DeepSeek V4.1 Flash: a nova revolução em desempenho e preço da IA chinesa
Escrito por Gab
Índice
DeepSeek V4.1 Flash é apresentado por @kimmonismus como uma evolução particularmente rápida, apenas seis semanas após a atualização V4-Flash de julho. Sua publicação retoma os números mais relevantes: uma arquitetura Causal Encoder Decoder, 552 bilhões de parâmetros MoE, dos quais 8 bilhões ativos na entrada e 16 bilhões durante a geração, além de um KV cache reduzido a um quarto da HBM e a um oitavo do armazenamento SSD da geração anterior. Ele acrescenta que a DeepSeek passaria agora a superar o DeepSeek V4 Pro em capacidade, custo e velocidade, e que o tráfego do V4 Pro deverá ser temporariamente encaminhado para o V4.1 Flash a partir de 14 de setembro.
Essa leitura é, de modo geral, fiel ao anúncio, mas enfatiza principalmente o ritmo dos lançamentos e o salto do produto. A thread oficial apresenta um panorama mais completo: os ganhos não são atribuídos apenas à arquitetura, mas também a novos métodos de pré-treinamento e a um pós-treinamento por RL realizado em maior escala. Acima de tudo, por trás do discurso sobre um modelo Flash “mais inteligente, mais rápido e mais eficiente”, a mudança mais relevante do ponto de vista operacional diz respeito à memória necessária para inferências longas, uma questão decisiva para os agentes de IA.
O gráfico compartilhado por @kimmonismus mostra, aliás, uma realidade menos uniforme do que sugere a narrativa de marketing: o DeepSeek V4.1 Flash é competitivo em várias avaliações, mas não domina sistematicamente os modelos de ponta no Terminal-Bench.
A publicação de @kimmonismus, feita em 10 de setembro, baseia-se explicitamente na thread da conta oficial da DeepSeek. Esse ponto é importante: os números, a migração dos endpoints e as promessas de desempenho vêm, antes de tudo, da desenvolvedora do modelo, e não do analista que os sintetizou.
Esta é a publicação original, feita pela DeepSeek algumas horas antes:
A thread oficial: uma nova família, não uma simples atualização Flash
Em sua primeira mensagem, a @deepseek_ai apresenta o V4.1 Flash como “o menor modelo da nossa nova família de arquiteturas”, com compreensão visual nativa. O posicionamento é claro: o Flash deixa de ser apenas uma versão mais leve e passa a ser o primeiro modelo de uma família concebida para velocidade, taxa de processamento e escalabilidade.
A segunda parte da thread detalha a arquitetura. O DeepSeek V4.1 Flash baseia-se em um MoE de 552 bilhões de parâmetros, mas não mobiliza toda a rede em cada etapa. Segundo a DeepSeek, apenas 8 bilhões de parâmetros ficam ativos durante o processamento da entrada, passando para 16 bilhões durante a geração.
Essa assimetria constitui o núcleo da arquitetura Causal Encoder Decoder. O processamento do contexto e a produção de novos tokens deixam de ter o mesmo custo e não utilizam exatamente os mesmos recursos. Para aplicações que exigem a leitura de um contexto volumoso antes de gerar uma resposta relativamente curta, essa separação pode melhorar a relação custo-desempenho.
A tabela oficial compara o V4.1 Flash com o V4 Pro 0813, o V4 Flash 0731 e vários concorrentes. Ela indica, em particular, 30,0 no Terminal-Bench 3.0, 31,2 no Terminal-Bench 4.0 e 74,2 no DeepSWE v1.1 para o V4.1 Flash.
Principais benchmarks do DeepSeek V4.1 Flash
| Benchmark | Pontuação anunciada para o V4.1 Flash | Interpretação |
|---|---|---|
| Terminal-Bench 3.0 | 30,0 | O V4.1 Flash supera o GLM 5.3 na tabela oficial. |
| Terminal-Bench 4.0 | 31,2 | O modelo permanece atrás do GLM 5.3, que registra 37,9. |
| DeepSWE v1.1 | 74,2 | Resultado destacado pela DeepSeek para tarefas de engenharia de software. |
A DeepSeek afirma que seus novos métodos de pré-treinamento, combinados com um pós-treinamento por RL mais ambicioso, colocam o modelo à frente de sistemas de referência, incluindo o DeepSeek V4 Pro. Esse esclarecimento é importante em relação ao resumo de @kimmonismus: a arquitetura é central, mas não explica, por si só, as pontuações reivindicadas.
A fórmula oficial é deliberadamente simples:
“KV cache menor. Mais economia.” @deepseek_ai
A promessa mais concreta do V4.1 Flash, portanto, não é necessariamente uma pontuação bruta superior, mas um custo de memória consideravelmente menor para cargas longas e repetitivas.
O KV cache da DeepSeek, a verdadeira alavanca para os agentes
O KV cache armazena as representações necessárias para evitar recalcular todo o contexto a cada token gerado. Essa memória é essencial para conversas longas, agentes que chamam ferramentas, workflows de código, pesquisas iterativas e sistemas que mantêm um histórico extenso.
A DeepSeek anuncia que o cache do V4.1 Flash agora exige apenas:
- Um quarto da HBM exigida pela geração anterior.
- Um oitavo do armazenamento SSD anteriormente necessário.
- Cerca de 890 bytes por token de cache global, contra 3.514 bytes para o V4 Flash, segundo o gráfico publicado pela empresa.
O gráfico oficial mostra uma queda espetacular desde o DeepSeek-V1: 389.120 bytes por token para o V1, 48.068 para o V3.2, 3.514 para o V4 Flash e, por fim, 890 para o V4.1 Flash.
Para um operador de agentes, esse ganho pode ser mais relevante do que uma diferença marginal em um benchmark. Os cache hits frequentemente representam uma parcela importante da fatura quando um agente reutiliza com frequência um contexto volumoso. Comprimir esse cache reduz tanto a pressão sobre a memória da GPU quanto a capacidade de armazenamento necessária em grande escala.
É precisamente isso que @datachad destaca nas respostas à publicação de @kimmonismus:
"a redução do kv-cache para um quarto da hbm é o que importa para a inferência local" @datachad
A observação é correta, mas precisa ser relativizada. Um KV cache DeepSeek mais compacto torna a auto-hospedagem de IA mais acessível para infraestruturas que já dispõem dos equipamentos necessários. No entanto, isso não transforma um modelo MoE de 552 bilhões de parâmetros em um software fácil de executar em um computador pessoal.
A DeepSeek reconhece isso indiretamente quando menciona implantações de uma escala completamente diferente:
"Planejando uma implantação em grande escala com 2.000 GPUs + um cluster de armazenamento? Vamos conversar." @deepseek_ai
O ganho de cache melhora significativamente a economia do serviço, mas não elimina a barreira de hardware relacionada ao tamanho do modelo.
O modelo e seu relatório técnico estão disponíveis na página do DeepSeek-V4.1-Flash no Hugging Face e no relatório técnico do DeepSeek V4.1. No entanto, o material disponível na thread não permite confirmar os detalhes apresentados por @UnslothAI em uma resposta sobre o « 196B engram ». Portanto, essa informação não deve ser tratada como uma especificação verificada sem a leitura direta do relatório técnico.
Uma transição de API que torna o Flash o produto padrão
O anúncio não se limita a promover um novo modelo. Ele também reorganiza a linha de produtos da DeepSeek.
A thread oficial informa que:
- V4 Flash e V4 Flash Vision Exp foram descontinuados.
- Os identificadores antigos
deepseek-v4-flashedeepseek-v4-flash-vision-expsão temporariamente redirecionados para o V4.1 Flash a fim de preservar a compatibilidade. - A partir de 14 de setembro de 2026, às 04:00 UTC, as requisições destinadas ao DeepSeek V4 Pro também serão roteadas para o V4.1 Flash.
- Essa situação deverá durar até o lançamento do V4.1 Pro.
- As requisições migradas do V4 Pro serão cobradas de acordo com as tarifas do V4.1 Flash.
Essa decisão vai muito além de uma comparação publicitária. A DeepSeek transforma o V4.1 Flash em seu produto de referência para a API antes mesmo da chegada do V4.1 Pro. Para as equipes que já utilizam a API, a migração reduz o risco de uma interrupção imediata. No entanto, ela não elimina a necessidade de revalidar as saídas, a latência, as chamadas de ferramentas, a visão nativa e o comportamento do modelo em produção.
@bygregorr resume o problema do ponto de vista dos desenvolvedores de aplicações:
"Seis semanas entre famílias de arquiteturas é um prazo curto para quem desenvolve com APIs." @bygregorr
A DeepSeek responde com compatibilidade transitória e com o roteamento dos identificadores antigos. Trata-se de uma resposta pragmática em termos de continuidade do serviço, mas não de uma garantia de equivalência funcional perfeita. Uma aplicação agêntica sensível a formatos de saída, chamadas de ferramentas ou políticas de raciocínio ainda precisará ser testada novamente.
A tabela de preços da DeepSeek apresenta valores distintos conforme o horário, por milhão de tokens. Fora dos horários de pico, ela indica 0,003 dólar para a entrada com cache, 0,15 dólar para a entrada sem cache e 0,6 dólar para a saída. Nos horários de pico, esses valores passam, respectivamente, para 0,006, 0,3 e 1,2 dólar.
A DeepSeek esclarece que os preços fora do horário de pico representam 50% dos preços de pico. Essa tabela reforça a vantagem econômica das cargas flexíveis, especialmente processamentos em lote, avaliações automatizadas ou tarefas agênticas assíncronas.
Uma publicação de terceiros de @ns123abc, mencionada na discussão mais ampla, relata uma execução cerca de 86 vezes mais barata por milhão de tokens e uma taxa de 420 a 507 tokens por segundo. Esses números podem contribuir para o debate, mas não constam no fio oficial fornecido. Portanto, devem ser considerados alegações de terceiros, dependentes do hardware, do tamanho do contexto, do nível de quantização e da carga testada, e não dados confirmados pela DeepSeek.
Terminal-Bench: um domínio anunciado, mas não um veredito universal
A DeepSeek afirma que “testes realizados por várias partes” colocam o V4.1 Flash à frente do V4 Pro em desempenho, custo, velocidade e tempo total de execução. Essa afirmação pode sustentar seu posicionamento comparativo, mas o fio não documenta suficientemente os protocolos, os provedores, as configurações de inferência ou a composição exata desses testes.
O principal ponto de atrito diz respeito ao Terminal-Bench, um benchmark particularmente acompanhado para avaliar capacidades agênticas no uso de computadores e em programação.
@Greg_GL_87 aponta uma aparente inconsistência entre duas versões da avaliação:
"a tabela mostra que ele perde no Terminal-Bench 4.0 para o GLM 5.3, por 31,2 contra 37,9, mas vence no 3.0. uma divisão estranha para duas versões da mesma avaliação" @Greg_GL_87
Essa crítica não recebeu resposta no fio. Ela é precisa e importante. A tabela oficial de fato exibe 31,2 para o V4.1 Flash no Terminal-Bench 4.0, enquanto @Greg_GL_87 compara essa pontuação aos 37,9 do GLM 5.3. Ao mesmo tempo, o V4.1 Flash obtém 30,0 no Terminal-Bench 3.0 e supera o GLM 5.3 nessa versão.
Um modelo pode superar o V4 Pro em vários indicadores sem ser a melhor opção para todas as tarefas de programação agêntica. Sem um protocolo detalhado, continua impossível determinar se a diferença entre o Terminal-Bench 3.0 e o 4.0 decorre das tarefas, dos ambientes, dos parâmetros de teste ou de algum outro fator metodológico.
@kryptosopus apresenta uma objeção mais ampla ao comparar o V4.1 Flash com o Claude Opus 5:
"Visão nativa integrada ao menor modelo, mas ele ainda perde no Terminal-Bench para o Opus 5 por 13 pontos. O Flash é claramente a aposta no 'barato e rápido', não na fronteira tecnológica. A linha sobre escalabilidade no final é o que realmente entrega isso" @kryptosopus
Essa interpretação não contradiz inteiramente a da DeepSeek. O V4.1 Flash pode ser melhor que o DeepSeek V4 Pro segundo várias métricas selecionadas pela empresa, permanecendo ao mesmo tempo atrás do Opus 5 em um determinado benchmark agêntico. O problema surge quando uma melhoria relativa dentro de uma linha de produtos é transformada em uma afirmação de supremacia global.
Reações: entusiasmo com o código aberto, cautela quanto ao produto e dúvidas sobre a futura versão Pro
As respostas ao fio oficial são amplamente entusiasmadas com a abertura do modelo e sua rápida integração. @MrAhmadAwais indica, por exemplo, que o V4.1 Flash já está disponível em sua oferta CommandCodeAI. @Presidentlin elogia sobretudo a contribuição da DeepSeek para o ecossistema de código aberto:
"Obrigado mais uma vez por impulsionar o código aberto" "Como sempre, impressionante" "Até onde vocês podem chegar?!!" @Presidentlin
A resposta vinha acompanhada de uma página de mangá que materializa essa mistura de fascínio e desafio diante do ritmo da DeepSeek.
@ParthM1001, por sua vez, resume o clima com uma metáfora culinária:
"A baleia preparou algo lindo de novo." @ParthM1001
As respostas à publicação de @kimmonismus são mais voltadas para o posicionamento da linha de produtos. @elshayib_ considera que a antiga versão Pro perdeu sua razão de ser:
"O V4 Pro meio que se tornou irrelevante agora" @elshayib_
@kimmonismus responde:
"sim, só estou esperando outro lançamento da versão Pro" @kimmonismus
Essa resposta é coerente com o anúncio oficial: o V4 Pro está, de fato, em fase de retirada temporária, mas a DeepSeek anuncia explicitamente um futuro V4.1 Pro. Concluir que toda a linha Pro se tornou definitivamente inútil vai, portanto, além dos fatos estabelecidos.
A mesma dúvida aparece na fala de @RimasXYZ:
"se o Flash agora supera o v4-pro em capacidade, custo e velocidade, em que resta ao v4.1-pro vencer?" @RimasXYZ
O thread não responde a essa pergunta. Ele deixa em aberto a definição do futuro produto Pro: melhor qualidade em tarefas difíceis, capacidades de raciocínio reforçadas, contexto mais longo, confiabilidade agêntica ou outro equilíbrio de desempenho.
Arquitetura Causal Encoder-Decoder: o que muda tecnicamente
A reação de @austinyuhao, « bem-vindo de volta, encoder-decoder », é curta, mas pertinente. A DeepSeek não propõe apenas uma compressão de cache; ela reintroduz uma separação arquitetural entre o caminho de codificação causal e o decodificador.
"bem-vindo de volta, encoder-decoder" @austinyuhao
O diagrama compartilhado na resposta mostra um Causal Encoder e um Decoder com vinte camadas cada, totalizando uma rede de quarenta camadas. Ele também apresenta os componentes MoE, CSA2, SWA, Vision Encoder, Text Embedding, Engram, DSpark e Candidate Pool.
Essa organização explica por que os temas da inferência multimodal e do KV cache estão relacionados. A DeepSeek busca oferecer suporte nativo à visão, mantendo ao mesmo tempo um custo razoável em sequências longas. A proposta é particularmente atraente para agentes que precisam ler documentos, analisar interfaces, manipular código e manter uma memória de trabalho persistente.
FAQ sobre o DeepSeek V4.1 Flash
Quantos parâmetros estão ativos no DeepSeek V4.1 Flash?
A DeepSeek anuncia um modelo MoE de 552 bilhões de parâmetros. Apenas 8 bilhões de parâmetros estariam ativos durante o processamento da entrada e, depois, 16 bilhões durante a geração.
Por que o KV cache da DeepSeek é importante para os agentes de IA?
O KV cache permite conservar as representações do contexto já processado. Um cache mais compacto reduz os requisitos de memória GPU e armazenamento, o que pode diminuir o custo de conversas longas, de agentes com chamadas de ferramentas e de fluxos de trabalho que reutilizam frequentemente o mesmo contexto.
O que acontece com os usuários do DeepSeek V4 Pro?
A partir de 14 de setembro de 2026 às 04:00 UTC, as solicitações destinadas ao DeepSeek V4 Pro deverão ser temporariamente encaminhadas para o V4.1 Flash, até o lançamento do V4.1 Pro. As equipes envolvidas deverão revalidar seus usos em produção, mesmo que a compatibilidade da API seja mantida durante a transição.
O que é preciso reter
O DeepSeek V4.1 Flash não é apenas mais uma atualização rápida. O anúncio combina uma nova arquitetura assimétrica, uma ativação MoE diferenciada entre entrada e geração, uma forte compressão do KV cache, preços de API agressivos e uma migração concreta do tráfego do V4 Pro.
Para os profissionais, as implicações são claras:
- O KV cache reduzido pode melhorar significativamente o custo dos agentes com contexto longo.
- A auto-hospedagem de IA torna-se mais viável para operadores que já dispõem de uma infraestrutura robusta.
- O redirecionamento do V4 Pro para o Flash exige uma fase de validação das aplicações.
- O desempenho alegado em relação ao V4 Pro não é suficiente para estabelecer uma superioridade em todos os benchmarks agênticos.
- O Terminal-Bench continua sendo um ponto de atenção, especialmente diante da divergência entre as versões 3.0 e 4.0 observada por @Greg_GL_87.
Portanto, o thread deixa várias perguntas em aberto: quais protocolos justificam os « testes realizados por várias partes », por que os resultados divergem de acordo com a versão do Terminal-Bench, qual será o papel distintivo do V4.1 Pro e qual configuração de hardware realmente torna prática a auto-hospedagem?
A conclusão mais razoável também é a mais útil: o V4.1 Flash parece representar um avanço importante em termos de eficiência e implantação, mas ainda não prova que um modelo Flash tenha eliminado as concessões inerentes aos modelos de fronteira.