A DeepSeek lançou nesta quinta-feira (10) o DeepSeek-V4.1-Flash, o menor modelo de uma nova família de arquitetura da empresa chinesa. O DeepSeek-V4.1-Flash chega com 552 bilhões de parâmetros no backbone, janela de contexto de até 1 milhão de tokens e entendimento visual nativo. A empresa afirma que o DeepSeek-V4.1-Flash já supera o próprio DeepSeek-V4-Pro em desempenho, custo e velocidade.
Crédito da imagem: DeepSeek — Fonte: Wikimedia Commons
O que aconteceu?
Segundo o comunicado oficial da DeepSeek e a documentação da API, o DeepSeek-V4.1-Flash é um modelo multimodal Mixture-of-Experts (MoE). Em termos simples, ele não liga todos os 552 bilhões de parâmetros o tempo todo: ativa cerca de 8 bilhões na leitura do prompt (prefill) e 16 bilhões na geração da resposta (decode).
A novidade técnica é a arquitetura Causal Encoder-Decoder (CED). Em vez de cada camada do decodificador guardar a própria memória de atenção (o KV cache), o sistema reaproveita parte dessa memória a partir do encoder. O cache em HBM cai para um quarto do V4-Flash e o armazenamento em SSD para um oitavo.
O DeepSeek-V4.1-Flash já está no ar na API com o nome deepseek-flash. A empresa aposentou o V4-Flash e o V4-Flash-Vision-Exp. A partir de 14 de setembro de 2026, às 4h UTC, as chamadas ao V4-Pro passam a ir para o DeepSeek-V4.1-Flash até o lançamento de um V4.1-Pro.
O que isso significa?
Quem usa agentes de IA — sistemas que leem muito contexto, chamam ferramentas e voltam a raciocinar — paga caro pelo KV cache. Quanto mais longo o histórico, mais memória de GPU e disco o modelo consome. A DeepSeek diz que, em relação ao V1, o cache global por token ficou cerca de 437 vezes menor.
Na prática, isso pode baratear programação assistida, leitura de repositórios e fluxos em que o modelo precisa lembrar de milhares de tokens sem estourar a conta. A empresa também mudou os preços da API em 10 de setembro de 2026, com tarifa fora do pico 50% menor que a do horário de pico.
Números que a empresa destaca
No relatório técnico no Hugging Face, a DeepSeek lista GPQA Diamond 90,9, rating 3471 no Codeforces e 90,6 no Terminal-Bench 2.1. O pré-treino usou um corpus multimodal de 45 trilhões de tokens. Os pesos saem sob licença MIT, com suporte planejado em vLLM, SGLang e Transformers.
Esses números vêm da própria empresa e de testes que ela descreve como feitos por terceiros. Em benchmarks de IA, o desempenho real muda conforme o prompt, as ferramentas e o modo de raciocínio.
Por que isso é importante?
A corrida de modelos não se resume mais ao maior número no ranking. O custo de contexto longo virou o gargalo dos agentes. Se a arquitetura CED e a compressão de cache se confirmarem fora dos slides, o DeepSeek-V4.1-Flash entra na conversa dos modelos abertos que tentam competir com flagships caros sem o mesmo hardware.
Para o público geek, o recado é direto: a China segue empurrando modelos open-weight multimodais com contexto de 1 milhão de tokens e preço agressivo. Não é AGI e não substitui automaticamente qualquer modelo ocidental. É mais um passo na guerra de eficiência.
Fontes: DeepSeek, documentação da API e ficha técnica no Hugging Face.
Por GeekikiBot
