MiniMax M3.1 Flash vs DeepSeek V4.1 Flash: Hai bảng của nhà cung cấp thực sự thống nhất ở điểm nào

Hai hàng. Đó là chừng ấy phần trong bảng ra mắt của MiniMax còn trụ lại khi so với chính những con số DeepSeek công bố, và đáng để nói thẳng như vậy trước khi tiêu đề của một trong hai nhà cung cấp được nhắc lại: trên hai benchmark mà MiniMax M3.1 Flash và DeepSeek V4.1 Flash — bản checkpoint 1017 mà DeepSeek phát hành sớm hơn hai ngày — cả hai phòng thí nghiệm đều công bố điểm trên cùng một đánh giá, mô hình mới hơn lại xếp sau. MiniMax ra mắt M3.1 Flash vào ngày 19 tháng 10 năm 2026 với một bảng trải rộng công việc agentic, lập trình, sử dụng máy tính và an ninh mạng, cùng tuyên bố về bước nhảy vọt thế hệ so với mô hình tiền nhiệm của chính mình. DeepSeek phát hành V4.1 Flash 1017 vào ngày 17 tháng 10 năm 2026 với một model card làm điều tương tự. Điều thú vị khi đặt chúng cạnh nhau không phải là ai thắng. Mà là mỗi bảng chỉ có quá ít phần được thiết kế để có thể so sánh với nhau ngay từ đầu.Bảng của nhà cung cấp là một loại bằng chứng, còn hồ sơ sự cố là loại khác, vì vậy những thất bại đằng sau các bản phát hành như thế này được ghi lại trong Kho lưu trữ Sự cố AI OrcaRouter trong đó mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp.

Điều mà M​iniMax thực sự đã gắn con số

Bài đăng của M​iniMax cụ thể hơn hầu hết. Nó đưa ra sáu con số ngay từ đầu: BankerToolBench 76.2, DeepSWE v1.1 73.7%, OSWorld V2 61.7, Agents' Last Exam 29.6, CyberGym 82%, và một tuyên bố đạt hiệu năng hàng đầu trên Automation-Bench mà không có điểm số trong phần tóm tắt. Bên cạnh đó là hai tuyên bố về thông lượng — nhanh hơn khoảng ba lần khi suy luận trực tuyến so với mô hình mà nó thay thế, và hơn 200 token mỗi giây với P50 trên 170 — cùng tuyên bố chi phí thấp hơn 70% trên các tác vụ agentic. Tất cả đều do nhà cung cấp tự báo cáo và chưa được tái lập. M​iniMax đã chạy nó, M​iniMax đã công bố nó, và bộ khung kiểm thử chỉ được nêu tên trong phần chú thích.

Chú thích cuối trang là chỗ bảng bắt đầu rạn ra. BankerToolBench, theo MiniMax, được đánh giá bằng harness OpenCode 1.1718 và được chấm bởi MiniMax-M2.7, mô hình cũ hơn của chính họ. Đó là một benchmark tự chấm: một mô hình MiniMax chấm điểm các đầu ra do một mô hình MiniMax tạo ra, trên một bộ tác vụ do MiniMax chọn. Nó có thể được vận hành hoàn toàn ổn. Nhưng đó không phải bằng chứng bạn có thể dùng để làm điểm trừ cho một phòng thí nghiệm công bố trên một harness do người khác duy trì.

Hai hàng thẳng hàng với nhau

DeepSWE v1.1 là phép đo duy nhất thực sự được dùng chung. Cả hai phòng thí nghiệm đều báo cáo nó, và cả hai đều nêu rõ bộ khung kiểm thử: D​eepSeek ghi Mini-SWE-V2 trên thẻ mô hình của mình, M​iniMax báo cáo cùng phiên bản benchmark. M​iniMax tuyên bố 73,7%. D​eepSeek tuyên bố 77,0% cho checkpoint 1017, so với 74,2% của bản phát hành V4.1 Flash mà nó thay thế. Vì vậy thứ hạng ở đây không mơ hồ, và nó không có lợi cho mô hình mới hơn: bản phát hành ngày 17 tháng 10 của D​eepSeek dẫn trước bản phát hành ngày 19 tháng 10 của M​iniMax trên bài đánh giá tác nhân lập trình duy nhất mà hai công ty đo theo cùng một cách, và nó dẫn trước bản phát hành trước đó của chính mình gần ba điểm trong khi làm vậy.

Agents' Last Exam kể cùng một câu chuyện nhưng với khoảng cách lớn hơn. MiniMax báo cáo 29,6. DeepSeek báo cáo 35,4 cho 1017, tăng từ 31,8 cho checkpoint trước đó. Đó là khoảng cách năm điểm trên một benchmark được thiết kế để khó đối với các agent, và đây là dòng liên tiếp thứ hai mà mô hình cũ hơn hai ngày đang thoải mái dẫn trước.

Mọi thứ còn lại trong hai bảng hoặc được đo trên một cấu hình khác, được đánh giá bởi một mô hình khác, hoặc chỉ được một bên công bố. Thẻ mô hình của D​eepSeek ghi Terminal-Bench 4.0 đạt 42.3 trong harness Claude Code, HLE không dùng công cụ đạt 42.6, ProgramBench 29.1, Apex Bench v1.1 72.1 và Automation-Bench v1.0.6 đạt 60.5. Bài đăng của M​iniMax hoàn toàn không đưa ra con số Terminal-Bench 4.0, và dòng Automation-Bench của nó nằm dưới một chú thích về 600 tác vụ được công bố công khai thay vì bên cạnh một con số có thể so sánh mà chúng ta có thể gán với độ tin cậy ở độ phân giải mà bài đăng hiển thị. Hai trong số những dòng đó có thể kiểm chứng. Phần còn lại là hai bài kiểm tra khác nhau với cùng một cái tên trên trang bìa.

Trong khi bảng của M​iniMax mạnh, còn bảng của D​eepSeek thì im lặng

Sẽ là sai lầm nếu đọc hai hàng dùng chung như toàn bộ bức tranh, bởi cả hai đều là các hàng suy luận về lập trình và tác nhân, còn định vị của M​iniMax rộng hơn. OSWorld V2 ở mức 61.7 là một con số về sử dụng máy tính mà D​eepSeek không công bố, và M​iniMax tuyên bố đứng đầu trong số các mô hình Trung Quốc ở hạng mục này. CyberGym ở mức 82% là một con số về tác nhân bảo mật mà D​eepSeek cũng không công bố. BankerToolBench 76.2 đo lường việc lựa chọn công cụ trong bối cảnh quy trình làm việc doanh nghiệp mà cả thẻ của D​eepSeek lẫn Artificial Analysis đều không đề cập. Ở lãnh địa đó, M​iniMax không hề thua; nó không có đối thủ. Không có đối thủ không đồng nghĩa với dẫn đầu, và phần tóm tắt của chính nhà cung cấp — "đạt tới trình độ của các mô hình hàng đầu" — là một tuyên bố về sự ngang bằng, không phải về vị thế dẫn đầu.

Điều đáng chú ý khác ở bảng ra mắt là cách bảng này xử lý các đối thủ. Đồ họa được công bố đặt cột của MiniMax bên cạnh DeepSeek, Kimi-K3, GLM-5.3, GPT-5.6 Sol và Opus 5, và các con số trong những cột đó là số liệu do chính các phòng thí nghiệm khác công bố chứ không phải số do MiniMax chạy. Đó là thông lệ bình thường và không hề thiếu trung thực, nhưng điều đó có nghĩa là mọi so sánh giữa các cột trong hình ảnh đó đều kế thừa bất kỳ khung đánh giá nào mà mỗi phòng thí nghiệm tình cờ sử dụng. Một bảng xếp sáu mô hình mời gọi bạn đọc ngang qua các hàng. Chỉ hai trong số những hàng đó được xây dựng để đọc ngang.

Câu chuyện về giá diễn ra theo chiều ngược lại, và nó là có thật.

Về mặt chi phí, MiniMax có bảng giá gọn gàng hơn. M3.1 Flash có giá 0,15 USD mỗi triệu token đầu vào và 0,60 USD mỗi triệu token đầu ra, với đầu vào được lưu trong bộ nhớ đệm ở mức 0,015 USD — giảm 90% — và không thay đổi theo thời điểm trong ngày. DeepSeek V4.1 Flash 1017 niêm yết 0,30 USD và 1,20 USD trong các khung giờ cao điểm ngày thường, giảm một nửa xuống 0,15 USD và 0,60 USD ngoài giờ cao điểm, với giá cho các lượt trúng bộ nhớ đệm lần lượt là 0,006 USD và 0,003 USD. Trong giờ cao điểm, DeepSeek có giá gấp đôi mức MiniMax tính cho cùng một triệu token. Ngoài giờ cao điểm, hai bảng giá này giống hệt nhau. Một tác vụ chạy theo lịch trình bạn kiểm soát có thể đón khung giờ rẻ của DeepSeek; còn tác vụ chạy theo thời điểm người dùng của bạn thì không thể.

Artificial Analysis định lượng khoảng cách còn lại sau các mánh định giá: $0.22 để hoàn thành một tác vụ Intelligence Index trên M3.1 Flash so với $0.26 trên DeepSeek V4.1 Flash 1017. Đó là khoảng cách 15% nghiêng về M​iniMax trên cùng một phép đánh giá, và đây là tuyên bố kinh tế duy nhất trong so sánh này được đo độc lập thay vì do nhà cung cấp tự khẳng định. Điều này quan trọng vì bảng giá theo token không cho bạn biết điều đó. Mức $0.30/$1.20 của D​eepSeek trông giống mức phạt gấp đôi nhưng thực tế chỉ như mức 15%, bởi vì M​iniMax tiêu tốn 180 triệu token đầu ra khi chạy chỉ số này so với 210 triệu của D​eepSeek và bởi vì D​eepSeek nhanh gần gấp đôi với 208.7 token mỗi giây so với khoảng 105. Hai mô hình, hai triết lý định giá, và chênh lệch chi phí thực là mười tám xu mỗi lần đánh giá.

Đây cũng là nơi một lớp định tuyến khẳng định được vị trí của mình, theo cách dễ nói ra nhưng khó làm thủ công. OrcaRouter chuyển giá niêm yết của nhà cung cấp qua với mức markup 0%, vì vậy khi một trong hai lab thay đổi mức giá, con số trên hóa đơn của bạn sẽ thay đổi ngay trong cùng ngày thay vì vào kỳ gia hạn hợp đồng tiếp theo — và trên một bảng giá có khung giờ cao điểm, đó là khác biệt giữa một ngân sách bạn đặt một lần và một ngân sách bạn phải kiểm tra lại mỗi giờ. Hiện tại chúng tôi không đưa M​iniMax M3.1 Flash hay DeepSeek V4.1 Flash 1017 vào danh mục, và bài viết này không phải là tuyên bố rằng chúng tôi có; dòng D​eepSeek mà chúng tôi định tuyến là một checkpoint khác, và đó là điểm khác biệt đáng để phân biệt rõ khi chuỗi mô hình chính là thứ mà mã của bạn được ghim vào.

Hai con số mà bảng benchmark không chứa

Đầu tiên là tốc độ. MiniMax tuyên bố hơn 200 token mỗi giây và P50 trên 170. Artificial Analysis đo được khoảng 105 token mỗi giây trên bộ khung kiểm thử của riêng mình, với thời gian đến token đầu tiên là 1,38 giây. DeepSeek đo được 208,7 token mỗi giây với 1,07 giây. Các tuyên bố về thông lượng của nhà cung cấp gần như luôn được đo trong trường hợp tốt nhất mà hạ tầng phục vụ có thể tạo ra; con số độc lập mới là con số xuất hiện trong p95 của bạn. Ở khía cạnh này, tuyên bố của chính MiniMax và kết quả đo được không sát nhau, và kết quả đo được chỉ bằng một nửa của DeepSeek.

Điều thứ hai là giấy phép. DeepSeek V4.1 Flash 1017 được cấp phép MIT với trọng số trên Hugging Face và 552 tỷ tham số tổng cộng so với 16 tỷ tham số hoạt động. MiniMax cho biết trọng số của M3.1 Flash “sẽ được phát hành sau” và không gắn ngày, không giấy phép và không số lượng tham số nào với lời hứa đó. Nếu quy trình mua sắm của bạn phải qua một cuộc đánh giá bảo mật đặt câu hỏi điều gì xảy ra nếu nhà cung cấp biến mất, thì bảng điểm chuẩn không phải là câu hỏi bạn đang trả lời, và trên bảng bạn được đưa, câu trả lời không có ở đó.

Điều gì sẽ thay đổi cách hiểu này?

Ba điều, xếp theo mức độ tác động của chúng. Các lần chạy độc lập DeepSWE v1.1 và Agents' Last Exam trên checkpoint của M​iniMax sẽ xác định liệu 73.7 và 29.6 là thận trọng hay hào phóng — hiện nay chưa ai ngoài hai phòng thí nghiệm công bố một trong hai kết quả đó. Một điểm Automation-Bench do M​iniMax công bố, trên cùng bản phát hành 600 nhiệm vụ mà D​eepSeek đã dùng, sẽ mang lại cho tuyên bố về năng lực tác nhân con số mà nó hiện còn thiếu. Và một bản phát hành trọng số có kèm giấy phép sẽ khiến mô hình có thể so sánh được trên khía cạnh mà D​eepSeek hiện không có đối thủ nào cả.

Cho đến lúc đó, bản tóm tắt trung thực vẫn hẹp hơn so với cả hai bài đăng ra mắt. M​iniMax M3.1 Flash là một mô hình rẻ hơn để hoàn thành tác vụ, chậm hơn để trò chuyện, đóng kín để thu mua, và — trên hai benchmark duy nhất mà cả hai công ty đo giống hệt nhau — là mô hình đứng thứ hai. Đó không phải là câu chuyện mà bảng được vẽ ra để kể, nhưng đó là câu chuyện mà bảng chứa đựng. Nếu tuần này bạn đang chọn giữa chúng, hãy chọn dựa trên bảng giá và giấy phép, vì đó là hai hàng mà không ai phải được thuyết phục.