DeepSeek V4.1 Flash vs Gemini 3.8 Flash: Tolok Ukur, Harga, dan Kapan Menggunakannya

Google merilis Gemini 3.8 Flash pada 2 September 2026, rilis Flash ketiganya dalam enam minggu. Delapan hari kemudian, DeepSeek merespons dengan DeepSeek V4.1 Flash, model mixture-of-experts berlisensi MIT dengan 552B yang mengaktifkan 8B parameter pada input dan 16B pada output.

Kedua vendor menyebut model mereka sebagai tulang punggung untuk agen pengodean dan meraih skor yang serupa pada tolok ukur terpenting. Ini membuat pilihannya lebih sulit daripada dikotomi terbuka vs tertutup pada umumnya, karena model yang lebih murah bukanlah yang lebih lemah pada tolok ukur yang sama-sama mereka cantumkan.

Dalam artikel ini, saya akan membandingkan DeepSeek V4.1 Flash dan Gemini 3.8 Flash dari sisi tolok ukur, harga, keterbukaan, multimodalitas, serta uji bangun langsung yang saya jalankan pada keduanya.

Untuk bahasan lebih mendalam masing-masing model, lihat panduan DeepSeek V4.1 Flash kami dan panduan Gemini 3.8 Flash dan 3.8 Flash Cyber kami.

Ringkasnya

• DeepSeek V4.1 Flash menyamai atau sedikit mengungguli Gemini 3.8 Flash pada setiap tolok ukur pengodean agentic yang dipublikasikan kedua vendor, dan menang pada uji penjadwal langsung kami dalam setengah jumlah giliran.
• Gemini 3.8 Flash saat ini berharga 2,5x lebih mahal per token input dan 3,1x lebih mahal per token output, dan harganya akan naik dua kali lipat pada 1 Januari 2027.
• Gemini 3.8 Flash lebih luas: menerima input audio, video, dan PDF, dan dilengkapi alat terhosting dari Google.
• Pilih DeepSeek V4.1 Flash untuk agen pengodean volume tinggi, pekerjaan batch, loop berat-cache, atau apa pun yang perlu Anda host sendiri.
• Pilih Gemini 3.8 Flash saat input Anda multimodal, saat Anda membangun di Google AI Studio atau Antigravity, atau ketika Anda memerlukan agen kerja-pengetahuan dengan skor domain yang dipublikasikan.

Apa Itu DeepSeek V4.1 Flash?

DeepSeek V4.1 Flash adalah model mixture-of-experts berbobot terbuka, berlisensi MIT, yang dirilis oleh DeepSeek pada 10 September 2026, dan anggota terkecil dari keluarga arsitektur baru.

Menurut laporan teknis V4.1, cache KV-nya membutuhkan 890 byte per token, kira-kira seperempat dari kebutuhan DeepSeek V4 Flash, yang menjadi sumber utama penghematan biaya.

Untuk ulasan lengkap, baca panduan DeepSeek V4.1 Flash kami, dan untuk penyiapan lokal generasi sebelumnya, lihat tutorial kami tentang menjalankan DeepSeek V4 Flash dengan Unsloth Studio dan OpenCode.

Apa Itu Gemini 3.8 Flash?

Gemini 3.8 Flash adalah model tier Flash paling andal dari Google, dirilis 2 September 2026, tiga minggu setelah Gemini 3.7 Flash dan dibangun di atasnya.

Pilihan desain utamanya adalah bahwa model ini "bekerja lebih keras": pada tugas kompleks, model menjalankan langkah penalaran tambahan dan memanggil alat secara iteratif, dan Google menyatakan model bisa menghabiskan lebih banyak token pada tingkat upaya yang lebih tinggi.

Panduan Gemini 3.8 Flash kami membahas peluncuran dan varian Cyber yang aksesnya terbatas, dan tutorial API Gemini 3.8 Flash kami mengulas Interactions API, tingkat pemikiran, dan pemanggilan fungsi di Python.

DeepSeek V4.1 Flash vs Gemini 3.8 Flash: Perbandingan Langsung

Di enam dimensi di bawah ini, DeepSeek V4.1 Flash unggul pada harga dan keterbukaan serta seri pada pengodean, sementara Gemini 3.8 Flash unggul pada jenis input, tooling, dan hasil kerja-pengetahuan yang dipublikasikan.

Pengodean dan alur kerja agentic

DeepSeek V4.1 Flash memimpin pada ketiga tolok ukur agentic yang muncul di tabel kedua vendor, meskipun dua selisihnya cukup kecil sehingga bisa dianggap seri.

Kesenjangan yang benar-benar penting adalah Terminal-Bench 4.0, suite agen umum yang lebih sulit: 31,2% untuk DeepSeek melawan 19,1% untuk Gemini. Kedua vendor mengakui suite ini membuka kelemahan; DeepSeek mengatakan masih ada jarak dengan model raksasa pada tugas agentic berorientasi sains, dan tabel Google sendiri menempatkan Claude Opus 5 di 51,8%.

Dua catatan:

• Skor DeepSeek berada pada tier upaya maksimum, yang menurut laporan teknis menghabiskan kira-kira 2,5x token output dibanding setelan rendah. Laporan yang sama mencatat bahwa upaya 60 hingga 80 memulihkan sebagian besar akurasi tersebut dengan kurang dari setengah token, jadi setelan maksimum sebaiknya dipakai untuk tugas berat.
• Harness-nya berbeda, tetapi kolom pesaing nyaris sejajar, sehingga tabel ini lebih sebanding daripada kebanyakan pasangan lintas vendor.

Untuk agen pengodean yang banyak menggunakan terminal, perlakukan keduanya setara dan biarkan harga serta penerapan yang menentukan; pada tugas agen tersulit, keunggulan terpublikasi DeepSeek adalah satu-satunya yang terlihat.

Harga: yang benar-benar Anda bayar

Harga adalah satu-satunya dimensi tanpa perdebatan, sehingga pertanyaan menariknya adalah seberapa besar celah berubah mengikuti bentuk beban kerja Anda.

DeepSeek V4.1 Flash lebih murah di setiap baris, dan celah melebar semakin beban kerja Anda bertumpu pada token output atau prefiks yang di-cache. Kelipatannya tidak seragam, dan itulah temuan utamanya: 2,5x pada input, 3,1x pada output, dan 12,5x pada pembacaan cache.

Tarif token berdampingan

Perbedaannya berbentuk premi output. Tarif output Gemini 3,1x DeepSeek sementara tarif inputnya 2,5x, sehingga pekerjaan yang banyak generasi dan banyak "berpikir" membayar paling mahal, dan kedua vendor menagihkan token penalaran pada tarif output.

Biaya beban kerja nyata

Formulanya adalah (volume ÷ 1M) × tarif, dijumlahkan untuk input dan output, pada tarif puncak DeepSeek dan tarif pengantar Gemini. Baris berat-cache menggunakan tarif pembacaan cache masing-masing vendor untuk 1.000 pembacaan dan mengasumsikan cache Gemini disimpan selama 1 jam, yang menambah $0,05 penyimpanan.

Baris berat-cache adalah sorotan, karena tarif pembacaan cache DeepSeek $0,006 membuat prefiks 100K token hampir gratis untuk dibaca ulang, sementara Gemini mengenakan $7,50 untuk 100M token cache yang sama.

Jadwalkan DeepSeek di luar jam sibuk dan setiap baris menjadi setengah; tunggu hingga Januari dan setiap baris Gemini menjadi dua kali lipat, sehingga asisten seimbang menjadi $3,38 melawan $0,60.

Keterbukaan, arsitektur, dan penerapan

DeepSeek V4.1 Flash adalah satu-satunya dari keduanya yang dapat Anda unduh, dan arsitekturnya adalah alasan harganya murah. Laporan teknis menjelaskan encoder kausal 20-layer yang memberi umpan ke decoder 20-layer, Compressed Sparse Attention 2 dengan caching FP4 KV, dan cache KV 890 byte per token, turun dari 3.514 byte untuk V4 Flash.

Melayani bobot berlisensi MIT tersebut masih tahap awal, dengan dukungan vLLM dan SGLang masih di build nightly dan pratinjau, dan Transformers belum didukung.

Jika Anda memerlukan lokasi data, inferensi on-prem, atau fine-tuning, DeepSeek adalah satu-satunya kandidat di sini. Jika Anda menginginkan nihil infrastruktur, endpoint terhosting GA milik Gemini adalah jalur yang lebih sederhana.

Multimodalitas, konteks, dan alat bawaan

Gemini 3.8 Flash menerima teks, gambar, video, audio, dan PDF, sementara DeepSeek V4.1 Flash menerima teks dan gambar. Keduanya menawarkan jendela konteks 1M token, tetapi DeepSeek mengizinkan hingga 384K token output, dibanding 64K pada Gemini, yang penting untuk generasi kode panjang dan penulisan ulang dokumen penuh.

Halaman model Gemini juga mencantumkan alat terhosting yang tidak memiliki padanan di DeepSeek: eksekusi kode, grounding Google Search dan Maps, pencarian file, konteks URL, dan penggunaan komputer dalam pratinjau. Di sisi API DeepSeek tersedia output JSON, pemanggilan alat, Responses API, endpoint format Anthropic, serta penyelesaian prefix dan fill-in-the-middle.

Jika input Anda mencakup audio atau video, atau Anda menginginkan grounding tanpa membangun retrieval, pilih Gemini; jika Anda menginginkan output panjang dan kompatibilitas drop-in dengan kode klien OpenAI atau Anthropic yang ada, pilih DeepSeek.

Kinerja DeepSeek V4.1 Flash dan Gemini 3.8 Flash

Tolok ukur dari dua vendor berbeda punya batasnya, jadi saya menjalankan satu tugas bangun pada kedua model dengan prompt dan tooling yang identik.

Ujinya

Saya meminta keduanya membangun aplikasi web satu berkas yang stateful untuk penjadwal latihan orkestra komunitas. Dua fitur yang kami minta secara eksplisit adalah deteksi konflik tumpang-tindih interval dan persistensi. Keduanya mendekati 90% pada Terminal-Bench 2.1, tetapi 31,2% DeepSeek melawan 19,1% Gemini pada Terminal-Bench 4.0 menunjukkan adanya jarak pada pekerjaan agentic yang lebih sulit, dan tugas ini adalah cara ringkas untuk mencarinya.

Kedua model dijalankan di OpenCode dengan permukaan alat yang disematkan identik: hanya pembacaan dan penyuntingan berkas, tanpa shell dan tanpa jaringan. Keduanya pada upaya penalaran high, satu percobaan masing-masing, tanpa ulang, dan prompt dikirim byte-per-byte ke sesi baru.

Satu ketidaksimetrian yang perlu diingat: high adalah tier upaya tertinggi Gemini, sementara pada DeepSeek, ini memetakan ke 75 pada skala 1 hingga 100, yang maksimum skala tersebut cocok dengan yang digunakan untuk skor tolok ukur terpublikasinya.

Ini prompt-nya:

Build a single-file HTML page (inline CSS and JS, no build step, no external dependencies, no network) for a rehearsal scheduler used by a community orchestra. 
It needs:
- a week view (Mon–Sun) showing rehearsal blocks by section: strings, brass, woodwind, percussion;
- a conflict indicator that flags when two sections are booked in the same room at overlapping times (not merely the same slot);
- an add-rehearsal form with section, room, day, start time, and end time;
- localStorage persistence, so rehearsals survive a page reload.

Ship it as one working file named `index.html`. Do not install packages. Do not open, screenshot, or headless-render the page (no Playwright, Puppeteer, or Chrome). 
Do not ask me clarifying questions — make reasonable assumptions and note them briefly in a comment at the top of the file.

Saya menilai keduanya pada keterjalankan (gagal/lulus) dan tiga rubrik berikut, dengan skor 1 hingga 5:

• Kepatuhan spesifikasi: Apakah semua fitur yang diminta diterapkan?
• Logika konflik: Apakah berhasil mendeteksi dan menampilkan tumpang-tindih, tetapi memperlakukan pemesanan yang berdempetan atau di ruang berbeda sebagai tidak konflik?
• Kegunaan dan tata letak: Apakah muat di satu halaman, dapat digunakan secara intuitif, dan tampilannya bagus?

Hasil DeepSeek V4.1 Flash

DeepSeek selesai dalam 2 giliran dengan satu panggilan alat: menulis index.html 13 KB dan menyatakan selesai. Halamannya berwarna gelap dengan dua panel, formulir tambah latihan di kiri, kisi Senin–Minggu di kanan, dengan panel pemeriksa konflik di bawahnya. Komentar header menjabarkan aturan tumpang-tindih, tumpang-tindih ketat dengan pemesanan berurutan dikecualikan, dan uji coba mengonfirmasi hanya pasangan yang tumpang-tindih yang ditandai.

Semua yang diminta ada dan berfungsi, tata letak mudah dipahami sekilas, dan satu tambahan yang tidak diminta, penghapusan entri, membantu. Tidak memungkinkan penyuntingan entri, yang juga tidak diminta. Ini 5 bersih untuk ketiga rubrik.

Hasil Gemini 3.8 Flash

Gemini membutuhkan 4 giliran dan 3 panggilan alat (glob, baca, lalu tulis) untuk mengirim index.html 76 KB (hampir 6x berkas DeepSeek), dan jauh lebih lambat. Hasilnya terlihat lebih rapi: header bermerek dengan penghitung penanda tumpang-tindih langsung, minggu sampel pramuat dengan double-booking Rabu yang disengaja agar indikator konflik langsung tampil, filter seksi dan ruang, toggle hanya-konflik, tampilan kolom dan garis waktu, penyuntingan dan penghapusan entri, kolom catatan repertoar, serta peringatan langsung saat Anda mengetik pemesanan baru.

Logika konfliknya benar, dan uji coba hanya menandai pasangan yang tumpang-tindih. Tambahan fiturnyalah yang menjadi masalah: panel Sections and Balance dengan hitung sesi per seksi memaksa kolom formulir menggulir (yang bertentangan dengan prompt) dan posisinya canggung di bawah yang lain, dan banyaknya kontrol membuat minggu lebih sulit dibaca dibanding milik DeepSeek. Itulah mengapa saya perlu mengurangi satu poin masing-masing untuk kepatuhan spesifikasi dan tata letak, meskipun hasil keseluruhannya sangat baik.

Hasil

DeepSeek V4.1 Flash menang pada uji ini. Keduanya berhasil pada bagian tersulit, logika tumpang-tindih interval, sehingga perbedaannya ada pada penilaian: DeepSeek membangun sesuai permintaan dalam satu kali tulis, sementara Gemini membangun sebuah produk kecil, dan satu fitur yang tidak diminta merusak tata letak yang menjadi aspek penilaian. Versi Gemini adalah yang akan saya demo ke manajer orkestra; versi DeepSeek adalah yang lebih saya sukai jika diserahkan oleh rekan kerja.

Ini adalah satu kali jalan untuk satu tugas pada satu setelan upaya, jadi tidak mengatakan apa-apa tentang penggunaan token atau biaya, dan hanya menguji UI stateful plus logika tumpang-tindih, bukan pekerjaan repositori cakrawala panjang.

Kapan Memilih DeepSeek V4.1 Flash vs Gemini 3.8 Flash

Tidak ada model yang menjadi default untuk semua orang, jadi inilah keputusan berdasarkan beban kerja.

Cabangnya adalah input, infrastruktur, dan anggaran: keduanya setara pada pengodean agentic, jadi DeepSeek menang kapan pun biaya atau kendali yang menentukan, dan Gemini menang kapan pun data atau tumpukan Anda adalah sesuatu yang tidak dapat diambil atau di-host oleh DeepSeek untuk Anda.

Pilih DeepSeek V4.1 Flash jika...

• Anda menjalankan agen pengodean dalam volume besar. Setara dengan Gemini pada Terminal-Bench 2.1 dan DeepSWE v1.1, unggul pada Terminal-Bench 4.0, dan mengenakan $1,20 alih-alih $3,75 per 1M token output.
• Loop agen Anda membaca ulang prefiks besar. Input cache berbiaya $0,006 per 1M token dibanding $0,075 milik Gemini ditambah penyimpanan per jam, selisih 12,5x yang mendominasi baris beban kerja berat-cache kami.
• Anda perlu meng-host sendiri atau fine-tune, dan memiliki node untuk melakukannya. Bobot berlisensi MIT dapat dijalankan di vLLM dan SGLang dari image nightly dan pratinjau mereka, namun checkpoint ~511 GB, dan tata letak terverifikasi adalah satu tray GB200 NVL4 atau satu node 8×H200.
• Anda dapat menjadwalkan pekerjaan di luar jam sibuk atau perlu output sangat panjang. Off-peak memangkas setengah semua tarif, dan batas output 384K adalah 6x 64K milik Gemini.

Pilih Gemini 3.8 Flash jika...

• Input Anda berupa audio, video, atau PDF. DeepSeek V4.1 Flash hanya menerima teks dan gambar.
• Anda menginginkan alat terhosting tanpa perlu membangunnya. Eksekusi kode, grounding Google Search dan Maps, pencarian file, konteks URL, dan penggunaan komputer tersedia pada ID model yang sama.
• Anda membangun di tumpukan Google. GA di AI Studio dan Gemini Enterprise, dan kini menjadi model default di Antigravity.
• Anda memerlukan agen kerja-pengetahuan dengan bukti terpublikasi. Google melaporkan 61,4% pada Vals Finance Agent v2 dan 10,0% pada Harvey's Legal Agent Benchmark; DeepSeek tidak memublikasikan yang sebanding.

Cara Memulai dengan DeepSeek V4.1 Flash dan Gemini 3.8 Flash

Tempat Anda dapat mengakses setiap model lebih berbeda daripada apa yang dapat dilakukannya, jadi periksa matriksnya sebelum tolok ukur.

Perbedaan ketersediaan terbesar adalah DeepSeek dapat diunduh dan Gemini tidak, sementara Gemini yang memiliki aplikasi konsumen dan platform enterprise terkelola resmi. ID yang Anda ketik adalah deepseek-flash dan gemini-3.8-flash; nama lawas deepseek-v4-flash masih mengarah tetapi dilayani oleh V4.1 Flash.

Membuat panggilan API pertama Anda

Kedua SDK berbeda, jadi ini bukan pertukaran satu string. Endpoint DeepSeek kompatibel dengan OpenAI, yang berarti klien standar openai berfungsi dengan perubahan base URL, sementara Gemini 3.8 Flash menggunakan Interactions API google-genai dengan setelan thinking_level alih-alih parameter sampling.

from openai import OpenAI

client = OpenAI(api_key="YOUR_DEEPSEEK_KEY", base_url="https://api.deepseek.com")
response = client.chat.completions.create(
    model="deepseek-flash",  # DeepSeek V4.1 Flash
    messages=[{"role": "user", "content": "Refactor this function..."}],
)
print(response.choices[0].message.content)

from google import genai

client = genai.Client()  # reads your Google AI Studio API key
interaction = client.interactions.create(
    model="gemini-3.8-flash",
    input="Refactor this function...",
    generation_config={"thinking_level": "medium"},  # low, medium, or high
)
print(interaction.output_text)

Untuk penyiapan penuh, ekstraksi PDF, dan pemanggilan fungsi di Gemini, ikuti tutorial API Gemini 3.8 Flash kami; untuk mode berpikir DeepSeek dan penerapan lokal generasi sebelumnya, lihat tutorial API DeepSeek V4 kami dan panduan menjalankan DeepSeek V4 Flash dengan Unsloth Studio dan OpenCode.

Pikiran Akhir

Jika beban kerja Anda adalah agen pengodean, pekerjaan batch, atau apa pun yang membaca ulang prefiks panjang, gunakan DeepSeek V4.1 Flash: setara dengan Gemini 3.8 Flash pada tolok ukur agentic yang dipublikasikan, menang pada uji bangun kami dalam 2 giliran, dan biayanya sepertiga sebelum kenaikan harga Gemini pada Januari. Jika input Anda berupa audio, video, atau PDF, atau Anda menginginkan grounding, eksekusi kode, dan penggunaan komputer dari satu endpoint terhosting, gunakan Gemini 3.8 Flash dan terima preminya.

Jika Anda ingin membangun sistem agen di sekitar model seperti ini, jalur Associate AI Engineer for Developers kami membahas API, penggunaan alat, dan Model Context Protocol dalam 29 jam, dan kursus Building AI Agents with Google ADK kami adalah awalan 1 jam di sisi Gemini.