DeepSeek V4.1 Flash 對比 Kimi K3：先讀主張，再讀證據

DeepSeek V4.1 Flash帶著一項具體、可查證的主張登場：Kimi K3在網路安全與程式設計基準上都不是它的對手——而在廠商挑選的那些列上，確實如此。Terminal-Bench 2.1：90.6 對 88.3。CyberGym：88.1 對 80.0。DeepSWE v1.1：74.2 對 67.5。NL2Repo-Bench：65.4 對 58.0。這些 DeepSeek 的數字，每一個都來自 DeepSeek 自家的測試框架、在 DeepSeek 自家設定的推理強度下跑出來的；而拿來與之相比的 Kimi K3 數字，每一個都來自別的地方。這不是否定這項主張的理由。這正是為什麼，在你因為這項主張而花錢買下任何東西之前，必須先把這項主張拆解清楚。

以下是兩個模型的證據基礎實際上長什麼樣子、把它們放在同一個尺度上時會發生什麼，以及在這個比較的每一個版本中都留存下來的那一個數字。

兩個幾乎不重疊的證據基礎

這是這場對決中不尋常的部分，而這也解釋了你在網路上看到的大部分分歧。

DeepSeek 公布了一張發布基準測試表。Terminal-Bench 2.1、DeepSWE v1.1、CyberGym、ProgramBench、NL2Repo-Bench、Automation-Bench——全都是廠商自行報告的。這些是 DeepSeek 選擇要跑的項目，使用 DeepSeek 配置的測試框架，並由 DeepSeek 設定推理強度。在你把它們拿來跟任何東西比較之前，有件事值得知道：Artificial Analysis 發現，以最大推理強度執行這些測試套件，輸出 token 消耗量大約是中等設定的 2.5 倍，而大部分準確率其實在更低的設定就能達到。廠商在最大強度下提供的表格是上限量測，不是典型量測。

Kimi K3 的數字大多不是 Moonshot 的。Artificial Analysis 跑了自己的測試框架，並公布了各項基準測試的結果，其量表可在它追蹤的每個模型之間相互比較：GPQA Diamond 93.5、Humanity's Last Exam 46.9、Long-Context Recall 88.7、SciCode 59.5、Terminal-Bench 2.1 85.0——外加一項綜合指數。那些是第三方的測量數據。

所以「DeepSeek 在程式設計上勝過 Kimi K3」這句話所歸結出的含義，比它聽起來更狹隘。在 DeepSeek 的測試框架下，DeepSeek 的模型在 DeepSeek 自己挑選的程式設計項目中勝出。那是個真實訊號——廠商通常不會公布自己落敗的表格——但它與獨立執行的測試套件屬於不同類別的證據，兩者絕不該在沒有標示的情況下出現在同一欄。

在一項量表上，差距為四點

把兩者都放上 Artificial Analysis 的 Intelligence Index 來看，實際差距比任何一方行銷宣傳所暗示的都更接近。Kimi K3 得分 44，DeepSeek V4.1 Flash 得分 40。

四點。在各基準測試的列中，Kimi K3 的領先表現一致，且集中在長程推理展現之處：Humanity's Last Exam 46.9 對 36.8，SciCode 59.5 對 51.9，GPQA Diamond 93.5 對 DeepSeek 廠商報告的 90.9，Long-Context Recall 88.7 對 84.0。Kimi K3 也在 Artificial Analysis 的 113 個模型排行榜上排名第二，而 DeepSeek V4.1 Flash 排名第六。

那些是真實、獨立且可重現的差距。對於取決於這些差距的任務而言，沒有任何價格優勢能彌補它們。

它們同樣是四分——與分隔 DeepSeek V4.1 Flash 和 Grok 4.6 的四分差距相同，而且比它與 Qwen3.8-Max 之間的五分差距更小。在綜合指數上，四分的差距是一個狹窄的區間。它告訴你 Kimi K3 是更強大的模型，卻完全無法告訴你這種優勢會體現在你的工作負載中。

在每一次這項比較的所有版本中都存續下來的數字

每項 Intelligence Index 任務的成本，由製作該指數的同一組織測量：DeepSeek V4.1 Flash 為 0.27 美元，Kimi K3 為 2.00 美元。

7.4 倍。這是這兩個模型之間最大、最穩健、也最可交叉驗證的差異，而且不像那些基準測試列，它不取決於是由誰的測試框架跑的——token 數就是 token 數。

這也取決於你的工作負載有多代理化。$2.00 這個數字來自一組混合測試套件；在 Vals AI 的代理式程式設計基準上，據報差距擴大到約 40 倍，每項任務 $0.41 對上 $17.59，而 DeepSeek 的執行約 15 分鐘完成，相較之下約為 90 分鐘。你越是從單一提示與回應，走向長時間的工具呼叫迴圈，這兩種定價模式的分歧就越大——因為那正是快取與輸出量主導帳單的地方。

• 費率 — DeepSeek V4.1 Flash 每 1M 離峰 $0.15/$0.60（尖峰 $0.30/$1.20，平日 01:00–04:00 與 06:00–10:00 UTC），相較於 Kimi K3 每 1M $3.00/$15.00，均一價

• 快取折扣 — 98% 對 90%；快取讀取每 1M 為 $0.003 對每 1M 為 $0.30

• 上下文 — 兩者皆為 1,048,576 個 token，且兩者皆不收取長上下文附加費

• 吞吐量 — 214.4 tokens/秒 對比 34.7，差距達 6.2 倍

• 詳細程度 — 整個索引中 250M 輸出 token，相較於 160M

• 參數 — 總計 552B，預填充時啟用 8B、解碼時啟用 16B，相較於總計 2.8T、每個 token 啟用 896 個專家中的 16 個

• 取樣 — 完整提供 temperature / top_p / seed，對比完全不提供；Kimi K3 僅開放 reasoning_effort，且無法關閉思考

• 授權條款 — MIT 與 Modified MIT，後者在月活躍用戶超過 1 億或月營收超過 2,000 萬美元時，會附加品牌標示條款

在便宜的一方確實更差的情況下

在帳簿上，DeepSeek 這一側有兩項成本，而兩者都很容易被忽略。

冗長度。DeepSeek V4.1 Flash 在 Intelligence Index 上總共輸出了 2.5 億個輸出 token，相較之下 Kimi K3 為 1.6 億個。在此處，輸出的計費是輸入的 4 倍。一個每 token 便宜二十倍、話卻多出五成的模型，並不代表便宜二十倍——這正是為什麼誠實的數字落在 7.4 倍，而不是價目表所暗示的 20 倍。DeepSeek 是本次比較中最冗長的模型；Grok 4.6 則是最不冗長的，為 9,400 萬個。

速度。價目表上說 DeepSeek 比較便宜。但計時器顯示它還快了 6.2 倍——每秒 214.4 個 token，對比 Kimi K3 的 34.7。Kimi K3 的思考模式無法關閉，而且其推理投入預設為最高，所以遇到簡單的呼叫時，沒有便宜又快速的路徑可以退回。無論請求是否真的需要，你每次請求都在購買前沿推理能力。在艱難的程式開發任務上，那就是產品本身。在分類處理上，那就是浪費。

流量所說的，任何基準測試都捕捉不到

我們自家的路由資料，補上了供應商和分析師都做不出的那項訊號。過去七天裡，Kimi K3 透過 OrcaRouter 傳輸了約 30.4 億個 token。DeepSeek V4.1 Flash 則傳輸了約 591 億個——大約是前者的十九倍，而這款模型上線還不到一週。

這其中有一部分是結構性的。DeepSeek 把所有 V4 Pro 請求都導向 V4.1 Flash，並以 Flash 的費率計費，直到 V4.1 Pro 正式推出，因此龐大的既有使用者基礎在沒有人真正做出任何選擇的情況下就被遷移了過去。但由此產生的流量，仍是目前最清楚的證據，顯示大量正式環境工作負載早已由較便宜的模型服務得足夠好——而這是基準測試無法給出的結論，因為基準測試衡量的是模型能做到什麼，而流量衡量的是團隊願意把什麼放到付費使用者面前。

在它們之間做選擇

兩者都位於 OrcaRouter 上同一個 OpenAI 相容端點之後，這正是讓這種拆分變得實際可行、而非一項遷移專案的原因：將 Kimi K3 推理優勢值得付費的長時程編碼工作階段，以及兩者差距在四個指數點以內的大量代理式與知識工作流量，路由至 DeepSeek V4.1 Flash。由於閘道以零加成傳遞供應商費率，你所看到的每 token 成本就是供應商本身的價格——值得在 DeepSeek 這一側每天檢查兩次，因為其尖峰時段會在 UTC 平日早晨使費率加倍。

結論取決於證據，而非發布表。如果你的工作是一次艱難的推理判斷——一個科學問題、一種新穎演算法、一份你承受不起誤讀的文件——Kimi K3 是更強大的模型，獨立的差距是一致的，而價格是次要的。如果你的工作是編碼代理、長時間的工具呼叫迴圈，或任何具有大型快取前綴並大量重複使用的事項，兩者在能力上足夠接近，以至於成本成為決定性標準，而在那裡差距從 7.4 倍到約 40 倍不等，取決於任務的代理化程度。

DeepSeek 自家的基準測試表誇大了那場勝利有多乾淨俐落。價格則不然。