MiniMax-M2.7 vs DeepSeek-V4-Flash: chọn cái nào cho tác vụ của bạn

Agent của bạn chạy mười phút, hóa đơn đến, và giờ bạn tự hỏi liệu mô hình rẻ kia có làm cùng công việc với chi phí thấp hơn không. Đây là phiên bản ngắn gọn. Nếu câu trả lời của bạn ngắn và prompt nằm trong 180K token, cả hai mô hình đều phù hợp trên lý thuyết, nên chi phí khối lượng công việc của bạn sẽ quyết định. Nếu bạn cần một câu trả lời dài hơn 8.192 token, hoặc hơn 180K ngữ cảnh, hãy chọn DeepSeek-V4-Flash. Cả hai đều nằm sau một key và một base_url, nên bạn có thể chạy tác vụ của riêng mình trên từng mô hình và xem các con số.

Thông số kỹ thuật, từ dữ kiện API của CheapTokens (26 tháng 10 năm 2026):

• MiniMax-M2.7 (trọng số mở, 229B tham số theo trang Hugging Face của nó): id MiniMaxAI/MiniMax-M2.7, ngữ cảnh 180K, tối đa 8.192 token đầu ra mỗi câu trả lời.
• DeepSeek-V4-Flash, bản phát hành 0731: id deepseek-ai/DeepSeek-V4-Flash-0731, ngữ cảnh 380K, tối đa 32.768 token đầu ra mỗi câu trả lời.

Cả hai đều hỗ trợ OpenAI Chat Completions và Anthropic Messages tại https://api.cheaptokens.dev/v1 (Anthropic SDK và Claude Code dùng cùng địa chỉ mà không cần /v1). Mỗi mô hình có một mức giá cố định, không có giờ cao điểm, và một số dư bao trùm mọi mô hình. Giá hiện tại nằm trên trang giá; trong bài này chúng lấy từ thẻ giá trực tiếp, nên luôn là giá của hôm nay.

Mô hình nào cho công việc nào#

Hai con số phân chia lựa chọn là mô hình đọc bao nhiêu và có thể viết bao nhiêu trong một lần.

Giờ đến tiền, trên ba khối lượng công việc.

Trường hợp 1: bot hỗ trợ với 1.000 yêu cầu mỗi ngày#

Giả sử bạn chạy một bot hỗ trợ với 1.000 ticket mỗi ngày. Mỗi yêu cầu mang theo system prompt, vài đoạn trích từ knowledge base và các tin nhắn gần nhất, khoảng 1.500 token đầu vào. Câu trả lời khoảng 250 token. Đây là chi phí một ngày trên mỗi mô hình, với OpenRouter bên cạnh:

Hãy đọc tổng, không phải các cột. Một yêu cầu được tính cho cả đầu vào và đầu ra, và trong hình dạng này đầu vào gấp sáu lần đầu ra. Tổng cộng, khi tính cả đầu vào và đầu ra, cả hai mô hình đều rẻ hơn OpenRouter. Để tham khảo, giá của OpenRouter trên mỗi 1M token ngày 26 tháng 10 năm 2026: MiniMax-M2.7 $0.30 vào / $1.20 ra, DeepSeek-V4-Flash $0.0475 vào / $0.1568 ra.

Trường hợp 2: vòng lặp agent nơi đầu vào tích tụ#

Các công cụ agent như OpenClaw, Cline hay Aider gửi lại ngữ cảnh làm việc ở mỗi bước: các tệp chúng đã đọc, kết quả công cụ, lịch sử đến thời điểm đó. Giả sử trung bình 40.000 token đầu vào và 600 token đầu ra mỗi bước (một lệnh gọi công cụ và một bình luận ngắn), và 200 bước trong một phiên làm việc:

Đó là điểm mấu chốt với vòng lặp agent: bạn trả tiền cho những gì mô hình đọc lại, không phải những gì nó viết. Đầu vào ở đây gấp hơn sáu mươi lần đầu ra, nên phần đầu vào của bảng gánh hóa đơn.

Điều quan trọng khác trong một vòng lặp là ngữ cảnh kết thúc ở đâu. Một phiên trên kho lưu trữ lớn lớn dần theo từng bước; MiniMax-M2.7 giữ tối đa 180K, DeepSeek-V4-Flash tối đa 380K. Nếu các phiên của bạn thường xuyên vượt quá 180K, cửa sổ lớn hơn giúp bạn khỏi phải cắt lịch sử bằng tay. Để biết một ngày làm việc với agent trên nhiều mô hình hơn, xem mô hình rẻ nhất cho OpenClaw.

Trường hợp 3: một tệp dài trong một câu trả lời#

Giờ là hình dạng ngược lại. Bạn yêu cầu một bộ test hoàn chỉnh cho một module trong một câu trả lời, và nó khoảng 20.000 token. Một câu trả lời trên MiniMax-M2.7 giữ tối đa 8.192 token, nên một yêu cầu như thế dừng giữa tệp, và API cho bạn biết điều đó: finish_reason trả về là length thay vì stop. DeepSeek-V4-Flash nhận tối đa 32.768 token trong một câu trả lời, nên cả tệp vừa trong một lệnh gọi. Với prompt 6.000 token, lệnh gọi đó tốn $0.0021.

Những câu trả lời kết thúc thấp hơn nhiều so với 8.192 token vừa cả hai mô hình: một hàm, một diff, một JSON trích ra từ tài liệu, một phản hồi ticket. Ở đây tổng quyết định. Cùng prompt 6.000 token, cùng câu trả lời 2.000 token, nên hãy so sánh các hàng:

Nếu bạn muốn chi tiết về phía câu trả lời dài, bản khởi động nhanh DeepSeek-V4-Flash bao gồm streaming và đầu ra dài, và bài viết về giá MiniMax-M2.7 có phần giá.

Thử cả hai trên prompt của riêng bạn#

Bài kiểm tra sạch nhất là cùng một yêu cầu gửi đến cả hai mô hình. Chỉ trường model thay đổi.

Xuất key của bạn thành CHEAPTOKENS_API_KEY (thiết lập nằm trong tài liệu) và chạy:

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.cheaptokens.dev/v1",
    api_key=os.environ["CHEAPTOKENS_API_KEY"],
)

MODELS = [
    "MiniMaxAI/MiniMax-M2.7",
    "deepseek-ai/DeepSeek-V4-Flash-0731",
]
PROMPT = "Write a Python function that parses ISO 8601 dates and returns a datetime. Add three tests."

for model in MODELS:
    r = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": PROMPT}],
        max_tokens=4000,
    )
    print(model)
    print("  finish_reason:", r.choices[0].finish_reason)
    print("  tokens in/out:", r.usage.prompt_tokens, r.usage.completion_tokens)

Bạn nhận được hai khối ngắn: id mô hình, finish_reason và hai số đếm token từ trường usage. Nhiều khả năng finish_reason là stop, nghĩa là mô hình tự kết thúc; nếu là length, mô hình đã chạm max_tokens, nên hãy tăng nó lên. Đặt số đếm của riêng bạn bên cạnh mức giá trực tiếp trên trang giá và bạn có chi phí tác vụ của mình trên mỗi mô hình, không phải mức trung bình từ một bài viết. Thẻ mô hình của MiniMax trên Hugging Face (kiểm tra ngày 26 tháng 10 năm 2026) khuyến nghị temperature 1.0 và top_p 0.95 cho M2.7, nên thêm hai tham số đó vào lệnh gọi M2.7 nếu bạn muốn cài đặt của nhà sản xuất.

Nếu nó không hoạt động#

• Không tìm thấy mô hình. Dùng id đầy đủ từ danh sách trên. Các tên ngắn như minimax-m2.7 là nhãn cho thẻ giá; API nhận MiniMaxAI/MiniMax-M2.7 và deepseek-ai/DeepSeek-V4-Flash-0731.
• Kết nối thất bại. Với OpenAI SDK, địa chỉ kết thúc bằng /v1. Với Anthropic SDK và Claude Code thì không.
• Câu trả lời kết thúc giữa câu. Kiểm tra finish_reason. Nếu là length, hãy tăng max_tokens đến giới hạn của mô hình, hoặc chuyển tác vụ sang DeepSeek-V4-Flash khi bạn cần hơn 8.192 token.

Cả hai mô hình cũng có trên các trang DeepSeek và MiniMax nếu bạn muốn góc nhìn sản phẩm.