SWE-2 Flash so với DeepSeek V4 Flash: Một bên có bảng giá, bên kia có tỷ lệ

Điều đầu tiên sụp đổ khi bạn đặt SWE-2 Flash và DeepSeek V4 Flash cạnh nhau chính là đơn vị. DeepSeek công bố đô-la trên mỗi triệu token và một checkpoint bạn có thể tải xuống. Cognition công bố một tỷ lệ — một phần năm của SWE-2 — và một suất dùng bên trong Devin. Một trong hai là mô hình bạn có thể xây dựng trên đó; cái còn lại là mô hình bạn có thể sử dụng. Mọi so sánh tiếp theo đều phải chịu được sự bất đối xứng đó, và hầu hết những so sánh đang lan truyền trong ngày ra mắt đã không làm được.

Đó không phải là lý do để bỏ qua việc so sánh. Đó là lý do khiến việc so sánh đáng được thực hiện một cách cẩn thận. Hai mô hình cùng nhắm đến một nhóm người mua — một đội ngũ muốn có hành vi lập trình cận biên mà không phải trả mức giá của frontier — và chúng đưa ra những đặt cược trái ngược nhau về cách người mua đó muốn nhận được nó. Một đặt cược là phân tách: trọng số, một API, một cửa sổ ngữ cảnh được công bố, và một hóa đơn mà bạn có thể dự báo. Đặt cược còn lại là tích hợp: một mô hình được tinh chỉnh cho một harness, được bán với giá bằng một phần chi phí của một mô hình khác, với toàn bộ ngăn xếp phục vụ đã được tính trong con số.

Mỗi thứ thực sự là gì, và cái bẫy checkpoint

SWE-2 Flash được công bố vào ngày 4 tháng 11 năm 2026. Nó được hậu huấn luyện từ Inkling-Small, mô hình hỗn hợp tổng 276B, kích hoạt 12B của Thinking Machines, và nó có mặt trong Devin Desktop và Devin CLI. Tại đó, nó miễn phí đến hết ngày 30 tháng 11. Không có API, không có trọng số công khai và không có cửa sổ ngữ cảnh được công bố.

DeepSeek V4 Flash là một mô hình hỗn hợp với tổng 284B tham số, khoảng 13B tham số hoạt động, theo giấy phép MIT, có cửa sổ ngữ cảnh 1M token và tối đa 384.000 token đầu ra. Mô hình chỉ nhận văn bản; biến thể thị giác là một ID thử nghiệm riêng. Mô hình được phục vụ qua API tương thích OpenAI và đã có thể gọi từ mùa xuân, với checkpoint 0731 được tái huấn luyện hậu kỳ đã đảm nhận phần lớn công việc về lập trình agentic.

Rồi đến cái bẫy. Trang mô hình và giá của chính DeepSeek, đọc ngày 5 tháng 11 năm 2026, liệt kê deepseek-v4-flash trong số các tên cũ vẫn được API chấp nhận và nói rằng nó hiện được phục vụ bởi DeepSeek-V4.1-Flash-1017. Đó là một mô hình khác và lớn hơn: bảng so sánh của Cognition ghi V4.1 Flash 1017 có tổng 763B tham số và 16B tham số hoạt động. Vì vậy, "DeepSeek V4 Flash" quy về ít nhất ba thứ tùy thuộc vào người đang nói — bản dựng tháng Tư, checkpoint 0731, hoặc checkpoint V4.1 tháng Mười mà ID hiện trỏ tới. Trên OrcaRouter, các ID được ghim là các tuyến riêng biệt, và đó là lý do duy nhất khiến một phép so sánh có thể tái lập được.

Đây không phải là chuyện bắt bẻ câu chữ. Nó thay đổi việc bạn được phép trích dẫn hàng nào trong bảng benchmark. Các con số công khai trên bảng xếp hạng cho "DeepSeek V4 Flash" được đo trên bản build 0731. Bảng của Cognition đo V4.1 Flash 1017. Chúng không phải cùng một mô hình, và các con số vì thế cũng khác nhau.

Giá, tính theo hai đơn vị mà mỗi nhà cung cấp thực sự công bố

Bảng giá của DeepSeek là phép tính. Tính trên mỗi triệu token đối với mô hình mà ID deepseek-flash hiện phục vụ — DeepSeek-V4.1-Flash-1017, được trang này nêu rõ — theo ngày 5 tháng 11 năm 2026: đầu vào ở mức $0.15 ngoài giờ cao điểm và $0.30 trong các khung giờ cao điểm, đầu ra ở mức $0.60 ngoài giờ cao điểm và $1.20 trong giờ cao điểm, đầu vào được lưu đệm ở mức $0.003 và $0.006. Giờ cao điểm là 01:00 đến 04:00 và 06:00 đến 10:00 UTC, từ thứ Hai đến thứ Sáu, không tính ngày lễ công cộng Trung Quốc. Ngoài các khung giờ đó, mức giá rẻ hơn sẽ được áp dụng.

Checkpoint cũ đã ghim có mức giá khác. Danh mục của OrcaRouter có deepseek/deepseek-v4-flash với giá $0,22 mỗi triệu token đầu vào và $0,66 mỗi triệu token đầu ra, mức giá phẳng không có bậc giờ cao điểm. Đó là cái giá của khả năng tái lập: ghim mô hình thuộc dòng tháng Tư thay vì gọi mô hình hiện tại thì bạn trả nhiều hơn, đổi lại là mô hình mà phần lớn các dòng benchmark đã công bố thực sự được đo trên đó. Cả hai lựa chọn đều không sai; chúng trả lời những câu hỏi khác nhau.

Thẻ của Cognition là một bảng so sánh. “Giá bằng một phần năm và tốc độ gấp 3 lần so với mô hình anh em lớn hơn nhiều của nó” là toàn bộ tuyên bố công khai, không kèm con số tuyệt đối nào, và ngoài ra còn miễn phí đến hết ngày 30 tháng 11. Không có cách nào tính được một tác vụ tốn bao nhiêu trên SWE-2 Flash từ thông tin công khai, vì mẫu số là một mô hình mà bản thân giá token của nó cũng chưa từng được công bố.

Có hai hệ quả kéo theo, và cả hai đều mang tính thực tiễn chứ không phải chuyện câu nệ hình thức.

• Khả năng dự báo — Chi phí của DeepSeek trên mỗi triệu token có thể biết chính xác đến từng xu, bao gồm cả hệ số nhân giờ cao điểm. Chi phí của SWE-2 Flash chỉ có thể biết dưới dạng một phần của một con số chưa được công bố, nằm trong một gói đăng ký mà bạn đã và đang trả tiền.

• Báo giá đồng giá gây hiểu nhầm — tuyến V4 Flash được ghim có một mức giá đồng giá duy nhất, trong khi bảng giá hiện hành của nhà cung cấp lại có hai bậc. Vì vậy, một con số đồng giá sẽ sai trong một phần của tuần và nó mô tả một checkpoint khác với checkpoint mà hầu hết các dòng benchmark nêu tên. Hãy lập kế hoạch dựa trên bảng giá của nhà cung cấp; tái tạo dựa trên tuyến được ghim.

Cả hai đều quan trọng hơn vẻ ngoài của chúng. Với một agent chạy hàng nghìn lệnh gọi ngắn, hệ số nhân giờ cao điểm là một bài toán lập lịch mà bạn có thể xử lý bằng thiết kế; với một coding agent chạy một vài phiên dài, nó chỉ là sai số làm tròn. Bạn thuộc trường hợp nào sẽ quyết định liệu bảng giá của DeepSeek là hai mức giá hay một.

Tốc độ: một màn tái đấu với một phép đo

200 token mỗi giây của Cognition không phải là phép đo thời gian trực tiếp. Bài đăng giải thích điều đó: mỗi lần chạy riêng của từng mô hình trên tác vụ gsea-proteomics của Terminal-Bench 4.0, "được phát lại ở tốc độ mô phỏng 200 so với 60 token mỗi giây", với bản ghi được rút ngắn để có độ dài bằng nhau. 60 tok/s của SWE-2 đến từ cùng lần phát lại đó. Nó mô tả cấu hình phục vụ mà Cognition đang nhắm tới, đây là điều hợp lệ để công bố, nhưng nó không phải là đồng hồ bấm giây trên hai điểm cuối.

Artificial Analysis đo DeepSeek V4 Flash đạt 112 token đầu ra mỗi giây trên trang mô hình hiện tại của nó, với thời gian đến token trả lời đầu tiên là 32,41 giây. Đó là phép đo một API đang hoạt động, bao gồm cả việc xếp hàng mà nhà cung cấp thực hiện. Hai con số này không thể so sánh với nhau, và việc trừ chúng đi sẽ vô nghĩa: một là bản phát lại mô phỏng bên trong một sản phẩm, còn cái kia là tốc độ phục vụ quan sát được trên endpoint công khai.

Điều còn đứng vững sau lưu ý đó là định hướng. Nếu một mô hình 12B active thực sự phục vụ ở khoảng 200 tok/s bên trong Devin, trong khi một mô hình 13B active đo được 112 tok/s trên một API công khai, thì mô hình có ít tham số active hơn không hiển nhiên là mô hình nhanh hơn — ngăn xếp phục vụ đang đóng góp công sức ngang với kiến trúc. Đó là một điểm ủng hộ các sản phẩm tích hợp và phản đối việc suy ra tốc độ từ số lượng tham số.

Lần chạy duy nhất trên cùng một bảng, và ai đã thực hiện nó

Bảng ra mắt của Cognition bao gồm trực tiếp mô hình của DeepSeek. Cột đó là DeepSeek V4.1 Flash 1017 — checkpoint mà ID deepseek-v4-flash hiện phân giải tới — khiến đây trở thành phép so sánh duy nhất giữa cặp này được thực hiện trong cùng một nơi. Mọi con số bên dưới đều là của Cognition, trên các benchmark của Cognition, và không có harness nào được công bố.

• FrontierCode 2.0 — SWE-2 Flash 24.0 so với DeepSeek V4.1 Flash 1017 19.3

• FrontierCode 1.1 Main — 45,5 so với 43,9

• DeepSWE 1.1 — 60,1 so với 77,0

• Terminal-Bench 4.0 — 20,0 so với 42,3

• Terminal-Bench 2.1 — 89,2 so với 91,0

• SWE-Atlas QA — 50,0 so với 71,0

• SWE-Bench Pro v2 Hard — 89.9 so với 86.3

• ExploitBench — 34.8 so với 31.1

Cách chia là mỗi bên bốn hàng, và các mức chênh lệch không hề đối xứng. SWE-2 Flash thắng FrontierCode 2.0 với cách biệt 4,7 điểm, FrontierCode 1.1 Main với 1,6 điểm, SWE-Bench Pro v2 Hard với 3,6 điểm và ExploitBench với 3,7 điểm. DeepSeek thắng DeepSWE 1.1 với cách biệt 16,9 điểm, Terminal-Bench 4.0 với 22,3 điểm, SWE-Atlas QA với 21,0 điểm và Terminal-Bench 2.1 với 1,8 điểm. Mọi chiến thắng của Flash đều chỉ vài điểm. Hai trong số các chiến thắng của DeepSeek vượt quá hai mươi.

Nếu đánh giá so sánh theo mức chênh lệch thay vì theo số trận thắng thì nó không còn sát nút nữa. Flash thực sự có tính cạnh tranh trên FrontierCode, bài đánh giá thưởng cho một bản vá có giới hạn đối chiếu với đặc tả bằng văn bản, và nó kém xa trên Terminal-Bench 4.0, bài đo lường một tác nhân terminal hoàn thành nhiệm vụ từ đầu đến cuối. Đó cũng là hạng mục mà phần còn lại của nhóm tạo khoảng cách: GLM 5.3 Flash đạt 41,8 trên cùng benchmark và Claude Haiku 5.5 đạt 39,2, so với 20,0 của Flash.

Giờ là những lưu ý phải nói ngay cùng lúc. Đây là bảng của một đối thủ. FrontierCode là công cụ của chính Cognition, và Cognition chấm điểm nó. Bài đăng không công bố harness, thiết lập mức nỗ lực hay số lần chạy, nên “cùng bảng” không đồng nghĩa với “cùng điều kiện” — đó là phương pháp luận của một nhà cung cấp được áp dụng đồng nhất, tốt hơn không có gì và kém hơn độc lập. Và cột DeepSeek là V4.1 Flash 1017, không phải bản dựng 0731 mà hầu hết các con số công khai mô tả.

Có một phép kiểm tra hợp lý hữu ích về mức độ quan trọng của công cụ đo. Đánh giá của Artificial Analysis đối với bản dựng 0731 của DeepSeek V4 Flash, lần chạy gần nhất vào ngày 31 tháng 7 năm 2026, ghi nhận 12,1% trên Terminal-Bench 4.0. Bảng của Cognition ghi nhận 42,3% cho checkpoint V4.1 Flash 1017. Cách nhau ba mươi điểm trên cùng một benchmark có tên. Một phần là do checkpoint — V4.1 là một mô hình khác và lớn hơn — và một phần là do bộ khung đánh giá, vì một bên là lần chạy chuẩn hóa của bên thứ ba còn bên kia là của chính nhà cung cấp. Dù thế nào, không có hàng đơn lẻ nào trong so sánh này là thuộc tính chỉ của riêng một mô hình, và những hàng mà hai nhà cung cấp bất đồng nhiều nhất chính là những hàng cần được xem thận trọng nhất.

Ngữ cảnh, trọng số và những gì bạn có thể xây dựng

• Cửa sổ ngữ cảnh — DeepSeek công bố 1,048,576 token, còn SWE-2 Flash thì không công bố

• Đầu ra tối đa — DeepSeek 384.000 token so với SWE-2 Flash chưa được công bố

• Trọng số — DeepSeek MIT, có thể tải xuống so với SWE-2 Flash bị hạn chế, chương trình đối tác được hứa "trong vài tuần tới"

• Phương thức — DeepSeek V4 Flash chỉ hỗ trợ văn bản, với khả năng thị giác sẽ xuất hiện trên checkpoint V4.1 và trên một ID thử nghiệm riêng; còn SWE-2 Flash thì không được nêu

• Phân phối — API DeepSeek và các nền tảng bên thứ ba so với chỉ Devin Desktop và Devin CLI

• Kiểm soát mức độ nỗ lực — các chế độ suy nghĩ và không suy nghĩ của DeepSeek so với SWE-2 Flash chưa được ghi tài liệu

• Quyền tinh chỉnh — DeepSeek: có; SWE-2 Flash: không, vẫn chưa.

Đối với một đội đang xây dựng sản phẩm, năm trong bảy hàng đó tự chúng đã đủ để bị loại. Bạn không thể lập kế hoạch cho một pipeline truy xuất dựa trên một cửa sổ ngữ cảnh chưa được công bố, bạn không thể tinh chỉnh những trọng số mà bạn không có, và bạn không thể đưa vào kiến trúc của mình một phụ thuộc chỉ tồn tại bên trong IDE của người khác. SWE-2 Flash không cạnh tranh cho vị trí đó. Nó đang cạnh tranh cho chỗ mà một lập trình viên vốn đã ngồi.

Dòng duy nhất mà Flash có lợi thế lại là dòng mà Cognition nói không rõ nhất: chi phí cho mỗi tác vụ. Nếu một phần năm giá của SWE-2 cũng là một phần năm chi phí để hoàn thành một công việc, thì nó đánh bại bảng giá theo token của DeepSeek cho công việc tương tác bên trong Devin, vì gói đăng ký đã được thanh toán rồi. Nếu đó là một phần năm giá token trên một mô hình tạo ra nhiều token hơn cho mỗi tác vụ, lợi thế sẽ thu hẹp lại. Cognition không công bố đủ thông tin để xác định trường hợp nào.

Nơi bộ định tuyến thay đổi phép tính

DeepSeek V4 Flash được định tuyến trên OrcaRouter dưới dạng deepseek/deepseek-v4-flash, theo giá niêm yết của nhà cung cấp mà không cộng thêm phụ phí, điều này quan trọng với một mô hình có giá thay đổi hai lần mỗi ngày: một đợt giảm giá của nhà cung cấp hay thay đổi cửa sổ giờ cao điểm sẽ đến được tuyến thay vì phải chờ một nền tảng định giá lại. Cùng một khóa truy cập hơn 200 mô hình, nên phiên bản hợp lý của phép so sánh này — chạy hàng đợi của bạn với DeepSeek V4 Flash, GLM 5.3 Flash và Kimi K3 rồi xem tác vụ của bạn thực sự thích cái nào — chỉ tốn một thay đổi ID mô hình thay vì ba hợp đồng. Tự động chuyển đổi dự phòng giữa các nhà cung cấp là nửa còn lại: các cửa sổ giờ cao điểm của DeepSeek chính là lúc một tuyến thứ hai xứng đáng có chỗ, và một chuỗi dự phòng rẻ hơn một cảnh báo pager.

SWE-2 Flash không có trên OrcaRouter và không thể có. Không có endpoint nào để định tuyến tới, và đó chính là tóm tắt trung thực của toàn bộ cuộc so tài. Nếu muốn dùng nó, bạn phải mua Devin. Nếu bạn muốn gọi một mô hình lập trình từ phần mềm của riêng mình, lựa chọn đã được định đoạt thay bạn trước khi các bài benchmark được công bố.

Chọn cái nào?

Nếu bạn cần một mô hình lập trình trong môi trường production — một API, một cửa sổ ngữ cảnh mà bạn có thể tính toán quy mô dựa trên, trọng số mà bạn có thể ghim, một hóa đơn mà bạn có thể dự báo — thì DeepSeek V4 Flash là mô hình duy nhất trong hai mô hình đáp ứng được yêu cầu, và checkpoint tháng 10 là bản nên ghim. Mức giảm giá theo khung giờ cao điểm đáng để thiết kế hệ thống xoay quanh, và cửa sổ ngữ cảnh 1M đáng để có dù bạn hiếm khi dùng hết.

Nếu bạn đã trả tiền cho Devin, thì SWE-2 Flash gần như là một lựa chọn miễn phí cho đến ngày 30 tháng 11. Hãy chạy nó ở phần việc có phạm vi giới hạn trong hàng đợi của bạn, giữ SWE-2 cho công việc nhiều bước mà khoảng cách DeepSWE mô tả, và coi khoảng thời gian miễn phí đúng như bản chất của nó: một giai đoạn đánh giá. Rủi ro không phải là nó tệ. Rủi ro là một tỷ lệ đang được dùng ở nơi lẽ ra phải là một phép đo.

Nếu bạn đang chuẩn hóa cả một đội ngũ trên một mô hình lập trình duy nhất, thì đây không phải là cuộc đối đầu để quyết định điều đó. Một ứng viên có thể kiểm thử được, còn một ứng viên thì không, và một phép so sánh mà chỉ một phía là quan sát được chính là một quyết định phân phối khoác áo benchmark. Hãy chọn cái bạn có thể đo lường, rồi xem lại khi Cognition phát hành một endpoint hoặc một chương trình đối tác đưa trọng số đến nơi bạn có thể tiếp cận.