DeepSeek V4.1 Flash 对比 Kimi K3：先读主张，再看证据

DeepSeek V4.1 Flash带着一个具体、可核查的说法登场：它在网络与编程基准测试中超越了Kimi K3——而在厂商挑选出的那些行里，确实如此。Terminal-Bench 2.1：90.6 对 88.3。CyberGym：88.1 对 80.0。DeepSWE v1.1：74.2 对 67.5。NL2Repo-Bench：65.4 对 58.0。上述每一个 DeepSeek 数字，都来自 DeepSeek 自家的测试框架、在 DeepSeek 自家的推理投入下测得；而与之对比的每一个 Kimi K3 数字，都来自别处。这不是否定该说法的理由。这恰恰是该说法需要被拆解清楚的理由——在你仅凭它就去购买任何东西之前。

以下是这两个模型的证据基础实际上是什么样子、把它们放在同一尺度上时会发生什么，以及在这次比较的每一个版本中都保留下来的那个数字。

两个几乎不重叠的证据基础

这是这场对阵中不同寻常的地方，也解释了你在网上会看到的大部分分歧。

DeepSeek 发布了一张发布基准测试表。Terminal-Bench 2.1、DeepSWE v1.1、CyberGym、ProgramBench、NL2Repo-Bench、Automation-Bench——全部为厂商自行报告。这些是 DeepSeek 选择运行的测试项，用的是 DeepSeek 配置的测试框架，推理强度也由 DeepSeek 设定。在把它们与任何其他结果并列比较之前，有件事值得了解：Artificial Analysis 发现，以最高推理强度运行这些测试套件，消耗的输出 token 大约是中等档位设置的 2.5 倍，而准确率相比中等档位所能挽回的提升却很有限。厂商在最高强度下给出的表格是一项上限测量，而非典型水平。

Kimi K3 的这些数字大多不是 Moonshot 的。Artificial Analysis 运行了自己的测试框架，并公布了各项基准测试结果，这些结果采用了一套在其追踪的所有模型之间都可比的量表：GPQA Diamond 93.5、Humanity's Last Exam 46.9、Long-Context Recall 88.7、SciCode 59.5、Terminal-Bench 2.1 85.0——外加一个综合指数。这些是第三方的测量结果。

所以，“DeepSeek 在编程上击败 Kimi K3”归结出的结论比它听起来要窄。在 DeepSeek 的测试框架下，DeepSeek 的模型在 DeepSeek 选定的编程行上获胜。这是一个真实信号——厂商通常不会发布自己输掉的表格——但它与独立运行的测试套件属于不同类别的证据，两者绝不应在没有标注的情况下出现在同一列中。

在一个量表上，差距是四分。

把两者都放到 Artificial Analysis 的 Intelligence Index 上，差距比双方营销宣传所暗示的都要小。Kimi K3 得分 44。DeepSeek V4.1 Flash 得分 40。

四点。在各基准测试行上，Kimi K3的领先表现一致，且集中在长程推理显现之处：Humanity's Last Exam为46.9对36.8，SciCode为59.5对51.9，GPQA Diamond为93.5对DeepSeek厂商报告的90.9，Long-Context Recall为88.7对84.0。Kimi K3还在Artificial Analysis的113个模型榜单上排名第二，而DeepSeek V4.1 Flash位列第六。

这些是真实、独立且可复现的差距。对于一项依赖它们的任务来说，任何价格优势都无法弥合这些差距。

它们之间也相差四分——这与将 DeepSeek V4.1 Flash 与 Grok 4.6 分开的四分差距相同，而且小于它与 Qwen3.8-Max 之间五分的差距。在综合指数上，四分的差距是一个很窄的区间。它告诉你 Kimi K3 是更强的模型，却丝毫不能说明这种优势会在你的工作负载中体现出来。

在每一次比较的每个版本中都保留下来的那个数字

每个 Intelligence Index 任务的成本，由编制该指数的同一机构测算：DeepSeek V4.1 Flash 为 0.27 美元，Kimi K3 为 2.00 美元。

7.4 倍。这是这两个模型之间最大、最稳健、最可交叉核验的差异；而且与基准测试的各行不同，它并不取决于由谁家的评测框架来运行——token 数就是 token 数。

它还会随着你的工作负载有多智能体化而变化。$2.00 这个数字来自一个混合测试套件；在 Vals AI 的智能体编码基准测试中，所报告的差距扩大到约 40 倍，每项任务 $0.41 对 $17.59，其中 DeepSeek 的运行约 15 分钟完成，而对比之下约为 90 分钟。你越是从单个提示和响应走向长时间的工具调用循环，两种定价模式的分化就越大——因为正是在那里，缓存和输出量主导了账单。

• 费率 — DeepSeek V4.1 Flash 非高峰时段每 100 万 $0.15/$0.60（高峰时段 $0.30/$1.20，工作日 01:00–04:00 和 06:00–10:00 UTC），而 Kimi K3 为每 100 万 $3.00/$15.00，固定价格

• 缓存折扣 — 98% 对 90%；缓存读取每 100 万 $0.003 对每 100 万 $0.30

• 上下文 — 两者均为 1,048,576 tokens，且均不收取长上下文附加费

• 吞吐量 — 214.4 tokens/秒 对比 34.7，差距达 6.2 倍

• 冗长程度 — 整个索引中 250M 输出 token，对比 160M

• 参数 — 总计552B，预填充时激活8B，解码时激活16B，相比总计2.8T、每个token激活896个专家中的16个

• 采样 — 完整的 temperature / top_p / seed 参数面 vs 无；Kimi K3 仅暴露 reasoning_effort，且无法关闭思考功能

• 许可证 — MIT 与 Modified MIT，后者在月用户数超过 1 亿或月收入超过 2000 万美元时增加品牌条款

在便宜的一方确实更差的地方

账簿上属于 DeepSeek 这一侧的有两项成本，而两者都容易被忽略。

冗长程度。在整个智能指数中，DeepSeek V4.1 Flash 输出了 2.5 亿个输出 token，而 Kimi K3 为 1.6 亿。在这里，输出的计费是输入的 4 倍。一个每 token 便宜二十倍、话量却多出五成的模型，并不等于便宜二十倍——这正是为什么诚实的数字最终落在 7.4 倍，而非价目表所暗示的 20 倍。DeepSeek 是本次对比中最啰嗦的模型；Grok 4.6 则最为简洁，仅为 9,400 万。

速度。 价目表显示 DeepSeek 更便宜。计时器还显示它快 6.2 倍——每秒 214.4 个 token，而 Kimi K3 为 34.7。Kimi K3 的思考模式无法关闭，其推理强度默认设为最高，因此对于简单调用，没有便宜、快速的路径可供回退。无论请求是否需要，你每次请求都要购买前沿推理。在困难的编程任务中，这正是产品价值所在。在分类处理中，这就是浪费。

流量所揭示的，是任何基准测试都无法捕捉的

我们自己的路由数据，提供了供应商和分析师都无法产生的那个信号。过去七天里，Kimi K3 通过 OrcaRouter 流转了约 30.4 亿个 token。DeepSeek V4.1 Flash 则流转了约 591 亿个——大约是前者的十九倍，而这款模型上线还不到一周。

一部分原因是结构性的。在 V4.1 Pro 发布之前，DeepSeek 将所有 V4 Pro 请求都路由到 V4.1 Flash，并按 Flash 的费率计费，于是庞大的既有用户群在无人主动选择的情况下被迁移了过去。但由此产生的流量量级，仍然是最清晰的可用证据，说明大量生产工作负载早已由更便宜的模型服务得足够好——而这是基准测试无法给出的结论，因为基准测试衡量的是模型能做什么，流量衡量的则是团队愿意把什么放到付费用户面前。

在两者之间选择

两者都位于 OrcaRouter 上同一个 OpenAI 兼容端点之后，这正是让这种拆分切实可行、而不至于变成迁移项目的原因：把那种 Kimi K3 的推理优势值得为之付费的长周期编码会话交给 Kimi K3，把两者相差不超过四个指数点的高频智能体与知识工作流量路由到 DeepSeek V4.1 Flash。由于网关以零加价透传供应商费率，你看到的每 token 成本就是供应商自己的价格——在 DeepSeek 这边值得每天核对两次，因为它的高峰时段会在工作日 UTC 上午将费率翻倍。

结论应依据证据，而不是发布表格。如果你的工作是高难度推理任务——一个科学问题、一种新颖算法、一份不容误读的文件——那么 Kimi K3 是更强的模型，各项独立差距保持一致，价格则是次要因素。如果你的工作是编程智能体、长时间的工具调用循环，或任何需要大规模重放大型缓存前缀的任务，那么两者在能力上已足够接近，成本便成为决定性标准；而在这一点上，差距从 7.4 倍到约 40 倍不等，具体取决于任务的智能体化程度。

DeepSeek自己的基准测试表夸大了那场胜利有多干净利落。价格则没有。