DeepSeek V4.1 Flash vs Kimi K3: Đọc tuyên bố, rồi đến bằng chứng

DeepSeek V4.1 Flash đã ra mắt với một tuyên bố cụ thể, có thể kiểm chứng: rằng nó đánh bại Kimi K3 trên các benchmark về an ninh mạng và lập trình — và trên những dòng mà nhà cung cấp đã chọn, nó thực sự làm được. Terminal-Bench 2.1: 90,6 so với 88,3. CyberGym: 88,1 so với 80,0. DeepSWE v1.1: 74,2 so với 67,5. NL2Repo-Bench: 65,4 so với 58,0. Mọi con số DeepSeek đó đều đến từ harness của chính DeepSeek ở mức nỗ lực suy luận do chính DeepSeek đặt ra, và mọi con số Kimi K3 được đem ra so sánh với nó đều đến từ một nơi khác. Đó không phải là lý do để bác bỏ tuyên bố. Đó là lý do tuyên bố này cần được mổ xẻ trước khi bạn mua bất cứ thứ gì dựa trên sức mạnh của nó.

Đây là hình dạng thực sự của cơ sở bằng chứng của hai mô hình, điều gì xảy ra khi bạn đặt chúng trên cùng một thang đo, và con số duy nhất vẫn còn nguyên qua mọi phiên bản của phép so sánh này.

Hai cơ sở bằng chứng hầu như không chồng chéo lên nhau

Đây là phần bất thường của cuộc đối đầu này, và nó giải thích phần lớn những tranh cãi mà bạn sẽ thấy trên mạng.

DeepSeek đã công bố một bảng benchmark ra mắt. Terminal-Bench 2.1, DeepSWE v1.1, CyberGym, ProgramBench, NL2Repo-Bench, Automation-Bench — tất cả đều do nhà cung cấp tự báo cáo. Đó là những dòng mà DeepSeek chọn để chạy, trên những harness do DeepSeek cấu hình, với việc DeepSeek tự đặt mức reasoning effort. Điều đáng biết trước khi bạn đem chúng ra so với bất cứ thứ gì: Artificial Analysis phát hiện rằng chạy các bộ test này ở mức reasoning effort tối đa tiêu tốn lượng output token nhiều hơn khoảng 2,5 lần so với mức thiết lập tầm trung, trong khi chỉ lấy lại được phần lớn độ chính xác nằm dưới mức đó. Một bảng của nhà cung cấp ở mức effort tối đa là phép đo trần, không phải phép đo điển hình.

Các con số của Kimi K3 phần lớn không phải của Moonshot. Artificial Analysis đã chạy bộ khung đánh giá của riêng mình và công bố kết quả theo từng benchmark trên một thang đo có thể so sánh giữa mọi mô hình mà nó theo dõi: GPQA Diamond 93,5, Humanity's Last Exam 46,9, Long-Context Recall 88,7, SciCode 59,5, Terminal-Bench 2.1 85,0 — cùng với một chỉ số tổng hợp. Đó là các phép đo của một bên thứ ba.

Vậy nên, “DeepSeek đánh bại Kimi K3 về lập trình” thực chất quy về một điều hẹp hơn nhiều so với vẻ ngoài của nó. Trên giàn đánh giá của DeepSeek, mô hình của DeepSeek thắng ở những hạng mục lập trình mà DeepSeek đã chọn. Đó là một tín hiệu thực sự — các nhà cung cấp thường không công bố những bảng mà họ thua — nhưng nó thuộc một loại bằng chứng khác với một bộ đánh giá được vận hành độc lập, và hai thứ đó không bao giờ nên xuất hiện trong cùng một cột mà không có nhãn.

Trên một thang điểm, khoảng cách là bốn điểm

Đặt cả hai lên Chỉ số Thông minh của Artificial Analysis thì bức tranh sẽ sít sao hơn những gì marketing của mỗi bên gợi ý. Kimi K3 đạt 44. DeepSeek V4.1 Flash đạt 40.

Bốn điểm. Ở các hàng theo từng benchmark, vị thế dẫn đầu của Kimi K3 là nhất quán và tập trung đúng vào những chỗ thể hiện khả năng suy luận tầm xa: Humanity's Last Exam 46,9 so với 36,8, SciCode 59,5 so với 51,9, GPQA Diamond 93,5 so với 90,9 do nhà cung cấp DeepSeek báo cáo, Long-Context Recall 88,7 so với 84,0. Kimi K3 cũng xếp thứ hai trên bảng xếp hạng 113 mô hình của Artificial Analysis, trong khi DeepSeek V4.1 Flash đứng thứ sáu.

Đó là những khoảng trống thực sự, độc lập, có thể tái tạo. Không có lợi thế về giá nào khỏa lấp được chúng đối với một tác vụ phụ thuộc vào chúng.

Chúng cũng cách nhau bốn điểm — đúng bằng khoảng cách bốn điểm ngăn cách DeepSeek V4.1 Flash với Grok 4.6, và nhỏ hơn khoảng cách năm điểm ngăn cách nó với Qwen3.8-Max. Mức chênh lệch bốn điểm trên một chỉ số tổng hợp là một dải hẹp. Nó cho bạn biết Kimi K3 là mô hình mạnh hơn, nhưng còn xa mới cho bạn biết rằng sức mạnh đó thể hiện trong khối lượng công việc của bạn.

Con số tồn tại xuyên suốt mọi phiên bản của sự so sánh này

Chi phí cho mỗi tác vụ Chỉ số Trí tuệ, được đo bởi chính tổ chức đã tạo ra chỉ số này: 0,27 USD cho DeepSeek V4.1 Flash, 2,00 USD cho Kimi K3.

7.4x. Đó là khác biệt lớn nhất, vững chắc nhất, có thể kiểm chứng chéo nhiều nhất giữa hai mô hình này, và không giống như các dòng benchmark, nó không phụ thuộc vào việc giàn kiểm thử của ai đã chạy nó — số lượng token vẫn là số lượng token.

Nó cũng tỷ lệ thuận với mức độ agentic trong khối lượng công việc của bạn. Con số $2,00 đến từ một bộ kiểm thử hỗn hợp; trên bộ đánh giá lập trình agentic của Vals AI, khoảng cách được báo cáo nới rộng lên khoảng 40 lần, $0,41 mỗi tác vụ so với $17,59, trong khi lượt chạy DeepSeek hoàn thành trong khoảng 15 phút so với khoảng 90 phút. Càng rời xa một lời nhắc và phản hồi đơn lẻ để tiến tới một vòng lặp gọi công cụ dài, hai mô hình định giá càng khác biệt — vì đó chính là nơi bộ nhớ đệm và khối lượng đầu ra chiếm phần lớn hóa đơn.

• Mức giá — DeepSeek V4.1 Flash $0.15/$0.60 mỗi 1M ngoài giờ cao điểm ($0.30/$1.20 giờ cao điểm, ngày thường 01:00–04:00 và 06:00–10:00 UTC) so với Kimi K3 $3.00/$15.00 mỗi 1M, đồng giá

• Giảm giá bộ nhớ đệm — 98% so với 90%; đọc bộ nhớ đệm $0.003 mỗi 1M so với $0.30 mỗi 1M

• Ngữ cảnh — 1.048.576 token cho cả hai, và không bên nào áp dụng phụ phí ngữ cảnh dài

• Thông lượng — 214,4 token/giây so với 34,7, chênh lệch 6,2 lần

• Độ dài dòng — 250M token đầu ra trên toàn chỉ mục so với 160M

• Tham số — tổng 552B, 8B hoạt động khi prefill và 16B khi decode, so với tổng 2.8T với 16 trong số 896 expert hoạt động mỗi token

• Lấy mẫu — bề mặt đầy đủ temperature / top_p / seed so với không có gì; Kimi K3 chỉ cung cấp reasoning_effort và không thể tắt thinking

• Giấy phép — MIT vs Modified MIT, bản sau bổ sung các điều khoản về thương hiệu khi vượt 100 triệu người dùng hàng tháng hoặc 20 triệu USD doanh thu hàng tháng

Nơi mà phía rẻ hơn thực sự tệ hơn

Hai khoản chi phí nằm ở phía DeepSeek của sổ cái, và cả hai đều dễ bị bỏ sót.

Độ dài dòng. DeepSeek V4.1 Flash phát ra 250 triệu token đầu ra trên Chỉ số Intelligence, so với 160 triệu của Kimi K3. Ở đây, token đầu ra được tính giá gấp 4 lần token đầu vào. Một mô hình rẻ hơn hai mươi lần trên mỗi token nhưng lại nói nhiều hơn gấp rưỡi thì không phải là rẻ hơn hai mươi lần — đó chính xác là lý do con số trung thực dừng lại ở 7,4 lần chứ không phải 20 lần như bảng giá ngụ ý. DeepSeek là mô hình dài dòng nhất trong so sánh này; Grok 4.6 là mô hình ít dài dòng nhất, với 94 triệu.

Tốc độ. Bảng giá nói DeepSeek rẻ hơn. Đồng hồ lại nói nó còn nhanh hơn 6,2 lần — 214,4 token/giây so với 34,7 của Kimi K3. Chế độ suy luận của Kimi K3 không thể tắt và mức độ suy luận mặc định là tối đa, nên không có đường tắt rẻ và nhanh nào để dùng cho những lệnh dễ. Bạn phải trả tiền cho suy luận tiên tiến ở mọi yêu cầu, bất kể yêu cầu có cần hay không. Với một tác vụ lập trình khó thì đó chính là giá trị của sản phẩm. Với một lượt phân loại thì đó là sự lãng phí.

Điều mà lưu lượng truy cập nói lên, điều mà không benchmark nào nắm bắt được

Dữ liệu định tuyến của chính chúng tôi bổ sung tín hiệu duy nhất mà cả nhà cung cấp lẫn chuyên gia phân tích không thể tạo ra. Trong bảy ngày qua, Kimi K3 đã chuyển khoảng 3,04 tỷ token qua OrcaRouter. DeepSeek V4.1 Flash đã chuyển khoảng 59,1 tỷ — gấp khoảng mười chín lần, ở một mô hình mới hoạt động chưa đầy một tuần.

Một phần trong đó mang tính cấu trúc. DeepSeek đang định tuyến mọi yêu cầu V4 Pro sang V4.1 Flash và tính phí chúng theo mức giá của Flash cho đến khi V4.1 Pro ra mắt, vì vậy một cơ sở người dùng đã cài đặt lớn đã được chuyển sang nó mà không ai chọn lựa bất cứ điều gì. Nhưng khối lượng tạo ra vẫn là bằng chứng rõ ràng nhất hiện có rằng một số lượng khổng lồ các khối lượng công việc sản xuất vốn đã được mô hình rẻ hơn phục vụ đủ tốt — và đó là một kết luận mà các bài đánh giá chuẩn không thể đưa ra cho bạn, bởi vì các bài đánh giá chuẩn đo lường những gì một mô hình có thể làm, còn lưu lượng đo lường những gì các đội nhóm sẵn sàng đặt trước mặt người dùng trả tiền.

Lựa chọn giữa chúng

Cả hai đều nằm sau cùng một endpoint tương thích OpenAI trên OrcaRouter, và chính điều đó khiến việc phân tách trở nên thực tế thay vì một dự án di trú: định tuyến phiên lập trình tầm xa — nơi lợi thế suy luận của Kimi K3 đáng để trả tiền — còn lưu lượng tác tử và công việc tri thức với khối lượng lớn, nơi hai mô hình chỉ cách nhau trong vòng bốn điểm chỉ số, thì dành cho DeepSeek V4.1 Flash. Vì cổng kết nối chuyển tiếp nguyên mức giá của nhà cung cấp mà không cộng thêm gì, chi phí trên mỗi token mà bạn thấy chính là của nhà cung cấp — đáng để kiểm tra hai lần mỗi ngày ở phía DeepSeek, vì các khung giờ cao điểm của nó tăng gấp đôi mức giá vào buổi sáng các ngày trong tuần theo giờ UTC.

Phán quyết đi theo bằng chứng chứ không phải bảng ra mắt. Nếu công việc của bạn là một lượt suy luận khó — một câu hỏi khoa học, một thuật toán mới, một tài liệu mà bạn không thể đọc sai — thì Kimi K3 là mô hình mạnh hơn, các khoảng cách độc lập đều nhất quán, và giá là yếu tố thứ yếu. Nếu công việc của bạn là một tác nhân lập trình, một vòng lặp gọi công cụ dài, hoặc bất cứ thứ gì có tiền tố được lưu đệm lớn được phát lại với khối lượng lớn, thì hai mô hình đủ gần nhau về năng lực đến mức chi phí trở thành tiêu chí quyết định, và ở đó khoảng cách chạy từ 7,4 lần đến khoảng 40 lần tùy theo mức độ mang tính tác nhân của nhiệm vụ.

Bảng benchmark của chính DeepSeek phóng đại mức độ rõ ràng của chiến thắng đó. Còn mức giá thì không.