DeepSeek V4 Flash (0731) vs MiniMax M3
Welches und wann — kuratiertes Fazit, keine Benchmark-Tabelle
Sowohl deepseek-v4-flash-0731 als auch minimax-m3 sind Text-Out-Modelle mit einem Kontext von 1000000 Token und nahezu identischen Input-Preisen von $0.308 und $0.3 pro Million, daher liegt die Unterscheidung bei Output und Wiederverwendung: minimax-m3 berechnet $1.2 pro Million Output-Token, was etwa 1.3x so viel ist wie die $0.924 von deepseek-v4-flash-0731, und seine Cache-Reads für $0.06 entsprechen etwa 1.9x der Rate von $0.0308. Wählen Sie deepseek-v4-flash-0731 für großvolumigen Text-Chat, Code und Reasoning, bei denen Output und Cache-intensive Schleifen die Rechnung dominieren. Wählen Sie minimax-m3, wenn Sie Bild- oder Video-Input, einen maximalen Output von 524288 Token oder die Option benötigen, das Thinking zu deaktivieren.
Preise
| DeepSeek V4 Flash (0731) | MiniMax M3 | Δ | |
|---|---|---|---|
| Input / 1M Token | $0.308 | $0.3 | 1× |
| Output / 1M Token | $0.924 | $1.2 | 0.77× |
| Cache-Read / 1M Token | $0.0308 | $0.06 | 0.51× |
| Cache-Schreiben | keine separate Gebühr | keine separate Gebühr | — |
Preise aus dem Live-Katalog zum Zeitpunkt des Builds; jede Modellseite enthält die aktuelle Übersicht.
Wo sie stehen — Eingabepreis pro 1M Tokens über alle 63 Chat-Modelle mit dieser Abrechnungseinheit (logarithmische Skala)
Fähigkeiten
| DeepSeek V4 Flash (0731) | MiniMax M3 | |
|---|---|---|
| Tool-Nutzung | ja | ja |
| Thinking-Kontrolle | ja — Regler des Anbieters nicht veröffentlicht | konfigurierbar |
| Strukturierte Ausgabe | ja | — |
| Prompt-Caching | implizit (automatisch) | implizit (automatisch) |
| Cache-Lebensdauer | no fixed TTL (evicted when unused) | nicht veröffentlicht |
| Minimales gecachtes Präfix | nicht veröffentlicht | 512 Tokens |
Spezifikationen
| DeepSeek V4 Flash (0731) | MiniMax M3 | |
|---|---|---|
| Input-Modalitäten | Text | Text Bild Video |
| Ausgabemodalitäten | Text | Text |
| Veröffentlicht | 2026-07-31 | 2026-06-01 |
| Kontextfenster | 1M | 1M |
| Maximaler Output | 393K | 524K |
| Thinking-Parameter | — |
|
| Zulässige Werte | — | thinking.type
reasoning_split
|
| Standardwert | — | adaptive: thinking on, with the model deciding when extra reasoning helps |
Die Spezifikationen sind aus der Dokumentation der jeweiligen Anbieter übernommen; eine Zeile, die ein Anbieter nicht veröffentlicht, wird weggelassen und nicht abgeleitet. Vollständige Quellen: DeepSeek V4 Flash (0731) · MiniMax M3
Ein Prompt, beide Modelle — gemessen über das Gateway
DeepSeek V4 Flash (0731) bestanden · 3 sentences
Enabling reasoning mode prompts the model to generate extensive internal chain-of-thought tokens before answering, often multiplying total token output per query by several times. This directly inflates costs because we are billed per token, and these reasoning tokens are processed at a premium compute tier that carries a higher price per million tokens. However, this spend buys measurably higher accuracy and fewer failed calls, so we are tracking it against specific error-reduction KPIs to ensure the ROI justifies the increase.
Ausgabe 365 tok (+266 Denken) Latenz 5.1 s
MiniMax M3 bestanden · 3 sentences
Reasoning-enabled models deliberately produce extensive internal "chain-of-thought" tokens before answering, often consuming 5–10x more tokens per query than a standard model. Because LLM providers bill per token for both that reasoning trace and the final response, your cost-per-query rises proportionally—and that multiplier is the primary driver of the doubled bill. The right response isn't to disable reasoning, but to route only genuinely complex queries to it while keeping routine traffic on the cheaper standard tier, which typically recovers 60–80% of the cost without sacrificing quality where it matters.
Ausgabe 665 tok (+548 Denken) Latenz 5.7 s
Befolgen der Anweisung (genau drei Sätze — abzählbar), Zuschnitt auf das Publikum (CFO-Register), und die Abrechnungslücke durch verstecktes Denken, die die Token-Zähler unten offenlegen.
DeepSeek V4 Flash (0731) bestanden · 8/8 cases
```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 best = max(best, cur) else: cur = 1 return best ``` The original bug stems from initializing `cur` to 0 and only incrementing it when adjacent elements are equal, which counts the number of *equal transitions* rather than the actual run length—so every run of length L is reported as L−1, and a single‑element run (with no transitions) yields 0. Moreover, because `best` is updated only inside the equality branch, it never accounts for a run that ends at the last element if that run is longer than any previously seen (though the real issue remains the off‑by‑one). […]
Ausgabe 1268 tok (+1016 Denken) Latenz 14.0 s
MiniMax M3 bestanden · 8/8 cases
The bug is in the loop bound: `range(1, len(xs))` iterates from index 1 up to but not including `len(xs) - 1`... wait, actually it goes up to `len(xs) - 1`, so the last index is included. The real problems are two: 1. **Starting `best` and `cur` at 0** and iterating from index 1 means a single-element list (`len(xs) == 1`) never enters the loop, so the function returns `0` instead of `1`. The fix is to either seed `best = cur = 1` when `xs` is non-empty, or include index 0 in the loop logic. 2. **Missing the final run**: the function only updates `best` *inside* the loop when it finds a continuation. If the longest run ends at the very last element, the loop body never gets to compare it after the increment — actually it does, but only if the run is longer than the previous `best`. […]
Ausgabe 464 tok Latenz 7.9 s
Ob der Fix tatsächlich korrekt ist (ausführbar), die Dichte der Erklärung, und die Token-Effizienz bei einer klar begrenzten Aufgabe.
DeepSeek V4 Flash (0731) bestanden · 5/5 fields, guidance null
{ "company": "Meridian Robotics", "quarter": "Q3", "revenue_usd_m": 412, "growth_pct": null, "guidance": null }
Ausgabe 1119 tok (+1072 Denken) Latenz 12.3 s
MiniMax M3 bestanden · 5/5 fields, guidance null
```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null } ```
Ausgabe 2212 tok (+2161 Denken) Latenz 23.3 s
Schema-Treue (keine erfundenen Felder), Halluzinationsdruck (guidance wird ausdrücklich zurückgehalten), und Unterschiede im Pfad für strukturierte Ausgabe.
DeepSeek V4 Flash (0731) verfehlt · 141 words, 0 banned, 1 question
**Introducing Prompt Cache for API Gateway** We are pleased to announce Prompt Cache, a new feature that stores and reuses identical prompt prefixes across all connected LLM providers. By automatically recognizing repeated requests, this cache reduces token consumption and lowers latency without altering your application logic. Whether you use OpenAI, Anthropic, or open-source models, the cache operates transparently, ensuring consistent behavior while cutting costs. Developers can configure cache TTL and scoping rules via a simple API call, giving you precise control over data freshness and privacy. This feature also minimizes redundant upstream calls, freeing provider rate limits for more critical workloads. Start caching today through the dashboard or CLI, and watch your operational expenses drop significantly. […]
Ausgabe 254 tok (+80 Denken) Latenz 4.4 s
MiniMax M3 bestanden · 120 words, 0 banned, 1 question
Introducing PromptCache, our new API gateway feature that caches prompts across multiple LLM providers. Developers can store prompt-completion pairs centrally, reducing redundant inference calls and lowering costs without sacrificing quality. How will your workflow change when repeated requests resolve instantly from a shared cache layer? The gateway intercepts outgoing requests, checks for matching prompt fingerprints, and serves previously generated completions when available, falling back to the original provider on misses. Compatible with OpenAI, Anthropic, Cohere, and custom endpoints, PromptCache integrates with existing routing rules and supports TTL, versioning, and per-tenant namespaces. Teams now gain predictable latency, reduced token spend, and improved throughput during traffic spikes today. […]
Ausgabe 3256 tok (+2892 Denken) Latenz 21.5 s
Einhaltung der Vorgaben (Wortbudget, Liste verbotener Wörter, die eine Frage), Stil-Fingerabdruck, und Längensteuerung.
Mit einer Zeile zwischen ihnen wechseln
Beide IDs befinden sich in jedem Tab unten — das hervorgehobene Zeilenpaar ist die einzige Änderung. Gleicher Endpunkt, gleicher Schlüssel, gleiche Request-Struktur.
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="deepseek-v4-flash-0731",
# model="minimax-m3", # diese Zeile einkommentieren, die darüberliegende auskommentieren
messages=[{"role": "user", "content": "Summarize this diff"}],
reasoning_effort="medium",
)
print(resp.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.chat.completions.create({
model: "deepseek-v4-flash-0731",
// model: "minimax-m3", // diese Zeile einkommentieren, die darüberliegende auskommentieren
messages: [{ role: "user", content: "Summarize this diff" }],
reasoning_effort: "medium",
});
console.log(resp.choices[0].message.content);curl https://synthorai.io/v1/chat/completions \
-H "Authorization: Bearer sk-syn-..." \
-H "Content-Type: application/json" \
-d '{
"model": "deepseek-v4-flash-0731",
# "model": "minimax-m3", # diese Zeile einkommentieren, die darüberliegende auskommentieren
"messages": [{"role": "user", "content": "Hello"}],
"reasoning_effort": "medium"
}'package main
import (
"context"
"fmt"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
Model: "deepseek-v4-flash-0731",
// Model: "minimax-m3", // diese Zeile einkommentieren, die darüberliegende auskommentieren
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
ReasoningEffort: openai.ReasoningEffortMedium,
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
ChatCompletion resp = client.chat().completions().create(
ChatCompletionCreateParams.builder()
.model("deepseek-v4-flash-0731")
// .model("minimax-m3") // diese Zeile einkommentieren, die darüberliegende auskommentieren
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));FAQ
Welches ist günstiger, DeepSeek V4 Flash (0731) oder MiniMax M3?
MiniMax M3 ist günstiger bei input / 1m token ($0.3 vs. $0.308, 1.0× Unterschied). Andere Zeilen können in die andere Richtung deuten — die obige Tabelle enthält alle Daten, und die tatsächlichen Kosten hängen von Ihrem Mix ab.
Kann ich DeepSeek V4 Flash (0731) gegen MiniMax M3 ohne zwei Integrationen A/B-testen?
Ja. Beide werden über denselben OpenAI-kompatiblen Endpunkt mit einem API-Schlüssel bereitgestellt — der Wechsel ist eine einzeilige Änderung des Modell-Strings, sodass Sie einen Bruchteil des Traffics an jedes Modell leiten und die Rechnungen direkt vergleichen können.
Unterstützen DeepSeek V4 Flash (0731) und MiniMax M3 Prompt-Caching?
Ja — beide berechnen Cache-Reads günstiger als ihre Eingaberate, sodass Warm-Prefix-Workloads weniger kosten, als die Listenpreise vermuten lassen. Die genauen Zeilen für Cache-Reads befinden sich in der obigen Preistabelle.