
Sage-S2.1-Flash 對決 DeepSeek V4.1 Flash:唯一擁有共同計分板的對決
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 90 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 97 tok/s
- orca新Orca: OrcaC2 1.02026-11-0717 tok/s
- Orca新OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 87 tok/s
- Orca新OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 133 tok/s
- Orca新OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 每百萬 tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 每百萬 tokens · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955智能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855智能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 每百萬 tokens · 219 tok/s
網路上只有一個地方曾讓 Sage-S2.1-Flash 與 DeepSeek V4.1 Flash 相互評分,而且它不是中立的地方。InternLM 這個於 2026 年 11 月 15 日發布 Sage-S2.1-Flash 的實驗室,把 DeepSeek-V4.1-Flash-1017 放進自家的比較表——35 項基準測試、八個競爭模型、一份位於某個 GitHub 儲存庫中且 Hugging Face 模型卡未連結到的以製表符分隔檔案。所以這兩個模型共用一個排行榜,而其中一個模型建立了它。
這一點,本系列另外兩篇比較就完全談不上了,因為它們根本沒有共用的表格。這也讓本頁成為三頁中最有用的一頁,因為共用表格——即使是廠商自家的——能讓你提出一對各自獨立的部落格文章無法回答的問題。以下說明這份共用表格說了什麼、其背後的兩種架構是什麼,以及你該相信其中多少。
框定一切的不對稱
在將這兩個版本以模型的形式並列比較之前,先把它們以產物的形式並列呈現。
DeepSeek V4.1 Flash 於 2026 年 9 月 10 日推出,附有完整的模型卡、名為《Pushing the Limits of KV Cache Compression》的技術報告 PDF、MIT 授權條款、一份有文件說明的 API(並公布離峰與尖峰費率),以及 10 月 17 日更新的快照 1017。其 Hugging Face 儲存庫已被下載 169 萬次,並獲得 4,978 個讚。Artificial Analysis 在最高努力設定下,於 Intelligence Index 對其獨立評分為 32.6。
Sage-S2.1-Flash 於 2026 年 11 月 15 日問世,內含 120 個 bfloat16 分片、一份 21 位元組的模型卡(其全部內容僅為一則授權聲明)、一份部署指南,且各處均未公布價格。它獲得一個讚、零次下載。尚無任何獨立測試框架對它進行過評估。
兩者都是 MIT 授權的開放權重混合專家模型,具備一百萬個 token 的上下文視窗與原生影像輸入。紙上來看,它們旗鼓相當。但從實證來看,兩者差距甚遠。

共享表格實際上包含什麼內容
InternLM 的基準測試檔案列出 31 列帶有 DeepSeek-V4.1-Flash-1017 數值的資料。閱讀這份檔案與閱讀發布文章是截然不同的體驗,因為 Sage 落敗的那些列依然保留在其中。以下是一個具代表性的片段,每一行都以 Sage 排在最前面:
• Terminal-Bench 2.1 — 87.9 對 87.6,差距僅十分之三的平手局面
• DeepSWE — 67.0 對 73.9,落後 6.9 分
• SWE-bench Pro — 60.6 對 64.7,落後 4.1 分
• NL2Repo-Bench — 57.2 對 62.7,落後 5.5 分
• APEX-Agents — 61.7 對 69.2,落後 7.5 分
• WideSearch — 81.5 對 86.3
• BrowseComp — 91.2 對 93.8
• CyberGym — 84.3 對比 88.8
• τ³-bench 銀行業 — 45.4 對 47.4
• OSWorld v2.1 — 69.3 對 70.1
• AutomationBench — 56.7 對比 57.8
那份清單中的模式對較新的模型來說並不舒服:在一般代理式與程式編寫工作上,DeepSeek V4.1 Flash 在多數列中勝出,且領先幅度通常不是雜訊。一個早兩個月發布、由擁有公開技術報告的實驗室推出的模型,在這個低調發布版本自己選擇公布的基準測試上,擊敗了這個低調發布的版本。
接著,情況就反了過來。Sage 領先的那些列是科學與文件類項目,而領先幅度完全是另一個量級:
Harvey LAB — 25.0 對 11.7,超過兩倍
• OfficeQA Pro V2 — 72.2 對比 69.7
• BabyVision — 75.8 對 58.0,差距 17.8 分
• OSWorld-G — 84.8 對 61.4,相差 23.4 個百分點
• MLE-bench Lite — 90.3 對比 89.2
• Workspace-Bench-Lite — 67.1 對 66.8
• GDPval — 78.0 對 77.6
• SpreadsheetBench 2 — 37.1 對 35.8
兩種模式,而它們指向相反的方向。在軟體工程與通用環境中由工具驅動的代理工作上,DeepSeek V4.1 Flash 是較強的模型,而 InternLM 自家公布的數據也這麼說。在科學感知、文件密集的專業工作以及圖形化桌面控制上,Sage-S2.1-Flash 不只是略勝一籌,而是處於不同的檔次。
為什麼這些架構會產生恰好那樣的劃分
這兩個模型解決的是不同的問題,而它們的配置在任何基準測試之前就已顯露這一點。
DeepSeek V4.1 Flash 是一個具備 5520 億參數的主幹模型,每個 token 啟用 160 億參數,建構於 DeepSeek 所称的因果編碼器-解碼器架構之上:40 層平均分為 20 層因果編碼器與 20 層解碼器。技術報告的框架是 KV 快取壓縮——該模型的主要宣稱是關於百萬 token 的服務效率,而非感知能力。它能原生處理圖像,但公開強調的重點是長上下文服務的經濟性。
Sage-S2.1-Flash 是一個 3200 億參數的模型,每個 token 有 180 億活躍參數,且根據其部署指南,共有 45 層。其設定將它們明確劃分:34 層使用檔案中稱為 kda 的線性注意力類型,只有 11 層使用稀疏注意力,並具有 2,048 個 token 的 top-k 索引。另有一個 24 層視覺塔,輸入為 448 像素,而 token 詞彙表帶有明確的影像、影片、音訊、開始與結束 token。InternLM 自身的英文發布文案——託管於 internlm.github.io/Sage-S2.1-Flash、建立於 11 月 16 日、未被模型卡引用——描述了跨分子圖、晶體結構、蛋白質序列與 3D 結構、DNA 與 RNA、光譜、質譜、X 光繞射、心電圖、腦電圖與光變曲線的訓練。
把那份清單對照 Sage 勝出的列,整體情況就不再像是基準測試的僥倖。Harvey LAB 是處理文件的法律工作。OfficeQA Pro 是金融文件問答。BabyVision 是視覺感知。OSWorld-G 是圖形桌面控制——點擊 UI,而不是呼叫 API。這些正是以科學圖形、光譜、圖表和軟體介面訓練的模型預期會擅長的構念,而這也恰恰是為 KV-cache 高效率通用服務而訓練的模型預期會落後的地方。
這個道理兩面都成立。Sage 在程式編寫項目上失分,是因為它本質上不是程式編寫模型;DeepSeek 在視覺項目上失分,是因為它本質上不是感知模型。這兩項結果都算不上醜聞。真正的錯誤,是把任一欄的成績當成整體的評斷。

價差,並不接近
DeepSeek V4.1 Flash 已公布定價,而且是這個規模的模型中數一數二便宜的價格:
• 離峰、快取未命中 — 每百萬輸入 $0.15,每百萬輸出 $0.60
• 尖峰時段、快取未命中 — 每百萬輸入 $0.30,每百萬輸出 $1.20
• 快取命中 — 每百萬次離峰 $0.003,尖峰 $0.006
• 尖峰時段 — 01:00–04:00 及 06:00–10:00 UTC,週一至週五,中國公眾假期除外
• 上下文 — 1,000,000 個權杖,輸出權杖最多可達 384,000 個
Sage-S2.1-Flash 沒有公布費率。模型卡上沒有價格,部署指南裡沒有,發布微網站上也沒有;該網站的「Try the API」連結指向一個不會向非 JavaScript 用戶端呈現其型錄的入口網站。Sage 取而代之的是硬體需求:指南的參考部署是八顆 H200 GPU、採 bfloat16,整個節點約有 645 GB 的權重。
這讓成本比較取決於部署形態,而不是一個數字。DeepSeek V4.1 Flash 在離峰時段每百萬輸入 token 收費 0.15 美元,也就是說,百萬 token 的提示只需 15 美分。以百萬 token 執行 Sage-S2.1-Flash 的成本,等於八張 H200 在該次呼叫實際耗時內所花費的成本,而且沒有人公布它的吞吐量數據。如果你已經擁有該節點,這次呼叫的邊際成本接近零,相較之下 DeepSeek 就顯得昂貴。如果你沒有該節點,DeepSeek 勝出的幅度大到在出現託管價格之前,根本不值得做 Sage 的比較。
共享表格無法告訴你的事
廠商撰寫的比較有一個特性值得明確說明,因為它會影響如何看待上述每一列:其評測框架並未公開說明。InternLM 公布了數字,但沒有公布執行設定。沒有說明每個任務嘗試幾次、使用了什麼輔助框架、採用哪些取樣參數、是否可使用工具,或兩個模型各自的推理預算為何。DeepSeek 自己在 Artificial Analysis Intelligence Index 上的 32.6 分,來自一個公開的評測框架,該框架對其指數中的每個模型套用相同程序;InternLM 在 DeepSWE 上給 DeepSeek 的 73.9 分,則來自一個未公開的評測框架。
這並不代表這張表就沒用了,而是讓它帶有方向性。程式編寫列與視覺列都夠大,且內部一致性也夠高,因此腳手架選擇很可能不是造成這些結果的原因。另一方面,Terminal-Bench 2.1 上那 0.3 分的平手,完全落在任何測試框架變異可能產生的範圍內——把 0.3 分的差異視為平手,也不會有任何損失。
另外值得注意:InternLM 公布了 DeepSeek 在 DeepSWE 上的數字(73.9),相對於其自身表格中其他程式設計相關列來說偏高,而在該表中,DeepSeek 在 SWE-bench Pro 上為 64.7。這種內部不一致,正是公開的測試框架能在一個下午就解決、而私有的測試框架則完全無法解決的問題。

部署:一個下午對比一份文件
如果你是根據實際營運考量,而非基準測試的列數據來做選擇,那麼差距會比分數所顯示的更大,而且其方向與證據落差一致。
DeepSeek V4.1 Flash 隨附技術報告、標準 transformers 架構、fp8 變體,以及模型卡上針對 Azure 與 SageMaker 的部署標籤。它問世已兩個月,下載量達 169 萬次,而它在推論服務上的每一個古怪行為,都已經有人碰過並記錄下來。
Sage-S2.1-Flash 隨附的部署指南,仔細讀來,其實是一份靜默故障清單。省略 --trust-remote-code 時,內建分詞器會把 <|user|> 和 <tool_call> 這類代理式字串編碼成控制權杖——模型會提前停止或損壞工具呼叫,而且不會記錄任何訊息。在 vLLM 上部署時,若未套用 vllm_patch/ 中的單一檔案修補程式,而平行工具結果又以亂序返回,影像就會被附加到錯誤的結果上,導致模型針對錯誤的圖片作答;上游修正仍待處理,編號為 vllm-project/vllm#67108。在 SGLang 上部署時,若未明確傳入 chat_template.jinja,引擎就會為該架構安裝自己的範本。在 Hopper 上不支援 FP8 KV 快取。LMDeploy 需要將 transformers 固定在 5.17 到 5.19 之間,因為 5.19 重新命名了某種層類型。
所有這些都有文件記錄,這要歸功於該實驗室——這比大多數低調發布的模型所能做到的還要多。但這也是一個模型的指紋:它至今服務過的對象,仍然只有它自己的作者。
共享表唯一能解決的有用之事
綜合以上所述,以下是證據實際上支持的決定。
• 如果你的工作是程式碼、代理工具,或一般長上下文服務,那就是 DeepSeek V4.1 Flash。它在競爭對手自家的表格中,於這些橫列的多數項目中勝出;離峰時每百萬輸入 token 收費 $0.15,而且有獨立評分可供對照查核。在這裡,Sage 並沒有站得住腳的理由。
• 如果你的工作涉及科學圖像、光譜、繪圖、掃描的專業文件或 GUI 驅動的軟體,那麼 Sage-S2.1-Flash 值得你花上一個週末。23 分的 OSWorld-G 差距與 13 分的 Harvey LAB 差距,正是那種會改變一項任務究竟能否自動化的差異;而 InternLM 表格中的其他模型在這些列上都遠遠不及。
• 如果你今天就得決定——DeepSeek V4.1 Flash,因為它是兩者之中唯一不需要維護時段就能呼叫的。
DeepSeek V4.1 Flash 在 OrcaRouter 上以 deepseek/deepseek-v4.1-flash 的路由提供,每百萬個 token 輸入 $0.15、輸出 $0.60——這是 DeepSeek 自家的離峰定價原樣轉嫁,不加收任何費用——並具備 1,048,576 個 token 的上下文,同時還有同樣費率的 1017 快照版本。Sage-S2.1-Flash 不在我們的目錄中;它是開放權重,需由您自行部署,我們不會暗示並非如此。
在這裡,路由器為你換來的東西,比一次遷移更狹窄,卻比一份基準測試更有用。本文描述的分流——把一般代理式與程式編寫工作交給一個模型,把科學與大量 GUI 的工作交給另一個——正是路由策略所表達的形狀:單一端點、一條將帶有影像與文件的請求送往專門路徑的規則,以及可避免供應商端劣化拖垮整條路徑的自動容錯移轉。兩個 DeepSeek 識別碼都掛在同一把金鑰上,因此要用 1017 快照對照原始版本,代價只是改動模型字串,而不是再簽一份合約。你無法路由的那個部分——Sage-S2.1-Flash——正是你得自行架設的部分,而這正是先針對型錄上現有項目做原型開發的最清楚論據。
什麼情況會讓這個頁面值得重寫
兩件事。Sage-S2.1-Flash 的價格,這會讓成本部分從粗略輪廓變成算術。以及一個獨立評分,最好是在讓 DeepSeek V4.1 Flash 拿到 32.6 的同一套評測框架上——因為有意思的問題不是 Sage 平均而言是否勝過 DeepSeek。上述種種顯示並非如此。有意思的問題是,Sage 那 23 點的 OSWorld-G 優勢,能否在不是由發表它的實驗室所寫的評測框架下依然成立;以及那 6.9 點的 DeepSWE 劣勢,是否真如其自身表格中的程式設計列所暗示的那樣。
在有人重跑那些資料列之前,這份共享計分板是現有最佳證據,而它是由兩名競爭者之一建立的。請像解讀任何自行發布、恰好包含自身敗績的比較那樣來解讀它:它比一張沒有任何敗績的表格更可信,但仍不等同於一次測量。
本文中的比較1
根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新
