O modelo barato da DeepSeek aparece com placar de ponta em tarefa de terminal. O mesmo teste, medido por um avaliador independente, ficou 16 pontos abaixo, e essa diferença é a história.
O que é o DeepSeek V4.1 Flash 1017
O DeepSeek V4.1 Flash é um modelo de raciocínio com pesos abertos e janela de contexto de 1.048.576 tokens. A build 1017 é a versão atual da linha Flash. Builds anteriores do V4 Flash ficaram para trás.
A arquitetura combina um backbone de 552 bilhões de parâmetros com um conjunto Engram de 196 bilhões. Engram é uma memória condicional com busca por n-gramas de até quatro tokens, e o truque é não manter a tabela inteira na memória da GPU.
Também entra o DSpark, um mecanismo de decodificação especulativa. Na prática, o modelo aposta em tokens seguintes e confere depois, o que barateia texto longo.
Contexto de 1 milhão de tokens não significa resposta boa nesse tamanho. Significa que o modelo aceita a entrada, e a diferença entre aceitar e usar bem aparece nos testes de recuperação, que não foram detalhados.
DeepSeek benchmarks: 90,6% no cartão e 74,5% fora
Aqui está o número que viralizou. O cartão informa 90,6% no Terminal-Bench 2.1, prova que mede se o modelo opera um terminal e conclui tarefas de linha de comando em várias etapas.
O Vals AI, que roda avaliações próprias, mediu 74,5% no mesmo modelo e na mesma prova. A diferença é de 16 pontos, e não é ruído de arredondamento.
Não dá para chamar o número do cartão de mentira: o ambiente de teste, as versões de ferramenta e o tempo de raciocínio mudam o resultado. Mas também não dá para citar 90,6% como se fosse consenso independente.
Para quem vai decidir com base nisso, o número útil é o de fora.
E quanto sobra para revisão humana? Em tarefa de terminal, 74,5% ainda é bom, e é bem diferente de 90,6% quando o time precisa planejar revisão.
Os outros números do model card
O cartão traz uma bateria longa, e vale olhar caso a caso: no Terminal-Bench 4.0, prova mais difícil da mesma família, o número é 42,30%.
Em DeepSWE, que mede tarefa de engenharia de software, o placar é 77,0%. No NL2Repo, que parte de uma descrição em linguagem natural para chegar a um repositório pronto, o número é 68,2%.
Automação fica em 60,5% no AutomationBench e 35,4% no Agents' Last Exam, um conjunto de tarefas longas.
Segurança aparece com 88,1% no CyberGym, e conhecimento geral com 90,9% no GPQA-Diamond. Raciocínio científico mais duro cai para 42,6% no HLE.
Programação competitiva rende 3.471 pontos no Codeforces, e matemática avançada fica em 26,8% no FrontierMath v2 Tier 4.
Todos esses números são do cartão do modelo. Servem como retrato do que a DeepSeek decidiu mostrar, e não como laudo independente de capacidade.
BenchLM: 65,41 e o aviso de cobertura
O BenchLM dá 65,41 de 100 ao modelo, com posição 31 entre 1.016 modelos avaliados. É um resultado de meio de tabela, longe do topo.
A plataforma faz a ressalva que interessa: cobriu 53 de 759 benchmarks, e diz que isso torna a nota conservadora.
Traduzindo: o 65,41 pode subir quando mais provas entrarem, e pode cair também. Ranking agregado é atalho, não veredito.
Artificial Analysis e os 96,5% de alucinação
O Artificial Analysis mede um Intelligence Index de 39,5% para o modelo. É outra régua, com outra metodologia, e não se soma ao número do BenchLM.
A mesma casa registra taxa de alucinação de 96,5% no índice Omniscience e um Omniscience Index de -5,3%. Em termos simples, o modelo erra muito em pergunta factual específica.
Isso não invalida o uso em código. Invalida o uso como fonte de fato sem conferência, e isso importa para quem pensa em atendimento automático.
DeepSeek local inference: 128 GB de RAM e 500 GB de arquivo
Rodar em casa é possível, com tamanho de servidor. O guia da Unsloth indica 128 GB de RAM ou mais, ou 64 GB com offload para SSD, que roda mais devagar.
Os pesos não são pequenos. A quantização UD-Q8_K_XL ocupa 508,4 GB, e a UD-Q4_K_XL fica em 500,7 GB.
A Unsloth afirma que suas quantizações V3.1 entregam de 10% a 15% mais precisão e usam 30% menos tokens que outras do mesmo tamanho. Também diz rodar cerca de três vezes mais rápido que repositórios comparáveis.
São alegações de quem vende a quantização, sem medição independente publicada. Antes de comprar memória, reproduza o teste no seu hardware e no seu conjunto de dados.
DeepSeek pricing: onde o custo aparece sem dólar
A DeepSeek posiciona o modelo na faixa barata da própria tabela, abaixo das versões maiores, e o preço por token muda com frequência, então qualquer valor em dólar envelhece em semanas.
O que dá para dizer com segurança é estrutural: o custo por tarefa cabe em fluxos que antes só faziam sentido com modelo pequeno.
Nomes antigos de API, como deepseek-v4-flash, continuam aceitos e são cobrados pelo preço do Flash. A documentação diz que o nome deepseek-flash agora é servido pelo V4.1-Flash-1017.
Para conferir o número do dia, use o painel de preços da DeepSeek e os rastreadores ao vivo.
reasoning_effort 75 e o thinking ligado por padrão
O modo de raciocínio vem ligado, com padrão 75 em escala de 1 a 100, e o template mapeia low para 50, medium para 62, high para 75 e max para 100.
Para geração longa, a DeepSeek recomenda reservar pelo menos 256 mil tokens de saída. Sem essa folga, o modelo pode gastar o orçamento pensando e entregar pouco texto.
Quem chama a API deve revisar esse parâmetro antes de comparar latência com a de outro modelo, porque a comparação só vale com a mesma escala. Comparar 75 com o padrão de um concorrente é comparar configurações diferentes, não capacidades.
O ajuste é manual.
Como usar sem acreditar no número da capa
Comece pelas tarefas que você roda de verdade. Pegue vinte comandos do seu dia, inclusive os que costumam quebrar, e meça quantos terminam sem intervenção.
Depois repita com reasoning_effort maior e menor. A diferença entre 74,5% e 90,6% nasce do ambiente de teste, das ferramentas e do tempo de raciocínio, e o seu ambiente não é o de avaliador nenhum.
O DeepSeek V4.1 Flash é uma opção séria para código e automação de terminal, com pesos abertos e contexto enorme. Só não é o líder geral que o cartão sugere, e essa distância separa expectativa de uso real.
O teste é o seu.
