一張生成的標題卡寫著「Sage-S2.1-Flash vs DeepSeek V4.1 Flash」,上方副標題為「兩個開放權重 MoE,一個廠商記分板」,下方有兩個標籤寫著「18B 活躍」與「16B 活躍」。白色背景、藍色與青色漸層點綴、扁平線條圖示。OrcaRouter 標誌合成於右下角。
Guides & Insights

Sage-S2.1-Flash 對決 DeepSeek V4.1 Flash:唯一擁有共同計分板的對決

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

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。

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。

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.

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。

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