A DeepSeek acabou de tornar oficial o V4-Flash, seu modelo de IA mais econômico, e os resultados são surpreendentes: ele supera o próprio V4-Pro — ainda em fase de preview — nos benchmarks de agentes da própria empresa, custando cerca de um terço do preço.
Destaques do lançamento
- O V4-Flash atingiu pontuações de 82,7 no Terminal Bench 2.1, 76,7 no Cybergym e 70,3 no Toolathlon verified, portanto superando o V4-Pro-Preview.
- Vale destacar que a versão oficial mantém a mesma arquitetura e tamanho de modelo do preview, sendo resultado apenas de um re-treinamento posterior.
- Além disso, o modelo está disponível somente via API, sem liberação de pesos, e a comparação de benchmarks não inclui modelos ocidentais de ponta.
Preços e especificações técnicas
O V4-Flash oferece uma janela de contexto de 1 milhão de tokens e saída máxima de 384K tokens, bem como modo de raciocínio alternável. Em relação ao custo por milhão de tokens:
- Flash: US$ 0,14 (entrada) / US$ 0,28 (saída)
- Pro: US$ 0,435 (entrada) / US$ 0,87 (saída)
Por outro lado, os limites de concorrência são de 2.500 para o Flash e 500 para o Pro. Ainda por cima, a DeepSeek também indicou a implementação iminente de uma sobretaxa no horário de pico, que dobrará as tarifas durante o horário comercial de Pequim.
O que a cobertura está interpretando errado
1. Não é um modelo novo: Na prática, a chamada “versão oficial” não traz mudanças arquitetônicas. De acordo com o changelog da DeepSeek, o V4-Flash-0731 mantém a mesma arquitetura e contagem de parâmetros do preview, ou seja, trata-se apenas de uma atualização pós-treinamento apresentada como lançamento oficial.
2. Apenas API: Como resultado, nenhum peso foi liberado publicamente. Somente a interface do V4-Flash recebeu atualização; já o aplicativo, os modelos web e a API do V4-Pro permanecem inalterados.
3. Benchmarks enviesados: Vale notar que a tabela de comparação é da própria DeepSeek e coloca o V4-Flash contra o V4-Pro-Preview (ainda em testes) e contra o GLM-5.2 da Zhipu. No entanto, nenhum modelo ocidental de fronteira aparece na comparação.
Por que essa inversão importa
Em resumo, o fato de uma camada mais barata superar a camada premium em tarefas de agentes, por um terço do preço, sugere que os ganhos atuais em trabalho agêntico estão vindo mais do pós-treinamento do que da simples escalabilidade do modelo. Consequentemente, isso deixa o V4-Pro em uma posição delicada: ainda em preview e agora superado por seu “irmão menor” nos próprios números da desenvolvedora.
Um número que não deve ser repetido
Porém, alguns veículos chineses estão citando 284 bilhões de parâmetros totais e 13 bilhões de parâmetros ativos, mas essa informação não aparece em nenhuma página oficial da DeepSeek e não deve ser tratada como fato confirmado.
Conclusão
Em última análise, se um modelo por um terço do preço consegue superar o carro-chefe de um laboratório em benchmarks de agentes após apenas re-treinamento posterior, isso questiona a suposição de que a capacidade agêntica acompanha necessariamente o tamanho do modelo portanto, algo que o mercado pode estar precificando de forma exagerada.