A DeepSeek lançou em 10 de setembro de 2026 o DeepSeek-V4.1-Flash, um modelo multimodal de arquitetura MoE (Mixture-of-Experts) que, apesar do nome discreto, representa uma reformulação profunda da linha de modelos da empresa chinesa. Pesquisadores como Sebastian Raschka já disseram que o lançamento “deveria se chamar DeepSeek V5” — e os números explicam por quê.
Uma arquitetura assimétrica inédita na família
O ponto central do V4.1-Flash é a nova arquitetura Causal Encoder–Decoder. Em vez de um único caminho de processamento, o modelo separa a computação em duas fases: 8 bilhões de parâmetros ativos para processar a entrada (prefill) e 16 bilhões de parâmetros ativos para gerar a saída (decode). No total, o backbone tem 552 bilhões de parâmetros — cerca de 763 bilhões contando todos os componentes do modelo.
Na prática, isso significa que o modelo mantém a inteligência de um gigante, mas ativa apenas uma fração minúscula dos parâmetros a cada token. A empresa descreve o V4.1-Flash como “o menor modelo da nova família de arquitetura”, desenhado para maior capacidade, inferência mais rápida e escalabilidade para modelos ainda maiores no futuro.
Outra mudança importante: visão nativa. O modelo aceita texto e imagem como entrada no mesmo checkpoint, eliminando a necessidade de um modelo de visão separado — algo que a DeepSeek já vinha testando em versões experimentais.
Cache 8× menor, custo muito menor
O destaque de engenharia mais comentado é a compressão do KV cache. Comparado à geração anterior, o V4.1-Flash usa apenas 1/4 da memória HBM e 1/8 do armazenamento SSD para o cache — análises independentes apontam cerca de 890 bytes por token.
Isso importa especialmente para agentes e fluxos de trabalho longos, em que as cobranças de “cache hit” costumam dominar o custo total. Um cache menor reduz diretamente a conta de quem roda agentes de longa duração.
Preço agressivo e aposentadoria do V4-Pro
A API já está no ar com o modelo deepseek-flash e preços competitivos: US$ 0,30 por milhão de tokens de entrada e US$ 1,20 por milhão de tokens de saída, com entrada em cache a US$ 0,006 e desconto adicional de 50% fora do horário de pico.
A medida mais simbólica é a aposentadoria gradual do V4-Pro. A partir de 14 de setembro de 2026, todo tráfego destinado ao deepseek-v4-pro será roteado automaticamente para o V4.1-Flash, cobrado com o preço menor do Flash. Segundo a empresa, testes de terceiros colocam o V4.1-Flash à frente do V4-Pro em desempenho, custo, velocidade e tempo total de execução — um recado claro de que o modelo menor e mais barato se tornou o carro-chefe de produção.
Benchmarks independentes corroboram
O agregador Artificial Analysis atribuiu ao V4.1-Flash um índice de inteligência de 40 pontos — acima do V4-Pro — e destaque em automação, com 69% no AutomationBench, empatando com o GPT-6 Astra. No índice Vals, o modelo apareceu como o nº 1 em pesos abertos, superando o Kimi K3, a cerca de US$ 0,30 por teste — o mais barato entre os dez primeiros de código aberto.
Vale uma ressalva: o modelo está entre os mais “verbosos” já medidos, gerando em média 89 mil tokens por tarefa no índice de inteligência. Ainda assim, o custo estimado por tarefa fica em torno de US$ 0,27 — cerca de 7× menor que concorrentes como GLM-5.3 e Kimi K3.
Por que isso importa
Com licença MIT e pesos abertos, o V4.1-Flash reforça a pressão de custo sobre todo o mercado de LLMs. A combinação de arquitetura assimétrica, cache comprimido e preço agressivo é um sinal de que a corrida deixou de ser apenas por capacidade bruta e passou a ser também por eficiência por token — uma boa notícia para quem constrói produtos de IA no Brasil, onde o custo de inferência é frequentemente o fator decisivo na viabilidade de um serviço.
O modelo já conta com suporte de parceiros como WorkBuddy, CodeBuddy, OpenCode, Baseten e Ollama, com a empresa prometendo ampliar as opções de implantação em conjunto com a comunidade de código aberto.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
