SWE-2 Flash 对比 DeepSeek V4 Flash：一个有费率卡，另一个有比率

把SWE-2 Flash和DeepSeek V4 Flash并排放在一起时，最先出问题的是单位。DeepSeek 公布的是每百万 token 多少美元，以及一个可以下载的检查点。Cognition 公布的则是一个分数——SWE-2的五分之一——以及 Devin 里的一个席位。其中一个是你可以基于其构建的模型；另一个是你可以使用的模型。后续每一个比较都必须经受住这种不对称性的考验，而发布当天流传的大多数比较并没有做到。

这不是跳过比较的理由。这恰恰是值得仔细比较的理由。这两个模型面向同一类买家——一个想要接近前沿水平的编码表现、又不愿支付前沿价格的团队——而它们对这类买家希望以何种方式获得它下了相反的赌注。一种赌注是解耦式的：权重、API、公开的上下文窗口，以及一份可以预测的账单。另一种是集成式的：一个为单一运行框架调优的模型，以另一个模型成本的一小部分出售，且服务栈已包含在这个数字里。

每一个实际上是什么，以及检查点陷阱

SWE-2 Flash 于2026年11月4日发布。它基于 Thinking Machines 的 Inkling-Small 进行后训练，后者是总参数量276B、激活参数12B的混合模型；SWE-2 Flash 已集成到 Devin Desktop 和 Devin CLI 中。截至11月30日，在这些产品中可免费使用。它没有 API，没有公开权重，也没有公布上下文窗口。

DeepSeek V4 Flash 是一个总参数 284B、激活参数约 13B 的混合专家模型，采用 MIT 许可证，具有 100 万 token 的上下文窗口和最高 384,000 个输出 token。它仅接受文本输入；视觉变体是一个单独的实验性 ID。它通过兼容 OpenAI 的 API 提供服务，自春季起即可调用，并有一个经过重新后训练的 0731 检查点，该检查点在智能体编程方面完成了大部分工作。

然后是陷阱。DeepSeek 自家的模型与定价页面（查阅于 2026 年 11 月 5 日）将 deepseek-v4-flash 列在 API 仍接受的遗留名称之中，并称它现在由 DeepSeek-V4.1-Flash-1017 提供服务。那是一个不同且更大的模型：Cognition 的对比表显示，V4.1 Flash 1017 的总参数为 763B、激活参数为 16B。因此，“DeepSeek V4 Flash”至少会指向三种东西，具体取决于说话者是谁——4 月的构建、0731 检查点，或该 ID 现在指向的 10 月 V4.1 检查点。在 OrcaRouter 上，固定的 ID 是彼此独立的路由，这正是比较能够具备可复现性的唯一原因。

这不是吹毛求疵。它决定了你有资格引用哪一行基准测试数据。"DeepSeek V4 Flash"的公开排行榜数据是在 0731 版本上测得的。Cognition 的表格测的是 V4.1 Flash 1017。它们并不是同一个模型，数字自然也就不同。

价格，以每个供应商实际公布的两种单位表示

DeepSeek 的价目卡就是算术。按每百万 token 计，对于 deepseek-flash 这个 ID 目前所服务的模型——页面明确写出的 DeepSeek-V4.1-Flash-1017——在 2026 年 11 月 5 日查看时：输入在非高峰时段为 $0.15，在高峰时段为 $0.30；输出在非高峰时段为 $0.60，在高峰时段为 $1.20；缓存输入分别为 $0.003 和 $0.006。高峰时段为 UTC 周一至周五 01:00 至 04:00 和 06:00 至 10:00，中国法定节假日除外。在这些时段之外，适用较低费率。

固定使用的较旧检查点定价不同。OrcaRouter 的目录中提供 deepseek/deepseek-v4-flash，价格为每百万输入 token 0.22 美元、每百万输出 token 0.66 美元，采用统一费率，没有高峰档位。这就是可复现性的代价：固定采用四月谱系的模型，而不是调用当前模型，你就要付更多钱，换来的是大多数已发布基准测试行实际测量时所用的那个模型。两种选择都没有错；它们回答的是不同的问题。

Cognition 的宣传卡做的是对比。“价格仅为体量大得多的同门产品的五分之一，速度却是其三倍”就是全部公开表述，未附任何绝对数字，并且在此基础上还可在 11 月 30 日前免费使用。无法根据公开信息计算在 SWE-2 Flash 上执行一项任务的成本，因为分母是一个连自身 token 价格也从未公布过的模型。

由此产生两个后果，而这两个后果都是实际的，而非迂腐的。

• 可预测性 —— DeepSeek 每百万 token 的成本可以精确到美分，连高峰时段的倍率也一清二楚。而 SWE-2 Flash 的成本，只能以某个未公开数字的几分之一来推算，还藏在你已经在付费的订阅套餐里。

统一报价具有误导性——锁定的 V4 Flash 路由采用单一统一费率，而供应商当前价目表则是两档费率。因此，统一数字在一周的部分时段是错误的，而且它描述的检查点与大多数基准测试行所标明的检查点不同。按供应商价目表做规划；按锁定路由复现。

两者都比看起来更重要。对于会运行成千上万次短调用的 agent 来说，峰值倍率是一个可以通过工程手段绕开的调度问题；对于只运行少量长会话的编码 agent 来说，它只是一个舍入误差。你属于哪一种，决定了 DeepSeek 的价目卡上是两个价格还是一个价格。

速度：回放与测量的对比

Cognition 的每秒 200 个 token 并不是实时计时结果。帖子对此作了解释：每个模型在 Terminal-Bench 4.0 的 gsea-proteomics 任务上各自的运行，都以“模拟的每秒 200 与 60 个 token”进行回放，并将记录截短至相同长度。SWE-2 的 60 tok/s 同样来自这次回放。它描述的是 Cognition 所瞄准的服务配置，发布这一点本身是合理的，但它并不是对两个端点进行的秒表实测。

Artificial Analysis 在其当前的模型页面上测得 DeepSeek V4 Flash 的输出速度为每秒 112 个 token，首个回答 token 的延迟为 32.41 秒。这是对实时 API 的测量，包含了提供商所做的任何排队处理。这两个数字不可比较，相减也没有意义：一个是产品内部的模拟回放，另一个是通过公共端点观测到的服务速率。

这一保留意见之下仍然成立的是方向。如果一个 12B 激活参数模型在 Devin 内部真的能以约 200 tok/s 提供服务，而一个 13B 激活参数模型在公共 API 上测得 112 tok/s，那么激活参数更小的模型显然并不是更快的那一个——服务栈所做的工作和架构一样多。这一点支持集成产品，而不支持根据参数数量来推断速度。

唯一一次同表运行，以及是谁执行的

Cognition 的发布对照表直接纳入了 DeepSeek 的模型。该列是 DeepSeek V4.1 Flash 1017——即 deepseek-v4-flash 这个 ID 目前解析到的检查点——这使得它成为这对模型唯一在同一机构内部产出的对比。下文的每个数字都来自 Cognition，基于 Cognition 的基准测试，且未披露评测框架。

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

• FrontierCode 1.1 Main — 45.5 对比 43.9

• DeepSWE 1.1 — 60.1 对比 77.0

• Terminal-Bench 4.0 — 20.0 对比 42.3

• Terminal-Bench 2.1 — 89.2 对比 91.0

• SWE-Atlas QA — 50.0 对比 71.0

• SWE-Bench Pro v2 Hard — 89.9 对比 86.3

ExploitBench — 34.8 对比 31.1

分成各四行，差距完全不对称。SWE-2 Flash 以 4.7 分优势赢下 FrontierCode 2.0，以 1.6 分赢下 FrontierCode 1.1 Main，以 3.6 分赢下 SWE-Bench Pro v2 Hard，并以 3.7 分赢下 ExploitBench。DeepSeek 以 16.9 分优势赢下 DeepSWE 1.1，以 22.3 分赢下 Terminal-Bench 4.0，以 21.0 分赢下 SWE-Atlas QA，并以 1.8 分赢下 Terminal-Bench 2.1。Flash 的每一场胜利都只有几分。DeepSeek 的胜利中有两场超过二十分。

如果按领先幅度而非胜场数来衡量比较，结果就完全不再接近。Flash 在 FrontierCode 上确实很有竞争力——这项基准考察的是依据书面规范给出一个有边界的补丁——而在 Terminal-Bench 4.0 上则远远落后，后者衡量的是终端智能体将任务执行到完成。这也正是其余选手拉开差距的那一行：在同一基准上，GLM 5.3 Flash 得分为 41.8，Claude Haiku 5.5 得分为 39.2，而 Flash 仅为 20.0。

现在说说同样应当一并说明的注意事项。这是一家竞争对手的表格。FrontierCode 是 Cognition 自家的评测工具，而且由 Cognition 自己评分。该帖没有披露评测框架、投入设置和运行次数，因此“同一张表”并不等于“相同条件”——这只是一家厂商的方法论被统一套用，有总比没有好，但不如独立评测。而且 DeepSeek 那一列是 V4.1 Flash 1017，不是大多数公开数据所描述的 0731 构建版本。

有一个有用的基本校验，可以看出评测工具的影响有多大。Artificial Analysis 对 DeepSeek V4 Flash 0731 构建版本的评估最近一次运行于 2026 年 7 月 31 日，在 Terminal-Bench 4.0 上记录了 12.1%。Cognition 的表格则为 V4.1 Flash 1017 检查点记录了 42.3%。同一个同名基准上相差三十个百分点。其中一部分原因在于检查点——V4.1 是一个不同且更大的模型——另一部分原因在于测试框架，因为一个是标准化的第三方运行，另一个是厂商自己的运行。无论如何，这一比较中没有任何单独一行只是模型本身的属性，而两家厂商分歧最大的那些行，最应谨慎看待。

上下文、权重以及你能构建什么

• 上下文窗口 — DeepSeek 已公布 1,048,576 个 token，而 SWE-2 Flash 未公布

• 最大输出 — DeepSeek 384,000 个 token，而 SWE-2 Flash 未公布

• 权重 — DeepSeek 采用 MIT 许可、可下载，而 SWE-2 Flash 受限访问，合作伙伴计划承诺“几周后”推出

• 模态——DeepSeek V4 Flash 为纯文本，视觉功能将在 V4.1 checkpoint 以及一个独立的实验性 ID 上提供；相较 SWE-2 Flash：未说明

• 分发 — DeepSeek API 和第三方平台，对比仅限 Devin Desktop 和 Devin CLI

• 推理强度控制——DeepSeek 的思考模式与非思考模式对比 SWE-2 Flash 尚未记录在文档中

• 微调许可 — DeepSeek：可以；SWE-2 Flash：不可以，尚未开放

对于正在打造产品的团队来说，那七行中有五行本身就足以构成淘汰理由。你无法围绕一个未公开的上下文窗口来规划检索流水线，你无法微调你没有的权重，你也无法把只存在于别人 IDE 里的依赖放进自己的架构。SWE-2 Flash 争的不是那个位置。它争的是开发者已经占据的那个座位。

Flash 唯一占优的那一行，恰恰是 Cognition 最说不清楚的一项：每任务成本。如果 SWE-2 价格的五分之一，就是完成一项任务所需成本的五分之一，那么在 Devin 内进行交互式工作时，它就能胜过 DeepSeek 的按 token 计价方案，因为订阅费已经付过了。如果它指的是在一个每任务生成更多 token 的模型上，按 token 价格五分之一来算，这一优势就会缩小。Cognition 公布的信息不足以判断究竟是哪种情况。

路由器改变算术的地方

DeepSeek V4 Flash 通过 OrcaRouter 路由，模型标识为 deepseek/deepseek-v4-flash，按供应商的标价提供，不添加任何加价；这对一个价格一天变动两次的模型来说很重要：供应商降价或高峰时段价格调整会直接反映到该路由上，而无需等待平台重新定价。同一个密钥可使用 200 多个模型，因此，这一比较的合理做法——用你的任务队列分别跑 DeepSeek V4 Flash、GLM 5.3 Flash 和 Kimi K3，看看你的任务实际更喜欢哪一个——只需更改模型 ID，而不是签三份合同。 跨供应商自动故障转移是另一半：DeepSeek 的高峰时段正是第二条路由体现价值的时候，而回退链比触发值班告警更划算。

SWE-2 Flash 并未上架 OrcaRouter，也不可能上架。没有任何可供路由的端点，这就是这场对比最诚实的总结。想要用它，就去买 Devin。想从你自己的软件里调用编码模型，那么在你看到基准测试结果之前，答案就已经替你选好了。

该选哪一个

如果你需要将编程模型投入生产环境——一个 API、一个可据此规划容量的上下文窗口、可锁定版本的权重、可预测的账单——那么两者之中只有 DeepSeek V4 Flash 符合条件，而十月检查点就是应当锁定的那个。高峰时段折扣值得围绕它进行工程设计，1M 上下文也值得拥有，即使你很少用满。

如果你已经在为 Devin 付费，那么在 11 月 30 日之前，SWE-2 Flash 近乎是一个免费选项。把它用在队列中边界明确的那一端，把 SWE-2 留给 DeepSWE 差距所描述的多步骤工作，并把这段免费窗口当作它本就是的评估期来对待。风险不在于它很差，而在于本该用实测的地方却用了一个比例。

如果你们要让团队统一采用某一个编程模型，那这不是用来做决定的那场对比。一个候选模型可以测试，另一个不能，而在只有一方可观测的情况下做比较，本质上就是披着基准测试外衣的分发决策。选那个你能衡量的，等 Cognition 推出端点或合作伙伴计划、把权重放到你能触及的地方时，再重新考虑。