Nós colocamos Muse Spark 1.3, Semente 2.1 Turbo, Prévia do Passo 5 e DeepSeek V4.1 Flash Um contra o outro em quatro testes de codificação one-shot, todos rodando em EmpirioLabs. Mesma indicação para cada um, uma tentativa, sem edições ou tentativas, e todos os resultados renderizados ao vivo em um navegador real.
Assista à comparação entre quatro
Especificações em um olhar
| Muse Spark 1.3 | Semente 2.1 Turbo | Prévia do Passo 5 | DeepSeek V4.1 Flash | |
|---|---|---|---|---|
| Criador | Meta | ByteDance | StepFun | DeepSeek |
| Janela de contexto | 1.048.576 fichas | 229.093 fichas | 1.024.000 tokens | 1.000.000 de fichas |
| Entrada | Texto, imagens, vídeos e documentos | Texto, imagens e vídeo | Texto, imagens e vídeo | Texto e imagens |
| Esforço de fundamentação | Até o máximo | Até o máximo | Até o máximo | Até o máximo |
| Saída estruturada | Esquema JSON Estrito | Esquema JSON Estrito | Esquema JSON Estrito | Modo JSON |
| Preço de entrada | $1.25 por 1M de tokens | $0.63 por 1M de tokens | $1.00 por 1M de tokens | $0.20 por 1M de tokens |
| Preço de produção | $4.25 por 1M de tokens | $3.13 por 1M de tokens | $2.70 por 1M de tokens | $0.80 por 1M de tokens |
Como administramos
Cada modelo recebia o mesmo prompt para quatro tarefas: construir o protetor de tela do DVD saltitante em um único arquivo HTML; construir um hamster rodando em uma roda em um único arquivo HTML; construir uma máquina de bolhas em um único arquivo HTML; construir vaga-lumes sobre um lago ao anoitecer em um único arquivo HTML. Cada tarefa pedia um único arquivo HTML autônomo sem bibliotecas externas que se animasse sozinho. Todos os quatro modelos rodavam em reasoning_effort: "Max" com um orçamento de saída de 65.536 tokens, one shot, sem tentativas. As contagens de linhas e as leituras de tokens-per-second em cada painel são medidas a partir das chamadas reais da API, e cada resultado é o arquivo retornado pelo modelo, renderizado como está.
O que observar
O Flash DeepSeek V4.1 retornou seus arquivos mais rápido (cerca de 130 tokens por segundo), escreveu o mais longo (cerca de 760 linhas em média) e usou o maior número de tokens de saída (cerca de 36.000 por tarefa, incluindo seu raciocínio); Passo 5 Prévia escreveu o mais compacto, cerca de 450 linhas. Observe como cada modelo dá vida à sua cena: o movimento, o detalhe e como ele continua rodando sozinho. Não estamos declarando um vencedor. Rode o clipe e avalie as saídas para seu próprio caso de uso.
Faça o mesmo teste no EmpirioLabs
curl https://api.empiriolabs.ai/v1/chat/completions \ -H "Autorização: Portador $EMPIRIOLABS_API_KEY" \ -H "Tipo-de-Conteúdo: application/json" \ -d '{ "modelo": "muse-spark-1-3", "reasoning_effort": "max", "mensagens": [{"role": "user", "content": "Construa o protetor de tela do DVD saltando em um único arquivo HTML."}] }'
Troca modelo para seed-2-1-turbo, step-5-preview ou deepseek-v4-1-flash para rodar a mesma solicitação contra os outros, ou tentá-los interativamente no playground.
Perguntas frequentes
Os resultados foram editados ou retentados?
Não. Cada modelo teve uma tentativa por tarefa com o mesmo prompt, e o resultado renderizado é exatamente o arquivo que ele retornou.
Por que maximizar a lógica?
Um confronto justo mostra cada modelo em seu melhor. Os quatro exibem um controle reasoning_effort sobre EmpirioLabs, então todos rodaram na configuração mais alta.
Qual modelo devo usar?
DeepSeek V4.1 Flash tem o menor preço de saída dos quatro aqui. Execute sua própria carga de trabalho em cada um antes de decidir: a mesma solicitação funciona para os quatro com apenas o nome do modelo alterado.




