一张生成的标题卡,标题为“Sage-S2.1-Flash vs DeepSeek V4.1 Flash”,下方副标题为“两个开放权重 MoE,一张厂商记分牌”,再下方有两个标签,分别写着“18B 激活”和“16B 激活”。白色背景,蓝色和青色渐变点缀,扁平线性图标。OrcaRouter 标志合成在右下角。
Guides & Insights

Sage-S2.1-Flash 对比 DeepSeek V4.1 Flash:唯一共享同一记分板的较量

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

互联网上恰好有一个地方让 Sage-S2.1-Flash 和 DeepSeek V4.1 Flash 相互评分对比,而且这个地方并不中立。InternLM 于 2026 年 11 月 15 日发布了 Sage-S2.1-Flash,这家实验室把 DeepSeek-V4.1-Flash-1017 放进了自己的对比表——35 项基准、八个竞争模型,以及一个 GitHub 仓库中的制表符分隔文件,而 Hugging Face 模型卡并未链接到该文件。于是,这两个模型共用一个记分板,而其中之一建造了它。

这一点在本系列另外两篇对比中根本做不到,因为那两篇压根没有共享表格。这也让本文成为三篇中最有用的一篇,因为一张共同的表格——即便是厂商自己制作的——能让你提出两个彼此独立的博客文章无法回答的问题。接下来要讲的是:这张共享表格说了什么、它背后的两种架构分别是什么,以及你应该对其中的内容相信到什么程度。

框定一切的不对称性

在把这两个版本作为模型并排比较之前,先把它们作为产物并排放在一起。

DeepSeek V4.1 Flash 于 2026 年 9 月 10 日发布,同时提供了完整的模型卡、一份题为《Pushing the Limits of KV Cache Compression》的技术报告 PDF、MIT 许可证,以及一份有文档记录的 API,并公布了非高峰和高峰费率;随后又在 10 月 17 日发布了更新后的快照 1017。其 Hugging Face 仓库的下载量已达 169 万次,并获得了 4,978 个赞。Artificial Analysis 在最大努力设置下独立给出的 Intelligence Index 得分为 32.6。

Sage-S2.1-Flash 于 2026 年 11 月 15 日发布,附带 120 个 bfloat16 分片、一份 21 字节的模型卡(其全部内容就是一项许可证声明)、一份部署指南,并且任何地方都没有公布价格。它有一个赞和零次下载。尚无任何独立测试框架接触过它。

两者都是采用 MIT 许可的开放权重混合专家模型,拥有一百万 token 的上下文窗口和原生图像输入。纸面上,它们旗鼓相当。从证据来看,二者相差甚远。

A generated two-column comparison scoreboard titled 'Sage-S2.1-Flash vs DeepSeek V4.1 Flash - the scoreboard'. The Sage-S2.1-Flash column reads: Parameters: 320B, 18B active; Layers: 45, 34 linear; Price: none published; Context: 1,048,576 tokens; Independent score: none; Downloadable: MIT weights. The DeepSeek V4.1 Flash column reads: Parameters: 552B, 16B active; Layers: 40, encoder-decoder; Price: $0.15 / $0.60 off-peak; Context: 1,000,000 tokens; Independent score: AA Index 32.6; Downloadable: open weights. Footer: 'Sage rows from InternLM; DeepSeek price from DeepSeek; DeepSeek score per Artificial Analysis.' The OrcaRouter logo is composited in the bottom-right corner.

共享表实际包含的内容

InternLM 的基准测试文件列出了 31 行,每一行都带有 DeepSeek-V4.1-Flash-1017 的数值。阅读它的体验与阅读一篇发布帖不同,因为 Sage 落败的那些行仍然保留着。以下是一个有代表性的片段,每一行中 Sage 都排在前面:

• Terminal-Bench 2.1 — 87.9 对 87.6,以 0.3 之差打成平手

• DeepSWE——67.0 对 73.9,落后 6.9 分

• SWE-bench Pro — 60.6 对 64.7,相差 4.1 分

• NL2Repo-Bench — 57.2 对 62.7,相差 5.5 个百分点

• APEX-Agents — 61.7 对 69.2,相差 7.5 分

• WideSearch — 81.5 对比 86.3

• BrowseComp — 91.2 对比 93.8

• CyberGym — 84.3 对比 88.8

τ³-bench 银行业 — 45.4 对比 47.4

• OSWorld v2.1 — 69.3 对比 70.1

• AutomationBench — 56.7 对比 57.8

那份清单呈现出的模式对较新的模型并不友好:在通用智能体与编码任务上,DeepSeek V4.1 Flash 赢下了大多数行,而且优势幅度往往并非噪声。一个早两个月发布、来自一家有公开技术报告的实验室的模型,在这个低调发布版本自己选择公布的基准测试上,击败了它。

然后表格就反过来了。Sage 领先的是科学类和文档类这两行,而且领先幅度完全不在一个量级:

• Harvey LAB — 25.0 对 11.7,超过两倍

OfficeQA Pro V2 — 72.2 对比 69.7

• BabyVision — 75.8 对 58.0,相差 17.8 个百分点

• OSWorld-G — 84.8 对 61.4,相差 23.4 个百分点

• MLE-bench Lite — 90.3 对比 89.2

• Workspace-Bench-Lite — 67.1 对比 66.8

• GDPval — 78.0 对比 77.6

• SpreadsheetBench 2 — 37.1 对比 35.8

有两种模式,而它们指向相反的方向。在软件工程以及通用环境中由工具驱动的智能体工作方面,DeepSeek V4.1 Flash 是更强的模型,InternLM 自己的数据也表明了这一点。在科学感知、文档密集型专业工作和图形化桌面控制方面,Sage-S2.1-Flash 不是略微领先,而是处在另一个层级。

为什么这些架构会产生恰好那样的拆分

这两个模型解决的是不同的问题,而它们的配置在任何基准测试之前就已经体现了这一点。

DeepSeek V4.1 Flash 是一个拥有 5520 亿参数的主干模型,每个 token 激活 160 亿参数,基于 DeepSeek 所称的因果编码器-解码器架构构建:40 层平均分为 20 层因果编码器和 20 层解码器。技术报告的论述框架是 KV 缓存压缩——该模型的核心主张关乎百万 token 规模下的服务效率,而非感知能力。它能原生处理图像,但其公开强调的重点是长上下文服务的经济性。

Sage-S2.1-Flash 是一个 3200 亿参数模型,每个 token 有 180 亿激活参数,并且根据其部署指南,它有 45 层。配置将它们截然划分:34 层使用文件中称为 kda 的线性注意力类型,只有 11 层使用带 2,048 个 token 的 top-k 索引的稀疏注意力。还有一个 24 层视觉塔,输入分辨率为 448 像素,并且 token 词表包含显式的图像、视频、音频、起始和结束 token。InternLM 自己的英文发布文案——托管于 internlm.github.io/Sage-S2.1-Flash,创建于 11 月 16 日,未被模型卡引用——描述了跨分子图、晶体结构、蛋白质序列和 3D 结构、DNA 和 RNA、光谱、质谱、X 射线衍射、心电图、脑电图和光变曲线的训练。

把那份列表与 Sage 获胜的那些行对照起来看,这幅图景就不再像是基准测试的运气了。Harvey LAB 是围绕文档开展的法律工作。OfficeQA Pro 是金融文档问答。BabyVision 是视觉感知。OSWorld-G 是图形化桌面控制——点击 UI,而不是调用 API。这些正是一个在科学图表、光谱、绘图和软件界面上训练过的模型理应擅长的构念,而它们恰恰也是一个为 KV-cache 高效通用服务而训练的模型理应落后的地方。

这一点是双向的。Sage 在编程类项目上失分,因为它主要不是编程模型;DeepSeek 在视觉类项目上失分,因为它主要不是感知模型。两个结果都算不上丑闻。错误在于把任何一列解读为总体结论。

Screenshot of the OrcaRouter model page for deepseek/deepseek-v4.1-flash. It shows a 1M-token context window, text and image input, vision, tools, JSON and reasoning tags, a release date of 2026-10-17, and the price row $0.15 input and $0.60 output per million tokens with a 1.20 s time to first token. The page states the model carries a context window of 1,048,576 tokens, can generate up to 384,000 tokens in a response, and is billed at $0.15 per 1M input and $0.60 per 1M output tokens.

价差,并不接近

DeepSeek V4.1 Flash 已公布费率,并且是该规模任何模型中最便宜的费率之一:

• 非高峰时段,缓存未命中 — 每百万输入 $0.15,每百万输出 $0.60

• 峰值、缓存未命中 — 每百万输入 $0.30,每百万输出 $1.20

• 缓存命中 — 每百万 $0.003(非高峰时段),高峰时段 $0.006

• 高峰时段 — UTC 01:00–04:00 和 06:00–10:00,周一至周五,中国法定节假日除外

• 上下文 — 1,000,000 个 token,最多可输出 384,000 个 token

Sage-S2.1-Flash 没有公布价格。模型卡上没有价格,部署指南里没有价格,发布微站上也没有价格;该网站的“Try the API”链接指向一个门户,而该门户无法向非 JavaScript 客户端渲染其目录。Sage 取而代之的是一项硬件要求:指南中的参考部署是 8 块 H200 GPU,采用 bfloat16,整个节点上约有 645 GB 的权重。

这让成本比较变成了一种形态,而不是一个数字。DeepSeek V4.1 Flash 在非高峰时段每百万输入 token 收费 0.15 美元,也就是说,一个百万 token 的提示词成本为 15 美分。以百万 token 运行 Sage-S2.1-Flash 的成本,等于八块 H200 在调用所需实际耗时内的花费,而且没有人公布过它的吞吐量数据。如果你已经拥有该节点,这次调用的边际成本接近于零,相比之下 DeepSeek 就显得昂贵。如果你没有,DeepSeek 的优势大到在托管价格出现之前根本不值得与 Sage 比较。

共享表无法告诉你的信息

厂商自行撰写的对比有一个特点值得明确说明,因为它会影响如何解读上表中的每一行:该评测框架没有文档说明。InternLM 公布了数字,但没有公布运行配置。文中没有说明每项任务尝试多少次、使用了什么脚手架、采用哪些采样参数、是否可用工具,也没有说明两个模型各自的推理预算。DeepSeek 自己在 Artificial Analysis Intelligence Index 上的 32.6 来自一个公开评测框架,该框架对其指数中的每个模型都采用相同流程;InternLM 在 DeepSWE 上给 DeepSeek 的 73.9 则来自一个私有框架。

这并不会让这张表变得没用。它让这张表具有方向性。编码行和视觉行都足够大,而且内部足够一致,因此脚手架选择很可能并不是这些结果的来源。另一方面,Terminal-Bench 2.1 上那 0.3 分的平局,完全落在任何测试框架变化都可能产生的范围内——把 0.3 分的差异视为平局,不会有任何损失。

同样值得注意的是:InternLM 公布了 DeepSeek 在 DeepSWE 上的一个数字(73.9),相对于其自己表格中其他编程类条目而言偏高,而 DeepSeek 在 SWE-bench Pro 上仅为 64.7。这种内部不一致,正是公开的评测框架一个下午就能解决、而私有的评测框架完全无法解决的问题。

Screenshot of the Hugging Face model page for internlm/Sage-S2.1-Flash. The header shows the safetensors and glm5_next tags, an MIT licence, a model size of 321B params and a bfloat16 tensor type. The sidebar notes that the README exists but its content is empty, that the model is not deployed by any Inference Provider, and it lists the collection including internlm/Sage-S2.1-Flash. Download counts are not shown.

部署:一个下午还是一份文档

如果你是基于运营层面的考量、而非基准测试的成绩行来做选择,那么差距会比分数所显示的更大,而且其方向与证据差距相同。

DeepSeek V4.1 Flash 随附一份技术报告、标准的 transformers 架构、一个 fp8 变体,以及模型卡上面向 Azure 和 SageMaker 的部署标签。它已经实际投入使用两个月,下载量达 169 万次,而它在服务过程中遇到的每一个怪癖,都已经有人踩过坑并记录下来了。

Sage-S2.1-Flash 附带了一份部署指南,仔细阅读就会发现,它其实是一份静默失败清单。省略 --trust-remote-code,原生分词器就会把 <|user|> 和 <tool_call> 这类智能体字符串编码为控制 token——模型会提前停止或损坏工具调用,而且不会记录任何日志。在 vLLM 上部署时,如果不应用 vllm_patch/ 中的单文件补丁,并行工具结果乱序返回时就会把图像挂到错误的结果上,导致模型针对错误的图片作答;上游修复仍待合并,见 vllm-project/vllm#67108。在 SGLang 上部署时,如果不显式传入 chat_template.jinja,引擎就会为该架构安装自己的模板。在 Hopper 上,不支持 FP8 KV cache。LMDeploy 需要将 transformers 固定在 5.17 到 5.19 之间,因为 5.19 重命名了一种层类型。

所有这些都有文档记录,这要归功于实验室——大多数低调发布都做不到这一点。但它同样是一个模型的指纹:迄今为止,服务过这个模型的仍然只有它自己的作者。

共享表所解决的唯一一件有用的事

综上所述,以下是证据实际支持的决定。

• 如果你的工作是代码、智能体工具或通用长上下文服务——DeepSeek V4.1 Flash。它在竞争对手自己的表格中赢得了其中大多数行,非高峰时段每百万输入 token 收费 0.15 美元,并且有独立评分可供对照。在这里,选择 Sage 没有站得住脚的理由。

如果你的工作涉及科学图表、光谱、绘图、扫描的专业文档或 GUI 驱动的软件——Sage-S2.1-Flash 值得你花一个周末。23 分的 OSWorld-G 差距和 13 分的 Harvey LAB 差距,正是那种会决定一项任务究竟能否自动化的差异,而 InternLM 的表格中没有其他模型能在这些行上接近。

• 如果你今天就得做决定——选 DeepSeek V4.1 Flash,因为这两者中只有它可以在无需维护窗口的情况下调用。

DeepSeek V4.1 Flash 通过 OrcaRouter 路由为 deepseek/deepseek-v4.1-flash,每百万 token 输入 $0.15、输出 $0.60——DeepSeek 自家的 非高峰时段标价原样透传,无任何加价——上下文长度为 1,048,576 个 token,同时以相同费率提供 1017 快照。Sage-S2.1-Flash 不在我们的目录中;它是开放权重,需由您自行部署,我们不会作相反暗示。

路由层在这里带来的价值,范围比一次迁移更窄,却比一个基准测试更有用。本文描述的分工——把通用智能体任务和编程工作交给一个模型,把科学计算和重度 GUI 工作交给另一个模型——正是路由策略所表达的形式:一个端点、一条将携带图像和文档的请求导向专用路径的规则,以及自动故障转移,使提供商侧的降级不会导致整条路径不可用。两个 DeepSeek 标识符共用同一个密钥,因此用 1017 快照与原始版本进行试用,代价只是更改模型字符串,而不是签订第二份合同。你无法通过路由使用的那一部分——Sage-S2.1-Flash——正是你必须自行部署的部分,这也最有力地说明了为什么应先基于产品目录中已有的内容进行原型验证。

什么会让这个页面值得重写?

两件事。Sage-S2.1-Flash 的价格,这会把成本部分从模糊轮廓变成实打实的算术。以及一个独立评分,最好是在同一个测试框架上——该框架曾让 DeepSeek V4.1 Flash 得到 32.6——因为有趣的问题不是 Sage 平均是否胜过 DeepSeek。以上一切表明并非如此。有趣的问题是,Sage 在 OSWorld-G 上 23 分的优势,能否在一个并非由发布它的实验室编写的测试框架下依然成立;以及 6.9 分的 DeepSWE 劣势,是否像其自身表格中的编码行所暗示的那样真实。

在有人重新运行那些行之前,共享记分板是现有最好的证据,而它是由两个竞争者之一构建的。就像你阅读任何一份碰巧包含自身失利的自行发布的对比一样去读它:它比一张没有任何失利的表格更可信,但仍然不等同于一次测量。

本文中的对比1

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新