DeepSeek V4 Flash 0423илиgpt-oss-120b
Главная разница — качество с рассуждениями: 42.1 против 24.1 по независимому индексу. Ниже — счёт по трём источникам: что заявили поставщики, что намерила независимая лаборатория и что мы видим на реальных запросах. Переключатель «что важнее» меняет счёт — проверьте свой расклад.
- Поставщик карточки моделей и правила кэша
- Лаборатория Artificial Analysis, одна методика на обе
- Hubris наши реальные запросы за 30 дней
Сводная оценка Лаборатория Hubris
Одно число на модель от 0 до 100: качество, скорость, цена, кэш и возможности, нормированные по всему каталогу. Засечки — остальные модели на той же шкале.
DeepSeek опережает gpt-oss-120b на 11 % по сводной оценке при выбранных весах. Из чего складывается — в раундах ниже.
Счёт по раундам 80 : 68
Раунд 1 из 11
Качество с рассуждениями
Качество мы не измеряем — это цифры независимой лаборатории: девять тестов одной методикой на обе модели, рассуждения включены на максимум. Шкала от 0 до 100.
Индекс интеллекта Лаборатория
Artificial Analysis, индекс v4. Замеры: DeepSeek V4 Flash (Reasoning, Max Effort), gpt-oss-120b (high).
Лаборатория ещё не измерила DeepSeek V4 Flash 0423 в этом режиме — раунд в счёт не идёт.
Раунд 2 из 11
Качество без рассуждений
В чате, поддержке и массовых задачах думать некогда — рассуждения выключены. Здесь картина часто другая.
Индекс интеллекта Лаборатория
Та же методика, режим без рассуждений.
Лаборатория ещё не измерила DeepSeek V4 Flash 0423 в этом режиме — раунд в счёт не идёт.
Раунд 3 из 11
Код
Задачи из настоящих репозиториев и соревновательный код. У разных моделей лаборатория успела измерить разное — в счёт идут те тесты, что есть у обеих.
Кодинг Лаборатория
Сводный индекс кодинга (0–100) и отдельные тесты в процентах решённых задач.
Лаборатория ещё не измерила DeepSeek V4 Flash 0423 в этом режиме — раунд в счёт не идёт.
Сторонние лидерборды SWE-bench · LMArena
Справочно, в счёт раунда не идут: методика у каждого своя. У SWE-bench результат — это связка модели с конкретным агентом, поэтому рядом указаны агент и год лучшего известного прогона.
Раунд 4 из 11
Математика
Счёт, доказательства и олимпиадные задачи. Полезно там, где ответ либо верный, либо нет: аналитика, финансы, инженерные расчёты.
Математика Лаборатория
Сводный индекс (0–100) и доля решённых олимпиадных задач.
Лаборатория ещё не измерила DeepSeek V4 Flash 0423 в этом режиме — раунд в счёт не идёт.
Лаборатория ещё не измерила DeepSeek V4 Flash 0423 в этом режиме — раунд в счёт не идёт.
Раунд 5 из 11
Инструменты и агент
Модель в роли агента: вызвать нужный инструмент, довести многошаговый диалог до результата, поработать в терминале. Именно это отличает модель для агентского клиента от модели для чата.
Инструменты и терминал Лаборатория
Доля доведённых до конца сценариев.
Раунд 6 из 11
Следование инструкциям
Делает ли модель ровно то, о чём просили: держит формат, не добавляет лишнего, соблюдает ограничения. От этого зависит, придётся ли разбирать ответ костылями.
Следование инструкциям Лаборатория
Доля заданий, где все требования соблюдены.
Раунд 7 из 11
Длинный контекст
Большое окно контекста и умение им пользоваться — разные вещи. Здесь проверяется второе: рассуждения по длинному тексту, а не размер окна из карточки.
Рассуждения на длинном контексте Лаборатория
Доля верных ответов по длинному тексту. Размер окна — в раунде «Возможности».
Раунд 8 из 11
Скорость
Пауза до первого слова и скорость письма. Очки — по нашим данным, это то, что вы получите на практике.
Один и тот же запросHubris
Проигрываем ответ на измеренной скорости: пауза до первого слова, потом письмо. Длина ответа одинаковая, иначе модели несравнимы.
Раунд 9 из 11
Цена
В рублях, за миллион токенов. Списывается по факту — за то, что реально отправили и получили.
Прайс и реальный средний чек Hubris
Первые две колонки — ставки каталога. Третья — сколько в среднем стоит один запрос нашим пользователям к этой модели.
| Модель | Входные токеныто, что вы отправили | Ответ моделито, что она написала | Типичный запроссредний по нашим пользователям |
|---|---|---|---|
| DeepSeek V4 Flash 0423 | 11,13 | 22,25 | 0,12 |
| gpt-oss-120b | 4,68 | 21,48 | 0,06 |
| Разница | в 2,4 разав пользу gpt-oss-120b | вровень | вдвоев пользу gpt-oss-120b |
Раунд 10 из 11
Кэш
Если начало промпта повторяется от запроса к запросу — системная инструкция, приложенный документ, история переписки, — эта часть считается со скидкой. Включается она у моделей по-разному, и на этом легко потерять деньги.
Правила кэширования Поставщик
Скидка применяется автоматически — Hubris списывает по фактической цене исполнения, в которой кэш уже учтён.
Повторяющееся начало промпта кэшируется само. Ничего помечать не нужно: если первые токены совпадают с недавним запросом, скидка 80 % применится сама.
Повторяющееся начало промпта кэшируется само. Ничего помечать не нужно: если первые токены совпадают с недавним запросом, скидка 90 % применится сама.
cached_tokens.Раунд 11 из 11
Возможности
Контекст, что принимает на вход, рассуждения, приватность, надёжность. За каждый пункт — очки по одной шкале.
- ✓Контекст 1,05 млн токенов
- —Картинки не принимает
- —Файлы не принимает
- ✓Умеет рассуждать перед ответом
- ✓Не обучается на ваших данных
- ✓Доля неудачных запросов 0,4 %
- ✓Контекст 131 тыс. токенов
- —Картинки не принимает
- —Файлы не принимает
- ✓Умеет рассуждать перед ответом
- ✓Не обучается на ваших данных
- ✓Доля неудачных запросов 0,0 %
Итог
Кто победил
Коротко
Плюсы и минусы
Преимущества каждой модели над другой — из тех же данных, что и раунды, в процентах и секундах.
- пишет на 29 % быстрее
- качество с рассуждениями выше на 43 %
- контекст больше на 88 %
- дешевле в 2,4 раза на входе
- первое слово на 2,3 с раньше
Выбор
Когда какую брать
Обе доступны по одному ключу — переключиться можно на любом запросе, поменяв одну строку.
- Самая дешёвая обработка текста: суммаризация, теги, черновики
- Фоновые задачи, где секунда ожидания ничего не стоит
- Эксперименты и прототипы — ошибка стоит копейки
- Сложные задачи, где модели дают подумать: код, анализ, агенты
Слабое место: поставщик оставляет право учиться на присланном — не для рабочих документов.
- Массовые задачи, где счёт за токены — главная статья расходов
- Диалог с людьми: первое слово появляется раньше
Вопросы
Что обычно спрашивают
Почему gpt-oss-120b дешевле в 2,4 раза — он хуже?
По независимому индексу с рассуждениями — 42.1 против 24.1; второй режим лаборатория для одной из моделей ещё не измерила. Цена отражает размер модели и объём вычислений на ответ; проверьте на своих данных, заметна ли разница именно в вашей задаче.
Какая модель лучше для написания кода?
По независимому индексу с рассуждениями — 42.1 против 24.1. На практике для больших проектов берут ту, что лучше держит длинный контекст задачи; DeepSeek здесь предпочтительнее, а для мелких правок и массовых операций важнее скорость и цена.
Что такое кэш промптов и почему это важно?
У обеих кэш включается сам: если начало промпта совпадает с недавним запросом, эта часть считается со скидкой. Ничего помечать не нужно.
Откуда взяты цифры скорости?
Это наши измерения по успешным запросам через Hubris за последние 30 дней, а не заявления поставщиков: время до первого слова и скорость письма от начала до конца ответа. В паузу входит и наш участок пути. Лабораторная дорожка рядом — Artificial Analysis, прямой API одним промптом: это потолок, наша цифра — то, на что стоит рассчитывать.
Можно ли переключаться между моделями?
Да, обе доступны по одному ключу. Чтобы сменить модель, достаточно поменять её идентификатор в запросе — ни отдельного договора, ни второго ключа не нужно.
Дальше
Другие сравнения
Каждая из этих двух — против соседей по каталогу. Любую пару можно собрать в выборе наверху страницы.
Источники: DeepSeek V4 Flash (Reasoning, Max Effort) и gpt-oss-120b (high) — Artificial Analysis, 2026-09-04; цены, контекст и модальности — каталог Hubris, 2026-09-04; скорость и средний чек — запросы через Hubris за 30 дней.