช้สำหรับ Azure และ SageMaker บนการ์ดโมเดลของมัน เปิดใช้งานจริงมาเป็นเวลาสองเดือนแล้ว มีการดาวน์โหลด 1.69 ล้านครั้ง และทุกปัญหาเฉพาะด้านการให้บริการที่มันมี มีคนพบเจอและบันทึกไว้แล้วทั้งนั้น
Sage-S2.1-Flash มาพร้อมคู่มือการดีพลอยที่ หากอ่านอย่างละเอียดแล้ว จะเป็นรายการของความล้มเหลวแบบเงียบ ๆ หากละเว้น --trust-remote-code tokenizer ที่มีมาให้จะเข้ารหัสสตริงแบบ agentic เช่น <|user|> และ <tool_call> เป็นโทเคนควบคุม — โมเดลจะหยุดก่อนกำหนดหรือทำให้ tool call เสียหาย และไม่มีบันทึกใด ๆ หากให้บริการบน vLLM โดยไม่ใช้แพตช์ไฟล์เดียวใน vllm_patch/ ผลลัพธ์เครื่องมือแบบขนานที่ส่งกลับมาไม่ตามลำดับจะแนบรูปภาพไปยังผลลัพธ์ผิดรายการ ทำให้โมเดลตอบเกี่ยวกับรูปภาพผิดรูป; การแก้ไขจากต้นทางยังอยู่ระหว่างดำเนินการใน vllm-project/vllm#67108 หากให้บริการบน SGLang โดยไม่ระบุ chat_template.jinja อย่างชัดเจน เอนจินจะติดตั้งเทมเพลตของตัวเองสำหรับสถาปัตยกรรมนั้น บน Hopper ไม่รองรับ FP8 KV cache LMDeploy จำเป็นต้องปักหมุด transformers ให้อยู่ระหว่าง 5.17 ถึง 5.19 เพราะ 5.19 เปลี่ยนชื่อประเภทเลเยอร์
ทั้งหมดนั้นมีเอกสารบันทึกไว้ ซึ่งนับเป็นเครดิตของห้องแล็บ — มากกว่าที่การเปิดตัวแบบเงียบ ๆ ส่วนใหญ่ทำได้ และยังเป็นลายนิ้วมือของโมเดลที่ผู้เขียนของมันเองยังคงเป็นคนกลุ่มเดียวที่ได้ให้บริการมัน
สิ่งเดียวที่มีประโยชน์ซึ่งโต๊ะที่ใช้ร่วมกันตัดสิน
จากข้อมูลทั้งหมดข้างต้น นี่คือการตัดสินใจที่หลักฐานสนับสนุนจริง ๆ
• หากงานของคุณคือโค้ด เครื่องมือสำหรับเอเจนต์ หรือการให้บริการบริบทแบบยาวทั่วไป — DeepSeek V4.1 Flash มันชนะในแถวส่วนใหญ่เหล่านั้นในตารางของคู่แข่งเอง คิดค่าใช้จ่าย 0.15 ดอลลาร์ต่อโทเค็นอินพุตหนึ่งล้านโทเค็นในช่วงนอกเวลาเร่งด่วน และมีคะแนนอิสระให้ตรวจสอบเทียบได้ ไม่มีเหตุผลหนักแน่นใดที่จะเลือก Sage ในที่นี้
• หากงานของคุณเกี่ยวข้องกับภาพประกอบทางวิทยาศาสตร์ สเปกตรัม พล็อตกราฟ เอกสารวิชาชีพที่สแกน หรือซอฟต์แวร์ที่ใช้งานผ่าน GUI — Sage-S2.1-Flash คุ้มค่ากับเวลาช่วงสุดสัปดาห์ ช่องว่าง 23 คะแนนใน OSWorld-G และช่องว่าง 13 คะแนนใน Harvey LAB เป็นความแตกต่างแบบที่เปลี่ยนว่าภารกิจหนึ่งจะสามารถทำให้เป็นอัตโนมัติได้เลยหรือไม่ และไม่มีโมเดลอื่นในตารางของ InternLM ที่ใกล้เคียงในแถวเหล่านั้น
• หากคุณต้องตัดสินใจวันนี้ — DeepSeek V4.1 Flash เพราะเป็นเพียงตัวเดียวในสองตัวที่คุณสามารถเรียกใช้งานได้โดยไม่ต้องมีช่วงปิดปรับปรุง
DeepSeek V4.1 Flash ถูกจัดเส้นทางบน OrcaRouter ในชื่อ deepseek/deepseek-v4.1-flash ในราคา $0.15 ขาเข้า และ $0.60 ขาออกต่อล้านโทเคน — ราคาของ DeepSeek เองซึ่งเป็นราคาตามรายการช่วง off-peak ที่ส่งต่อโดยไม่บวกกำไร — ด้วยบริบท 1,048,576 โทเคน พร้อมกับสแนปช็อต 1017 ในอัตราเดียวกัน Sage-S2.1-Flash ไม่ได้อยู่ในแคตตาล็อกของเรา; เป็น open weights ที่คุณต้องให้บริการเอง และเราจะไม่สื่อเป็นนัยเป็นอย่างอื่น
สิ่งที่ router ให้คุณในกรณีนี้แคบกว่าการ migrate และมีประโยชน์มากกว่าการ benchmark การแบ่งงานที่บทความนี้อธิบาย — งาน agentic ทั่วไปและงานเขียนโค้ดไปที่โมเดลหนึ่ง งานวิทยาศาสตร์และงานที่ใช้ GUI หนัก ๆ ไปอีกโมเดลหนึ่ง — คือรูปร่างที่นโยบายการเลือกเส้นทาง (routing policy) แสดงออกมาได้พอดี: ปลายทางเดียว กฎที่ส่งคำขอที่มีภาพและเอกสารไปตามเส้นทางเฉพาะทาง และระบบ failover อัตโนมัติที่ป้องกันไม่ให้ความเสื่อมประสิทธิภาพฝั่งผู้ให้บริการทำให้เส้นทางทั้งหมดล่ม ตัวระบุ DeepSeek ทั้งสองตัวอยู่บนคีย์เดียวกัน ดังนั้นการลอง snapshot 1017 เทียบกับตัวเดิมมีต้นทุนเพียงการเปลี่ยนสตริงชื่อโมเดล ไม่ใช่สัญญาฉบับที่สอง ชิ้นที่คุณเลือกเส้นทางไม่ได้ — Sage-S2.1-Flash — คือชิ้นที่คุณต้องตั้งขึ้นเอง ซึ่งเป็นข้อโต้แย้งที่ชัดเจนที่สุดสำหรับการสร้างต้นแบบกับสิ่งที่อยู่ในแคตตาล็อกก่อน
อะไรจะทำให้หน้านี้คุ้มค่าที่จะเขียนใหม่
มีสองเรื่อง ราคาของ Sage-S2.1-Flash ซึ่งจะเปลี่ยนส่วนต้นทุนจากโครงร่างให้กลายเป็นการคำนวณจริง และคะแนนที่เป็นอิสระ ซึ่ง ideally ควรอยู่บนฮาร์เนสเดียวกับที่ทำให้ DeepSeek V4.1 Flash อยู่ที่ 32.6 — เพราะคำถามที่น่าสนใจไม่ใช่แค่ว่าโดยเฉลี่ยแล้ว Sage ชนะ DeepSeek หรือไม่ ข้อมูลทั้งหมดข้างต้นชี้ว่าไม่ชนะ คำถามที่น่าสนใจคือ ข้อได้เปรียบ 23 คะแนนบน OSWorld-G ของ Sage จะยังคงอยู่หรือไม่เมื่อใช้ฮาร์เนสที่ไม่ได้เขียนโดยแล็บที่เผยแพร่ Sage และคะแนนที่ด้อยกว่า 6.9 คะแนนใน DeepSWE นั้นเป็นของจริงอย่างที่แถวการเขียนโค้ดในตารางของมันเองสื่อหรือไม่
จนกว่าจะมีใครรันแถวข้อมูลเหล่านั้นใหม่ สกอร์บอร์ดที่ใช้ร่วมกันก็เป็นหลักฐานที่ดีที่สุดเท่าที่มี และมันถูกสร้างโดยหนึ่งในสองผู้แข่งขัน จงอ่านมันแบบเดียวกับที่คุณจะอ่านการเปรียบเทียบที่เผยแพร่เองใด ๆ ซึ่งบังเอิญรวมความพ่ายแพ้ของตัวเองไว้ด้วย: น่าเชื่อถือกว่าตารางที่ไม่มีรายการแพ้อยู่ในนั้น และก็ยังไม่ใช่สิ่งเดียวกับการวัด
การเปรียบเทียบในบทความนี้1
ตรวจพบจากบทความนี้ · เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
