
Sage-S2.1-Flash vs DeepSeek V4.1 Flash: Cuộc so tài duy nhất có bảng điểm chung
- GoogleMỚIGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 trên 1 triệu token · 90 tok/s
- AnthropicMỚIAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 trên 1 triệu token · 97 tok/s
- orcaMỚIOrca: OrcaC2 1.02026-11-0717 tok/s
- OrcaMỚIOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 trên 1 triệu token · 87 tok/s
- OrcaMỚIOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 trên 1 triệu token · 133 tok/s
- OrcaMỚIOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 trên 1 triệu token · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 trên 1 triệu token · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 trên 1 triệu token · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 trên 1 triệu token · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Trí tuệ
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 trên 1 triệu token · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Trí tuệ
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 trên 1 triệu token · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Trí tuệ
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Trí tuệ
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 trên 1 triệu token · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Trí tuệ
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Trí tuệ
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 trên 1 triệu token · 219 tok/s
Trên internet chỉ có đúng một nơi mà Sage-S2.1-Flash và DeepSeek V4.1 Flash được chấm điểm đối đầu với nhau, và đó không phải là một nơi trung lập. InternLM, phòng thí nghiệm đã công bố Sage-S2.1-Flash vào ngày 15 tháng 11 năm 2026, đã đưa DeepSeek-V4.1-Flash-1017 vào bảng so sánh của chính mình — 35 bộ đánh giá, tám mô hình đối thủ, một tệp phân tách bằng tab trong kho GitHub mà thẻ mô hình trên Hugging Face không liên kết tới. Vậy là hai mô hình dùng chung một bảng điểm, và một trong hai đã dựng nên nó.
Đó là điều mà cả hai phép so sánh còn lại trong loạt bài này đều không có được, vì ở chúng hoàn toàn không tồn tại bảng chung nào. Nó cũng khiến đây trở thành trang hữu ích nhất trong ba trang, vì một bảng chung — kể cả bảng của chính nhà cung cấp — cho phép bạn đặt những câu hỏi mà một cặp bài blog riêng lẻ không thể trả lời. Phần tiếp theo sẽ trình bày bảng chung nói gì, hai kiến trúc bên dưới nó là gì, và bạn nên tin bao nhiêu phần trong đó.
Sự bất đối xứng định hình mọi thứ
Hãy đặt hai bản phát hành cạnh nhau như những hiện vật trước khi bạn đặt chúng cạnh nhau như những mô hình.
DeepSeek V4.1 Flash ra mắt vào ngày 10 tháng 9 năm 2026 với thẻ mô hình đầy đủ, một tệp PDF báo cáo kỹ thuật có tiêu đề "Pushing the Limits of KV Cache Compression", giấy phép MIT, một API có tài liệu đầy đủ với mức giá thấp điểm và cao điểm được công bố, cùng một bản snapshot được làm mới — 1017 — vào ngày 17 tháng 10. Kho lưu trữ Hugging Face của mô hình đã được tải xuống 1,69 triệu lần và có 4.978 lượt thích. Artificial Analysis chấm điểm độc lập cho mô hình ở mức 32,6 trên Intelligence Index khi ở mức nỗ lực tối đa.
Sage-S2.1-Flash ra mắt ngày 15 tháng 11 năm 2026 với 120 phân mảnh bfloat16, một thẻ mô hình 21 byte mà toàn bộ nội dung là một tuyên bố giấy phép, một hướng dẫn triển khai, và không có mức giá nào được công bố ở bất kỳ đâu. Nó có một lượt thích và không có lượt tải xuống nào. Chưa có harness độc lập nào chạm vào nó.
Cả hai đều là hỗn hợp chuyên gia trọng số mở được cấp phép MIT, với cửa sổ ngữ cảnh một triệu token và đầu vào hình ảnh gốc. Trên giấy tờ, chúng ngang hàng. Trên bằng chứng, chúng không hề gần nhau.

Bảng được chia sẻ thực sự chứa những gì
Tệp benchmark của InternLM liệt kê 31 dòng mang con số DeepSeek-V4.1-Flash-1017. Đọc nó là một trải nghiệm khác với đọc bài đăng ra mắt, bởi vì những dòng mà Sage thua vẫn còn đó. Một lát cắt tiêu biểu, với Sage đứng đầu trong mọi dòng:
• Terminal-Bench 2.1 — 87.9 so với 87.6, hòa nhau với cách biệt ba phần mười
• DeepSWE — 67,0 so với 73,9, kém 6,9 điểm
• SWE-bench Pro — 60,6 so với 64,7, thiếu hụt 4,1 điểm
• NL2Repo-Bench — 57,2 so với 62,7, mức thiếu hụt 5,5 điểm
• APEX-Agents — 61,7 so với 69,2, thiếu hụt 7,5 điểm
• WideSearch — 81,5 so với 86,3
• BrowseComp — 91.2 so với 93.8
• CyberGym — 84,3 so với 88,8
• τ³-bench Banking — 45,4 so với 47,4
• OSWorld v2.1 — 69.3 so với 70.1
• AutomationBench — 56.7 so với 57.8
Quy luật trong danh sách đó thật khó chịu đối với mô hình mới hơn: trong các công việc tác nhân và lập trình nói chung, DeepSeek V4.1 Flash thắng phần lớn các hàng, thường với mức chênh lệch không phải nhiễu. Một mô hình được công bố sớm hơn hai tháng, bởi một phòng thí nghiệm có báo cáo kỹ thuật công khai, đánh bại bản phát hành lặng lẽ trên chính những bộ đánh giá mà bản phát hành lặng lẽ ấy chọn công bố.
Sau đó bảng đảo ngược. Những hàng mà Sage dẫn đầu là các hàng khoa học và tài liệu, và mức chênh lệch thuộc một đẳng cấp hoàn toàn khác:
• Harvey LAB — 25.0 so với 11.7, gấp hơn hai lần
• OfficeQA Pro V2 — 72,2 so với 69,7
• BabyVision — 75,8 so với 58,0, khoảng cách 17,8 điểm
• OSWorld-G — 84,8 so với 61,4, mức chênh lệch 23,4 điểm
• MLE-bench Lite — 90.3 so với 89.2
• Workspace-Bench-Lite — 67,1 so với 66,8
• GDPval — 78,0 so với 77,6
• SpreadsheetBench 2 — 37,1 so với 35,8
Hai mô hình, và chúng chỉ về hai hướng trái ngược nhau. Về kỹ thuật phần mềm và công việc agent điều khiển bằng công cụ trong môi trường tổng quát, DeepSeek V4.1 Flash là mô hình mạnh hơn và chính những con số của InternLM cũng cho thấy điều đó. Về nhận thức khoa học, công việc chuyên môn nặng về tài liệu và điều khiển desktop đồ họa, Sage-S2.1-Flash không chỉ nhỉnh hơn một chút mà còn ở một đẳng cấp khác.
Tại sao các kiến trúc lại tạo ra đúng chính sự phân tách đó
Hai mô hình đang giải quyết những bài toán khác nhau, và cấu hình của chúng đã cho thấy điều đó trước cả khi bất kỳ bài kiểm chuẩn nào được thực hiện.
DeepSeek V4.1 Flash là một backbone 552 tỷ tham số với 16 tỷ tham số hoạt động mỗi token, được xây dựng trên kiến trúc mà DeepSeek gọi là Causal Encoder-Decoder: 40 lớp được chia đều thành một causal encoder 20 lớp và một decoder 20 lớp. Cách trình bày trong báo cáo kỹ thuật là nén KV cache — tuyên bố nổi bật của mô hình liên quan đến hiệu quả phục vụ ở một triệu token, chứ không phải về nhận thức. Mô hình xử lý hình ảnh một cách nguyên bản, nhưng trọng tâm được công bố của nó là kinh tế phục vụ ngữ cảnh dài.
Sage-S2.1-Flash là mô hình 320 tỷ tham số với 18 tỷ tham số hoạt động mỗi token và, theo hướng dẫn triển khai của nó, có 45 lớp. Cấu hình phân chia chúng rõ rệt: 34 lớp dùng một loại attention tuyến tính mà tệp gọi là kda, và chỉ 11 lớp dùng attention thưa với chỉ mục top-k 2.048 token. Có một tháp thị giác 24 lớp với đầu vào 448 pixel, và từ vựng token mang các token hình ảnh, video, âm thanh, bắt đầu và kết thúc một cách tường minh. Bản công bố tiếng Anh của chính InternLM — được lưu trữ tại internlm.github.io/Sage-S2.1-Flash, được tạo ngày 16 tháng 11, không được thẻ mô hình tham chiếu đến — mô tả việc huấn luyện trên đồ thị phân tử, cấu trúc tinh thể, chuỗi protein và cấu trúc 3D, DNA và RNA, phổ, phổ khối, nhiễu xạ tia X, điện tâm đồ, điện não đồ và đường cong ánh sáng.
Đối chiếu danh sách đó với những hàng mà Sage thắng, bức tranh không còn giống như may mắn ở benchmark nữa. Harvey LAB là công việc pháp lý trên tài liệu. OfficeQA Pro là hỏi đáp trên tài liệu tài chính. BabyVision là nhận thức thị giác. OSWorld-G là điều khiển desktop đồ họa — nhấp vào UI chứ không gọi API. Đó là những năng lực mà một mô hình được huấn luyện trên hình khoa học, phổ, đồ thị và giao diện phần mềm sẽ được kỳ vọng là giỏi, và chúng chính là chỗ mà một mô hình được huấn luyện cho phục vụ tổng quát tiết kiệm KV-cache sẽ được kỳ vọng là tụt lại.
Điểm này đúng theo cả hai chiều. Sage thua ở các hàng lập trình vì nó không phải chủ yếu là một mô hình lập trình; DeepSeek thua ở các hàng thị giác vì nó không phải chủ yếu là một mô hình tri giác. Cả hai kết quả đều không phải là scandal. Sai lầm sẽ là đọc cột nào trong hai cột như một phán quyết tổng quát.

Mức chênh lệch giá, vốn không gần.
DeepSeek V4.1 Flash có mức giá được công bố, và đây là một trong những mức giá rẻ nhất trong số bất kỳ mô hình nào có kích thước này:
• Ngoài giờ cao điểm, không trúng bộ nhớ đệm — $0.15 mỗi triệu đầu vào, $0.60 mỗi triệu đầu ra
• Cao điểm, trượt bộ nhớ đệm — $0.30 mỗi triệu đầu vào, $1.20 mỗi triệu đầu ra
• Lượt trúng bộ nhớ đệm — $0.003 mỗi triệu ngoài giờ cao điểm, $0.006 vào giờ cao điểm
• Giờ cao điểm — 01:00–04:00 và 06:00–10:00 UTC, Thứ Hai đến Thứ Sáu, không bao gồm các ngày lễ công cộng của Trung Quốc
Ngữ cảnh — 1,000,000 token, với tối đa 384,000 token đầu ra
Sage-S2.1-Flash không có mức giá công bố. Không có giá trên thẻ mô hình, không có trong hướng dẫn triển khai và cũng không có trên microsite phát hành; liên kết “Try the API” của trang trỏ tới một cổng thông tin mà sẽ không hiển thị danh mục của nó cho client không chạy JavaScript. Thay vào đó, Sage có một yêu cầu phần cứng: triển khai tham chiếu trong hướng dẫn là tám GPU H200 ở bfloat16, khoảng 645 GB trọng số trên toàn nút.
Điều đó khiến việc so sánh chi phí trở thành một hình dạng thay vì một con số. DeepSeek V4.1 Flash có giá 0,15 USD cho mỗi triệu token đầu vào vào giờ thấp điểm, nghĩa là một prompt một triệu token tốn mười lăm xu. Chạy Sage-S2.1-Flash ở mức một triệu token tốn đúng bằng chi phí tám H200 mà bạn phải trả cho thời gian thực tế mà cuộc gọi diễn ra, và chưa ai công bố con số thông lượng cho nó. Nếu bạn đã sở hữu node đó, chi phí biên của cuộc gọi gần bằng không và so ra DeepSeek có vẻ đắt. Nếu bạn không sở hữu, DeepSeek thắng với khoảng cách lớn đến mức việc so sánh với Sage không đáng làm cho đến khi có mức giá cho bản chạy trên dịch vụ lưu trữ.
Điều mà chiếc bàn chung không thể nói với bạn
Một đặc điểm của bản so sánh do nhà cung cấp tự viết đáng được nêu rõ, vì nó ảnh hưởng đến cách đọc từng hàng ở trên: bộ khung đánh giá không được ghi tài liệu. InternLM công bố các con số, chứ không công bố cấu hình chạy. Không có tuyên bố nào về số lần thử cho mỗi tác vụ, loại khung hỗ trợ được dùng, tham số lấy mẫu nào, liệu có công cụ hay không, hay ngân sách suy luận là bao nhiêu cho mỗi mô hình. Điểm 32,6 của chính DeepSeek trên Artificial Analysis Intelligence Index đến từ một bộ khung công khai áp dụng cùng một quy trình cho mọi mô hình trong chỉ mục của nó; còn điểm 73,9 mà InternLM gán cho DeepSeek trên DeepSWE đến từ một bộ khung riêng tư.
Điều đó không làm cho bảng trở nên vô dụng. Nó khiến bảng mang tính định hướng. Các hàng về lập trình và các hàng về thị giác đều đủ lớn, và đủ nhất quán nội bộ, đến mức các lựa chọn scaffolding có lẽ không tạo ra chúng. Mặt khác, mức hòa ba phần mười trên Terminal-Bench 2.1 nằm hoàn toàn trong phạm vi mà bất kỳ biến thể harness nào có thể tạo ra — hãy coi chênh lệch 0,3 điểm là hòa và không có gì bị mất.
Cũng đáng lưu ý: InternLM đã công bố một con số cho DeepSeek trên DeepSWE (73.9), cao so với các dòng lập trình khác trong bảng của chính họ, nơi DeepSeek đạt 64.7 trên SWE-bench Pro. Sự mâu thuẫn nội tại đó là kiểu vấn đề mà một harness được công bố sẽ giải quyết trong một buổi chiều, còn một harness riêng tư thì hoàn toàn không thể giải quyết được.

Triển khai: một buổi chiều so với một tài liệu
Nếu bạn đang lựa chọn dựa trên các căn cứ vận hành chứ không phải các hàng điểm chuẩn, thì khoảng cách còn lớn hơn những gì các điểm số gợi ý, và nó đi cùng hướng với khoảng cách bằng chứng.
DeepSeek V4.1 Flash được phát hành kèm một báo cáo kỹ thuật, kiến trúc transformers tiêu chuẩn, một biến thể fp8 và các thẻ triển khai cho Azure và SageMaker trên model card của nó. Nó đã có mặt trên thị trường được hai tháng, đạt 1,69 triệu lượt tải xuống, và mọi điểm bất thường khi phục vụ mà nó có thì đều đã có người gặp phải và ghi lại.
Sage-S2.1-Flash đi kèm một hướng dẫn triển khai mà, nếu đọc kỹ, thực chất là một danh sách các lỗi âm thầm. Bỏ qua --trust-remote-code và tokenizer mặc định sẽ mã hóa các chuỗi agentic như <|user|> và <tool_call> thành control token — mô hình dừng sớm hoặc làm hỏng một tool call, và không có gì được ghi log. Triển khai nó trên vLLM mà không có bản vá một tệp trong vllm_patch/ và các kết quả tool song song trả về sai thứ tự sẽ gắn hình ảnh vào sai kết quả, khiến mô hình trả lời về sai bức ảnh; bản sửa lỗi thượng nguồn đang chờ xử lý với mã vllm-project/vllm#67108. Triển khai nó trên SGLang mà không truyền chat_template.jinja một cách tường minh và engine sẽ cài đặt template riêng của nó cho kiến trúc. Trên Hopper, FP8 KV cache không được hỗ trợ. LMDeploy cần ghim transformers trong khoảng từ 5.17 đến 5.19, vì 5.19 đã đổi tên một loại layer.
Tất cả những điều đó đều được ghi lại thành tài liệu, điều này là điểm đáng khen của phòng thí nghiệm — còn hơn những gì hầu hết các bản phát hành âm thầm làm được. Nhưng đó cũng là dấu vân tay của một mô hình mà cho đến nay, chính những tác giả của nó vẫn là những người duy nhất từng đưa nó vào phục vụ.
Điều hữu ích duy nhất mà bảng chung giải quyết được
Dựa trên tất cả những điều trên, đây là quyết định mà bằng chứng thực sự ủng hộ.
• Nếu công việc của bạn là mã nguồn, công cụ cho agent hay phục vụ ngữ cảnh dài nói chung — DeepSeek V4.1 Flash. Nó thắng phần lớn các dòng đó ngay trong bảng của đối thủ, chỉ tốn 0,15 đô la mỗi triệu token đầu vào ngoài giờ cao điểm và có điểm số độc lập để đối chiếu. Không có lý do nghiêm túc nào để chọn Sage ở đây.
• Nếu công việc của bạn là hình minh họa khoa học, phổ, biểu đồ, tài liệu chuyên môn được quét hoặc phần mềm vận hành qua GUI — Sage-S2.1-Flash đáng để dành cả cuối tuần. Khoảng cách 23 điểm trên OSWorld-G và khoảng cách 13 điểm trên Harvey LAB là kiểu khác biệt có thể quyết định một tác vụ có tự động hóa được hay không, và không mô hình nào khác trong bảng của InternLM tiến gần ở những hàng đó.
• Nếu bạn cần quyết định ngay hôm nay — DeepSeek V4.1 Flash, vì đây là lựa chọn duy nhất trong hai lựa chọn mà bạn có thể gọi mà không cần khung thời gian bảo trì.
DeepSeek V4.1 Flash được định tuyến trên OrcaRouter dưới dạng deepseek/deepseek-v4.1-flash với giá $0,15 đầu vào và $0,60 đầu ra mỗi triệu token — giá niêm yết ngoài giờ cao điểm của chính DeepSeek được chuyển nguyên vẹn, không cộng thêm — với ngữ cảnh 1.048.576 token, cùng với bản snapshot 1017 ở cùng mức giá. Sage-S2.1-Flash không có trong danh mục của chúng tôi; đó là trọng số mở mà bạn sẽ tự vận hành phục vụ, và chúng tôi sẽ không ngụ ý điều khác.
Điều mà một bộ định tuyến mang lại cho bạn ở đây hẹp hơn một cuộc di trú và hữu ích hơn một benchmark. Sự phân tách mà bài viết này mô tả — công việc tác tử tổng quát và lập trình cho một mô hình, công việc khoa học và nặng GUI cho mô hình kia — đúng là hình dạng mà một chính sách định tuyến thể hiện: một điểm cuối, một quy tắc đưa các yêu cầu có hình ảnh và tài liệu xuống đường chuyên biệt, và chuyển đổi dự phòng tự động giúp một suy giảm phía nhà cung cấp không làm sập toàn bộ đường đi. Cả hai định danh DeepSeek đều nằm trên cùng một khóa, nên việc thử bản snapshot 1017 so với bản gốc chỉ tốn một thay đổi chuỗi mô hình thay vì một hợp đồng thứ hai. Phần bạn không thể định tuyến — Sage-S2.1-Flash — là phần bạn sẽ phải tự dựng lên, và đó là lập luận rõ ràng nhất cho việc tạo nguyên mẫu dựa trên những gì có trong danh mục trước tiên.
Điều gì sẽ khiến trang này đáng được viết lại?
Hai điều. Một mức giá cho Sage-S2.1-Flash, thứ sẽ biến phần chi phí từ một hình dạng thành phép tính. Và một điểm số độc lập, lý tưởng là trên cùng một harness đã đưa DeepSeek V4.1 Flash đạt 32,6 — bởi vì câu hỏi thú vị không phải là liệu Sage có vượt DeepSeek về trung bình hay không. Mọi thứ ở trên đều cho thấy là không. Câu hỏi thú vị là liệu lợi thế 23 điểm trên OSWorld-G của Sage có sống sót qua một harness không do chính phòng thí nghiệm đã công bố nó viết ra hay không, và liệu mức thiếu hụt 6,9 điểm trên DeepSWE có thật đúng như các hàng về lập trình trong bảng của chính nó hàm ý hay không.
Cho đến khi ai đó chạy lại những dòng đó, bảng điểm chung là bằng chứng tốt nhất hiện có và nó được một trong hai đối thủ xây dựng. Hãy đọc nó theo cách bạn sẽ đọc bất kỳ bản so sánh tự công bố nào mà tình cờ bao gồm cả những thất bại của chính nó: đáng tin cậy hơn một bảng không có thất bại nào, và vẫn không giống như một phép đo.
So sánh trong bài viết này1
Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày
