DeepSeek V4.1 Flash vs Gemini 3.8 Flash: Benchmark, priser och när du ska välja vilken

Google lanserade Gemini 3.8 Flash den 2 september 2026, deras tredje Flash-släpp på sex veckor. Åtta dagar senare svarade DeepSeek med DeepSeek V4.1 Flash, en MIT-licensierad mixture-of-experts-modell med 552B där 8B parametrar aktiveras vid indata och 16B vid utdata.

Båda leverantörerna kallar sin modell en arbetshäst för kodningsagenter och uppnår liknande resultat i de viktigaste benchmark-testerna. Det gör valet svårare än det vanliga öppet kontra stängt-perspektivet antyder, eftersom den billigare modellen inte är den svagare på de delade benchmark där båda publicerar siffror.

I den här artikeln jämför jag DeepSeek V4.1 Flash och Gemini 3.8 Flash utifrån benchmark, pris, öppenhet, multimodalitet och i ett praktiskt bygga-test jag körde på båda.

För djupare genomgång av varje modell, se vår guide till DeepSeek V4.1 Flash och vår guide till Gemini 3.8 Flash och 3.8 Flash Cyber.

TL;DR

• DeepSeek V4.1 Flash matchar eller går om Gemini 3.8 Flash på varje agentisk kodnings-benchmark som båda leverantörerna publicerar, och vann vårt praktiska schemaläggartest på halva antalet vändor.
• Gemini 3.8 Flash kostar idag 2,5× mer per indatatoken och 3,1× mer per utdatatoken, och priset fördubblas den 1 januari 2027.
• Gemini 3.8 Flash är bredare: den tar ljud, video och PDF som indata och levereras med Googles hostade verktyg.
• Välj DeepSeek V4.1 Flash för högvolymkodningsagenter, batchjobb, cache-tunga loopar eller allt du behöver köra själv.
• Välj Gemini 3.8 Flash när dina indata är multimodala, när du bygger i Google AI Studio eller Antigravity, eller när du behöver kunskapsarbetsagenter med publicerade domänresultat.

Vad är DeepSeek V4.1 Flash?

DeepSeek V4.1 Flash är en öppen, MIT-licensierad mixture-of-experts-modell släppt av DeepSeek den 10 september 2026 och den minsta medlemmen i en ny arkitekturfamilj.

Enligt den tekniska rapporten för V4.1 behöver dess KV-cache 890 byte per token, ungefär en fjärdedel av vad DeepSeek V4 Flash behövde, vilket är där största delen av kostnadsbesparingen kommer från.

För full genomgång, läs vår guide till DeepSeek V4.1 Flash, och för en lokal installation av föregående generation, vår handledning om att köra DeepSeek V4 Flash med Unsloth Studio och OpenCode.

Vad är Gemini 3.8 Flash?

Gemini 3.8 Flash är Googles mest kapabla modell i Flash-nivån, släppt den 2 september 2026, tre veckor efter Gemini 3.7 Flash och byggd på den.

Det definierande designvalet är att den ”jobbar hårdare”: vid komplexa uppgifter kör den extra resonemangssteg och anropar verktyg iterativt, och Google säger att den kan använda fler tokens på högre ansträngningsnivåer.

Vår guide till Gemini 3.8 Flash täcker lanseringen och varianten Cyber med begränsad åtkomst, och vår API-handledning för Gemini 3.8 Flash går igenom Interactions API, tänkenivåer och funktionsanrop i Python.

DeepSeek V4.1 Flash vs Gemini 3.8 Flash: Direkt jämförelse

Över de sex dimensionerna nedan vinner DeepSeek V4.1 Flash på pris och öppenhet och spelar oavgjort på kodning, medan Gemini 3.8 Flash vinner på indatatyper, verktyg och publicerade resultat för kunskapsarbete.

Kodning och agentiska arbetsflöden

DeepSeek V4.1 Flash leder på alla tre agentiska benchmark som finns i båda leverantörernas tabeller, även om två av skillnaderna är så små att de kan kallas oavgjort.

Gapet som verkligen spelar roll är Terminal-Bench 4.0, den svårare sviten för generella agenter: 31,2% för DeepSeek mot 19,1% för Gemini. Båda leverantörerna medger att denna svit blottar dem; DeepSeek säger att ett gap mot jättemodeller kvarstår på naturvetenskapligt inriktade agentuppgifter, och Googles egen tabell sätter Claude Opus 5 på 51,8%.

Två förbehåll:

• DeepSeeks poäng är på dess maximala insatsnivå, vilket den tekniska rapporten säger kostar ungefär 2,5× så många utdatatokens som en låg inställning. Samma rapport noterar att insats 60–80 återhämtar det mesta av noggrannheten till väl under halva token-kostnaden, så max bör sparas för svåra uppgifter.
• Riggarna skiljer sig åt, men rivalernas kolumner linjerar nästan exakt, så dessa tabeller är närmare jämförbara än de flesta par mellan leverantörer.

För terminaltunga kodningsagenter, behandla de två som jämbördiga och låt pris och deployment avgöra; på de svåraste agentuppgifterna är DeepSeeks publicerade försprång det enda som sticker ut.

Prissättning: vad du faktiskt betalar

Priset är den enda dimensionen utan strid, så den intressanta frågan är hur mycket gapet ändras med formen på din arbetslast.

DeepSeek V4.1 Flash är billigare på varje rad, och gapet ökar ju mer din arbetslast lutar åt utdatatokens eller cachade prefix. Multipeln är inte uniform, vilket är poängen: 2,5× på indata, 3,1× på utdata och 12,5× på cachade läsningar.

Tokenpriser sida vid sida

Skillnaden ser ut som en utdatapremium. Geminis utdatapris är 3,1× DeepSeeks medan indatapriset är 2,5×, så generations- och tankeintensivt arbete betalar mest, och båda leverantörer debiterar resonemangstokens som utdata.

Vad en verklig arbetslast kostar

Formeln är (volym ÷ 1M) × pris, summerat över in- och utdata, med DeepSeeks peak-priser och Geminis introduktionspriser. Cache-tunga raden använder respektive leverantörs pris för cachad läsning för de 1 000 läsningarna och antar att Gemini-cachen hålls i 1 timme, vilket lägger till $0,05 i lagring.

Cache-tunga raden är huvudnumret, eftersom DeepSeeks pris $0,006 för cachad läsning gör ett prefix på 100K tokens nästan gratis att läsa om, medan Gemini tar $7,50 för samma 100M cachade tokens.

Schemalägg DeepSeek utanför peak så halveras varje rad; vänta till januari så fördubblas varje Gemini-rad, så den balanserade assistenten blir $3,38 mot $0,60.

Öppenhet, arkitektur och driftsättning

DeepSeek V4.1 Flash är den enda av de två du kan ladda ner, och dess arkitektur är varför den är billig. Den tekniska rapporten beskriver en 20-lagers kausal encoder som matar en 20-lagers decoder, Compressed Sparse Attention 2 med FP4 KV-cache, och en KV-cache på 890 byte per token, ned från 3 514 byte för V4 Flash.

Att serva dessa MIT-licensierade vikter är dock fortfarande tidigt, med stöd för vLLM och SGLang kvar i nattliga respektive förhandsversioner, och Transformers stöds ännu inte.

Om du behöver dataresidens, on-prem-inferens eller finjustering är DeepSeek det enda alternativet här. Vill du ha noll infrastruktur är Geminis GA-hostade endpoint den enklare vägen.

Multimodalitet, kontext och inbyggda verktyg

Gemini 3.8 Flash tar text, bilder, video, ljud och PDF, medan DeepSeek V4.1 Flash tar text och bilder. Båda erbjuder ett kontextfönster på 1M tokens, men DeepSeek tillåter upp till 384K utdata-tokens, jämfört med Geminis 64K, vilket spelar roll för lång kodgenerering och fullständiga dokumentomskrivningar.

Geminis modellsida listar också hostade verktyg som DeepSeek saknar motsvarighet till: kodkörning, grundning via Google Sök och Maps, filsökning, URL-kontekst och datoranvändning i förhandsvisning. På DeepSeeks API-sida finns JSON-utdata, verktygsanrop, ett Responses API, en endpoint i Anthropic-format samt prefix- och fill-in-the-middle-komplettering.

Om dina indata inkluderar ljud eller video, eller om du vill ha grundning utan att bygga retrieval, är Gemini valet; om du vill ha långa utdata och drop-in-kompatibilitet med befintlig OpenAI- eller Anthropic-klientkod är det DeepSeek.

Hur DeepSeek V4.1 Flash och Gemini 3.8 Flash presterade

Benchmark från två olika leverantörer räcker bara så långt, så jag körde en bygguppgift mot båda modellerna med en identisk prompt och identiska verktyg.

Testet

Jag bad båda bygga en tillståndsbevarande webapp i en enda fil för en repetitionsschemaläggare i en amatörorkester. Två funktioner vi uttryckligen bad om var konfliktupptäckt för intervallöverlapp och persistens. Båda modellerna ligger nära 90% på Terminal-Bench 2.1, men DeepSeeks 31,2% mot Geminis 19,1% på Terminal-Bench 4.0 antyder ett gap i svårare agentiskt arbete, och denna uppgift är ett kompakt sätt att leta efter det.

Båda modellerna kördes i OpenCode med en identisk låst verktygsuppsättning: fil-läsning och -redigering endast, inget skal och inget nätverk. Båda kördes på high resonemangsinsats, ett försök var, inga omtag, och prompten levererades byte-för-byte till en färsk session.

En asymmetri att ha i åtanke: high är Geminis högsta insatsnivå, medan det på DeepSeek mappar till 75 på en skala 1–100, vars maximum matchar den som användes för dess publicerade benchmarkresultat.

Detta var prompten:

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.

Jag betygsatte båda på körbarhet (fail/pass) och på följande tre kriterier, med poäng från 1 till 5:

• Spec-efterlevnad: Implementerar den allt jag bad om?
• Konfliktlogik: Upptäcker och visar den överlapp, men behandlar intilliggande bokningar eller bokningar i olika rum som icke-konflikter?
• Användbarhet och layout: Får allt plats på en sida, kan den användas intuitivt och ser den bra ut?

Vad DeepSeek V4.1 Flash producerade

DeepSeek blev klar på 2 vändor med ett enda verktygsanrop: den skrev en 13 KB index.html och deklarerade klart. Sidan är en mörk tvåpanelslayout, ett formulär för att lägga till repetitioner till vänster, ett måndag–söndag-rutnät till höger, med en panel för konfliktkontroll under. Dess rubrikkommentar förklarar överlappsregeln, strikt överlapp med rygg mot rygg-bokningar undantagna, och probningen bekräftade att den endast flaggar det överlappande paret.

Allt som efterfrågades finns och fungerar, layouten är överskådlig vid en blick, och dess enda oombedda extra, att radera poster, hjälper. Den tillåter inte redigering av en post, vilket prompten inte heller bad om. Detta är en ren 5 på alla tre kriterier.

Vad Gemini 3.8 Flash producerade

Gemini tog 4 vändor och 3 verktygsanrop (en glob, en läsning, sedan en skrivning) för att leverera en 76 KB index.html (nästan 6× DeepSeeks fil), och den var mycket långsammare. Resultatet ser mer polerat ut: en profilerad header med en live-räknare för överlapp, en förladdad exempelvecka med en avsiktlig dubbelbokning på onsdagen så att konfliktindikatorn syns direkt, filter för sektion och rum, en toggle för endast konflikter, kolumn- och tidslinjevyer, redigering och radering av poster, ett fält för repertoarnoteringar och en live-varningsförhandsvisning medan du skriver en ny bokning.

Konfliktlogiken är korrekt, och probningen flaggade endast det överlappande paret. Extrafunktionerna är problemet: en panel för Sektioner och balans med antal sessioner per sektion tvingade formulärkolumnen att skrolla (vilket strider mot prompten) och sitter otympligt under resten, och det stora antalet kontroller gör veckan svårare att läsa än DeepSeeks. Därför behöver jag dra av en poäng vardera för spec-efterlevnad och layout, även om det samlade resultatet är mycket bra.

Resultat

DeepSeek V4.1 Flash vinner detta test. Båda fick den svåra delen rätt, logiken för intervallöverlapp, så skillnaden kom ner till omdöme: DeepSeek byggde det som efterfrågades i en skrivning, medan Gemini byggde en liten produkt, och en oönskad funktion skadade layouten den bedömdes på. Geminis version är den jag skulle demo för en orkesterchef; DeepSeeks är den jag hellre skulle få överlämnad av en kollega.

Detta är en enskild körning av en uppgift på en insatsnivå, så den säger inget om tokenanvändning eller kostnad, och den testar endast tillståndsbevarande UI plus överlappslogik, inte långsiktigt repo-arbete.

När ska du välja DeepSeek V4.1 Flash vs Gemini 3.8 Flash

Ingen av modellerna är standard för alla, så här är beslutet per arbetslast.

Skillnaden handlar om indata, infrastruktur och budget: de två är jämbördiga på agentisk kodning, så DeepSeek vinner när kostnad eller kontroll avgör, och Gemini vinner när dina data eller din stack är något som DeepSeek inte kan ta in eller hosta åt dig.

Välj DeepSeek V4.1 Flash om...

• Du kör kodningsagenter i volym. Den är jämbördig med Gemini på Terminal-Bench 2.1 och DeepSWE v1.1, före på Terminal-Bench 4.0, och tar $1,20 istället för $3,75 per 1M utdatatokens.
• Din agentloop läser om ett stort prefix. Cachad inläsning kostar $0,006 per 1M tokens mot Geminis $0,075 plus timlagring, en 12,5× skillnad som dominerade vår cache-tunga rad.
• Du behöver köra själv eller finjustera, och har en nod att göra det på. De MIT-licensierade vikterna körs på vLLM och SGLang från deras nattliga respektive förhandsbilder, men checkpointen är ~511 GB, och de verifierade layouterna är en GB200 NVL4-bricka eller en nod med 8×H200.
• Du kan schemalägga arbete utanför peak eller behöver mycket långa utdata. Utanför peak halveras alla priser, och utdatatak på 384K är 6× Geminis 64K.

Välj Gemini 3.8 Flash om...

• Dina indata är ljud, video eller PDF:er. DeepSeek V4.1 Flash tar endast text och bilder.
• Du vill ha hostade verktyg utan att bygga dem. Kodkörning, grundning via Google Sök och Maps, filsökning, URL-kontekst och datoranvändning finns alla på samma modell-ID.
• Du bygger i Googles stack. Den är GA i AI Studio och Gemini Enterprise, och är nu standardmodellen i Antigravity.
• Du behöver kunskapsarbetsagenter med publicerad evidens. Google rapporterar 61,4% på Vals Finance Agent v2 och 10,0% på Harveys Legal Agent Benchmark; DeepSeek publicerar inget jämförbart.

Kom igång med DeepSeek V4.1 Flash och Gemini 3.8 Flash

Var du kan nå varje modell skiljer sig mer än vad den kan göra, så kolla matrisen före benchmark.

Den största tillgänglighetsskillnaden är att DeepSeek är nedladdningsbar och Gemini inte är det, medan Gemini är den med en konsumentapp och en hanterad företagsplattform. ID:n du skriver är deepseek-flash och gemini-3.8-flash; det äldre namnet deepseek-v4-flash fungerar fortfarande men servas av V4.1 Flash.

Göra ditt första API-anrop

SDK:erna skiljer sig, så detta är inte ett byte av en sträng. DeepSeeks endpoint är kompatibel med OpenAI, vilket betyder att standardklienten openai fungerar med ändrad bas-URL, medan Gemini 3.8 Flash använder google-genai Interactions API med en inställning thinking_level istället för samplingparametrar.

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)

För fullständig setup, PDF-extrahering och funktionsanrop på Gemini, följ vår API-handledning för Gemini 3.8 Flash; för DeepSeeks tänkeläge och en lokal driftsättning av föregående generation, se vår DeepSeek V4 API-handledning och vår guide till att köra DeepSeek V4 Flash med Unsloth Studio och OpenCode.

Avslutande tankar

Om din arbetslast är kodningsagenter, batchjobb eller något som läser om långa prefix, använd DeepSeek V4.1 Flash: den är jämbördig med Gemini 3.8 Flash på publicerade agentiska benchmark, den vann vårt bygga-test på 2 vändor, och den kostar en tredjedel så mycket före Geminis prishöjning i januari. Om dina indata är ljud, video eller PDF:er, eller om du vill ha grundning, kodkörning och datoranvändning från en hostad endpoint, använd Gemini 3.8 Flash och acceptera premien.

Vill du bygga agentsystem runt modeller som dessa, täcker vår Associate AI Engineer for Developers-track API:er, verktygsanvändning och Model Context Protocol på 29 timmar, och vår kurs Building AI Agents with Google ADK är en 1-timmes start på Gemini-sidan.