DeepSeek-V4-Flash-0731: o modelo barato passa na frente do caro da própria casa

Há um pressuposto silencioso na forma como as empresas de IA organizam seus catálogos: existe o modelo grande, caro e capaz, e existe o modelo pequeno, barato e razoável. O cliente escolhe onde quer ficar nessa reta. A DeepSeek acabou de publicar um resultado que desarruma essa reta — e o mais interessante é como ela chegou lá.

O DeepSeek-V4-Flash-0731, lançado nesta sexta-feira no Hugging Face sob licença MIT, é o modelo econômico da casa. Ele bate o V4-Pro-Preview, o modelo topo de linha da mesma empresa, nos nove benchmarks agênticos e de código que a DeepSeek divulgou. E a empresa é explícita sobre o motivo: a arquitetura e o número de parâmetros não mudaram em relação ao preview de abril. O ganho veio inteiro de retreino e pós-treino.

O que exatamente mudou — e o que não mudou

O modelo mantém 284 bilhões de parâmetros totais com 13 bilhões ativos por token, numa arquitetura de mistura de especialistas (MoE — o modelo tem centenas de sub-redes especializadas e roteia cada token para apenas algumas delas). São 256 especialistas roteados mais um compartilhado por camada, com 6 disparando por token. O contexto é de 1 milhão de tokens, e a atenção combina dois esquemas de compressão esparsa.

Nada disso é novo. O que é novo é o que aconteceu depois do pré-treino. Os saltos são grandes o bastante para merecer atenção: no DeepSWE, benchmark de engenharia de software, o modelo foi de 12,8 para 54,4 — mais de quatro vezes. No Cybergym, de 52,7 para 76,7. No NL2Repo, que mede a criação de repositórios inteiros a partir de descrição em linguagem natural, de 38,5 para 54,2.

Por que "retreino, não redesenho" é a parte importante

A indústria passou três anos vendendo a ideia de que capacidade é função de escala: mais parâmetros, mais dados, mais computação de treino. Esse resultado não contradiz a escala — o modelo continua tendo 284 bilhões de parâmetros —, mas mostra que a mesma arquitetura estava operando bem abaixo do seu teto. Havia 40 pontos de DeepSWE parados dentro de pesos que já existiam, esperando um regime de pós-treino melhor.

Isso tem uma consequência prática desconfortável para quem compra IA: o benchmark de um modelo tem prazo de validade curto e não diz quase nada sobre a arquitetura. Comparar "modelo A contra modelo B" virou, cada vez mais, comparar dois procedimentos de pós-treino que por acaso rodaram em pesos diferentes.

O detalhe que os benchmarks não mostram

A Artificial Analysis, que mede modelos de forma independente, registrou algo que a tabela da DeepSeek não conta: durante a avaliação do índice de inteligência, o V4-Flash consumiu 210 milhões de tokens de saída, contra uma mediana de 100 milhões entre modelos comparáveis. O modelo é verborrágico.

Isso importa para o cálculo de custo real. Um preço de saída de US$ 0,28 por milhão parece imbatível até você notar que o modelo gera o dobro de tokens para chegar ao mesmo lugar. O custo efetivo por tarefa concluída fica mais próximo de US$ 0,56 equivalentes — ainda barato, mas menos espetacular do que a tabela de preços sugere. É o tipo de assimetria que só aparece quando alguém de fora mede.

Onde ele ainda perde

A comparação com o Claude Opus 4.8 é honesta nos números da própria DeepSeek e mostra uma diferença que persiste. No NL2Repo, o Opus faz 69,7 contra 54,2 do V4-Flash — uma distância de 15 pontos numa tarefa que exige manter coerência ao longo de um repositório inteiro. No Cybergym, 83,1 contra 76,7. No Terminal Bench, a diferença cai para 2,3 pontos.

O padrão é legível: quanto mais longo o horizonte da tarefa e mais dependente ela é de manter estado coerente por muitos passos, maior a vantagem do modelo frontier. Em tarefas de terminal, mais curtas e mais verificáveis a cada passo, o V4-Flash praticamente empata. Quem for escolher com base nesses números precisa saber qual dos dois regimes descreve o seu trabalho.

O que isso faz com o mercado

Um modelo de pesos abertos sob MIT, com desempenho a 2,3 pontos do topo em benchmark de agente de terminal e custo de saída de US$ 0,28 por milhão, exerce um tipo específico de pressão. Não é a pressão de "substituir o Opus" — os 15 pontos de NL2Repo dizem que não substitui. É a pressão de tornar cada vez mais difícil justificar o preço frontier para as tarefas em que a diferença é de dois ou três pontos.

A OpenAI já leu esse recado: na quinta-feira, cortou em até 80% o preço dos seus modelos GPT-5.6 de camada inferior, com o Luna indo a 20 centavos por milhão de tokens de entrada. O piso do mercado está sendo redefinido por baixo, e quem está redefinindo publica os pesos.

O que fica

O resultado mais durável desse lançamento não é o número de nenhum benchmark — esses mudam em seis semanas. É a demonstração de que a distância entre o modelo econômico e o modelo topo de linha de uma mesma empresa pode ser fechada, e revertida, sem tocar na arquitetura. O que separava os dois não era capacidade latente. Era o quanto cada um tinha sido ensinado a usar a que já tinha.

Perguntas Frequentes

O que significa "13 bilhões de parâmetros ativos"?

Num modelo de mistura de especialistas (MoE), só uma fração da rede é usada para processar cada token. O V4-Flash tem 284 bilhões de parâmetros guardados, mas ativa cerca de 13 bilhões por token — o custo de computação por token se parece com o de um modelo de 13B, enquanto a capacidade de armazenar conhecimento se parece com a de um de 284B. A memória necessária para servir, porém, é a do modelo inteiro.

O que é o Terminal Bench?

É um benchmark que mede se um modelo consegue completar tarefas reais operando um terminal de linha de comando — instalar dependências, depurar, editar arquivos, rodar testes — sem supervisão humana entre os passos. É considerado uma das medidas mais próximas do trabalho agêntico prático.

Licença MIT significa que posso usar comercialmente?

Sim. A MIT é uma das licenças mais permissivas em uso: permite uso comercial, modificação e redistribuição, exigindo apenas a preservação do aviso de copyright. Diferente de várias licenças "abertas" de modelos que restringem uso comercial acima de certo porte, aqui não há gating nem cláusula de escala.

Por que o modelo gerar muitos tokens é um problema?

Porque a cobrança de API é por token gerado. Um modelo que produz cadeias de raciocínio duas vezes mais longas para chegar à mesma resposta custa duas vezes mais na prática, mesmo com preço unitário menor. Também aumenta a latência percebida, já que a resposta demora mais para terminar.