DeepSeek-V4.1-Flash-1017: um palpite de 45 para 46, um changelog de três frases e a única linha que os dois placares compartilham

O D​eepSeek-V4.1-Flash-1017 é real e tem um dia de vida. Você pode ler a entrada do changelog datada de 2026-10-17, baixar 763 bilhões de parâmetros de pesos licenciados sob MIT do Hugging Face e invocá-lo agora mesmo com a string de modelo inalterada deepseek-flash, na tabela de preços inalterada. O que você não pode fazer é consultar sua posição no ranking. A postagem mais substancial sobre o DeepSeek V4.1 Flash no dia seguinte ao lançamento da atualização não foi um resultado — foi um palpite. Um seguidor atento do laboratório estimou a pontuação eventual do modelo no Artificial Analysis Intelligence Index em 45 a 46, previu o Grok 4.7 como o número que ele supera por pouco e o AA-Omniscience como a avaliação que o achata, e apresentou 57% como uma expectativa razoável no Vals Index. Cada uma dessas cifras é uma previsão sobre um placar que ainda não tem uma linha 1017. O lançamento é um fato. A classificação é uma aposta, e a parte interessante é por que ninguém consegue defini-la hoje.

O que realmente foi lançado em 17 de outubro

A fonte primária é curta. A entrada no changelog do D​eepSeek para 2026-10-17 diz que o V4.1 Flash "foi atualizado para D​eepSeek-V4.1-Flash-1017", que os modelos da web e do aplicativo foram movidos junto com ele, que "o método de chamada da API e os preços permanecem inalterados" e que chamadas para deepseek-flash alcançam o modelo mais recente. Essa é toda a afirmação em nível de especificação. O repositório correspondente, deepseek-ai/D​eepSeek-V4.1-Flash-1017, foi criado às 02:40 UTC de 17 de outubro e modificado pela última vez às 05:46 UTC do mesmo dia; o índice safetensors totaliza 763.205.315.794 parâmetros entre os tipos de tensor BF16, F32, F8_E4M3 e I8. A licença é MIT. Nada a respeito disso é um vazamento.

O changelog acrescenta três coisas que não são números. Chama a atualização de “melhoria de Pareto em desempenho–custo”. Nomeia os harnesses com os quais foi ajustado — D​eepSeek Harness, T​encent CodeBuddy e WorkBuddy — e diz aos usuários para migrarem para D​eepSeek Harness 0.2.1-rc.1 ou posterior. E mostra quatro demos de projeto, renderizadas como animação: um modelo 3D da Cidade Proibida, um jogo de corrida para navegador, um remake de Portal 2 feito no Godot e uma cena 3D chamada “Valley of Ages”. Esses são artefatos de marketing, não medições, e são o motivo pelo qual este texto os mantém em um parágrafo separado das pontuações.

O que não mudou é tão crucial quanto o que mudou, porque é a parte que tem dinheiro envolvido:

• Tarifário — sem alterações. Entrada com cache hit: $0,006 por milhão de tokens em horário de pico e $0,003 fora de pico; entrada com cache miss: $0,30 / $0,15; saída: $1,20 / $0,60. Horário de pico corresponde a 01:00–04:00 e 06:00–10:00 UTC, de segunda a sexta-feira, excluindo feriados públicos chineses.

• Cadeia de modelo — inalterada. O deepseek-flash agora é resolvido para o checkpoint 1017. Os nomes descontinuados deepseek-v4-flash e deepseek-v4-flash-vision-exp ainda são aceitos e continuam sendo roteados para ele, cobrados às tarifas do Flash.

• Envelope — sem alterações no nível do cartão. Janela de contexto de 1M tokens, max_tokens em 256K ou superior, temperatura 1.0 e top_p 1.0 recomendados.

• Defeito de empacotamento — também inalterado. Ainda não há um template de chat Jinja. O repositório inclui encoding/encoding.py como uma implementação de referência que cobre conversa com múltiplos turnos, chamada de ferramentas, modo de pensamento, esforço de raciocínio numérico, mensagens de sistema no meio da conversa e imagens intercaladas, e direciona usuários de produção para deepseek-recipe, uma biblioteca Rust com bindings Python.

O model card 1017 não repete a arquitetura. A configuração da família — backbone de 552B, um Encoder-Decoder causal dividido em um encoder causal de 20 camadas e um decoder de 20 camadas, ativação assimétrica de 8B de parâmetros durante o prefill e de 16B durante o decode, 384 especialistas roteados com 6 ativos por token, atenção CSA2, cache de KV principal em FP4 e uma memória condicional Engram de 196B — vem do model card de setembro, do relatório técnico intitulado Pushing the Limits of KV Cache Compression, e da própria citação do model card. Um leitor que queira esses números deve obtê-los do documento de setembro, e não de uma página 1017 que nunca os reivindica.

Onze linhas de fornecedores, e a que o índice realmente lê

A tabela de benchmark do fornecedor é o único artefato comparável no lançamento e é publicada como imagem no changelog e como tabela markdown no card do modelo. Lendo o card, a coluna 1017 contra a coluna de setembro: HLE sem ferramentas 42,6 (44,0 no subconjunto somente texto) contra 36,8 (39,1); Terminal-Bench 4.0 42,3 contra 31,2; DeepSWE v1.1 77,0 contra 74,2; ProgramBench 29,1 contra 20,3; NL2Repo-Bench 68,2 contra 65,4; Automation-Bench v1.0.6 60,5 contra 54,8; Agents' Last Exam 35,4 contra 31,8; Apex Bench v1.1 72,1 contra 64,6; Chartography com ferramentas 83,0 contra 78,9; BabyVision com ferramentas 92,5 contra 89,6; ZeroBench-main com ferramentas 51,0 contra 49,0. Todas as onze linhas sobem. Duas notas de rodapé trazem ressalvas à tabela: o símbolo de adaga marca o subconjunto somente texto do HLE, e Terminal-Bench 4.0 foi executado no harness Claude Code, enquanto DeepSWE v1.1 foi executado no Mini-SWE-V2.

Agora compare isso com o Artificial Analysis Intelligence Index, que é o objeto da estimativa de 45 para 46. A versão atual do índice é 4.3.2, e ele é um compósito ponderado de dez avaliações sob quatro rubricas: Agentes com 30%, Programação com 20%, Raciocínio Científico com 20%, Geral com 30%. Os pesos são publicados, e são todo o argumento. AA-Briefcase v1.1 representa 15%. AA-Omniscience representa 15%, divididos em precisão com 10% e taxa de não alucinação com 5%. Terminal-Bench 4.0 representa 10%. HLE representa 10%. CritPt, o conjunto de física não publicada em nível de pesquisa, representa 10%. GDPval-AA v2.1 representa 10%, GDP.pdf 10%, SciCode 10%, AutomationBench-AA 5% e AA-LCR v1.1 5%.

Apenas uma dessas dez avaliações aparece na tabela de onze linhas da DeepSeek com o mesmo nome e a mesma configuração: Terminal-Bench 4.0, com um décimo do índice. O HLE aparece dos dois lados, mas não de forma idêntica — a coluna do fornecedor é o subconjunto de texto puro, e o índice executa o conjunto somente de texto de 2.158 perguntas. Todo o resto que o índice lê, incluindo os dois componentes mais pesados, não tem nenhuma linha do fornecedor. Essa é a mecânica por trás do palpite, não uma crítica ao laboratório: é simplesmente que uma tabela de fornecedor e um índice composto são construídos a partir de partes diferentes, e a sobreposição tem a largura de uma linha.

De onde vem 45–46, e por que você não pode verificar isso

A previsão é aritmética sobre a pontuação de setembro. O Artificial Analysis atualmente pontua o checkpoint DeepSeek V4.1 Flash de setembro em 39 na sua configuração de raciocínio com esforço máximo, o que o coloca em nono lugar entre 120 modelos no Intelligence Index e bem acima da mediana de 19 para modelos de pesos abertos de sua classe de tamanho. A mesma entrada traz custo de US$ 0,27 por tarefa do índice, 175,9 tokens de saída por segundo e 1,23 segundos até o primeiro token. A previsão de 45 a 46 é, portanto, uma alegação de cerca de seis ou sete pontos no índice a partir de uma única troca de checkpoint — um movimento de etapa única incomumente grande, e é exatamente por isso que o autor da postagem fez a ressalva "seria decente" em vez de prevê-lo.

Chegar a esse patamar colocaria o 1017 em companhia concorrida. Os modelos atualmente em 46 são Grok 4.7 no xhigh e no high, MiMo-V2.6-Pro e G​PT-6 Astra com esforço baixo. Em 45 estão Qwen3.8-Max (0902), M​use Spark 1.3 no xhigh e G​LM-5.3 no max. Em 44 estão S​tep 5 Preview e Kimi K3 no max. Seis ou sete pontos moveriam a camada barata da D​eepSeek de baixo do grupo de pesos abertos para o meio dele, e a comparação escolhida pelo autor da postagem — “melhor que o G​rok” — é aquela que um 45 ou 46 tornaria literalmente verdadeira no próprio ajuste de esforço do Grok 4.7, com um custo uma ordem de grandeza menor por tarefa. Esse é o formato útil do palpite: não o número inteiro, mas a posição preço-pontuação que ele implica.

Há mais um motivo para ter cuidado com a própria linha de base. Um texto de terceiros publicado em setembro citava o ponto de verificação de setembro em 40 no índice, na sexta posição entre 113; o site mostra 39 na nona posição entre 120 hoje, em uma versão nomeada do índice. Mesmos pesos, inteiros publicados diferentes, porque o índice é versionado e sua população cresce. Qualquer previsão baseada em um número que já mudou duas vezes é uma previsão construída sobre areia, e a versão honesta da afirmação de 45–46 é um intervalo sobre um intervalo.

A previsão Omniscience é a que tem um mecanismo.

De tudo o que há no sinal, a afirmação de que o 1017 "vai ser detonado pelo Omniscience de novo" é a parte com um mecanismo testável por trás, e não uma impressão. O AA-Omniscience não é um teste de conhecimento com nota de aprovação. Ele avalia a confiabilidade factual em cerca de 6.000 perguntas que abrangem 42 tópicos, atribui pontos por respostas corretas, desconta por alucinações e deixa as abstenções neutras — então recusar-se a responder é melhor do que chutar errado. Um modelo ajustado para throughput agêntico e saídas curtas, que é o que o changelog do 1017 descreve, é um modelo com menos tokens de deliberação por resposta. Se isso ajuda ou prejudica em um índice que penaliza respostas erradas dadas com confiança é uma questão realmente em aberto, e o "de novo" tem peso nessa frase: implica que o checkpoint de setembro já decepcionou ali. O índice publica a acurácia do Omniscience e a taxa de não alucinação como números separados, mas a página do modelo DeepSeek não exibe números por benchmark, então o detalhamento do Omniscience de setembro não está legível atualmente no site. A previsão é plausível e, hoje, não falsificável.

A outra metade da mesma crítica — de que o índice "ainda usa o CritPt quebrado" — aponta para uma propriedade genuína do composto. O CritPt é física não publicada em nível de pesquisa: problemas cujas respostas ainda não estão nos dados de treinamento, o que é o que o torna resistente à contaminação e também o que o torna ruidoso e lento de atualizar. Ele representa um décimo do índice, o mesmo peso que HLE e Terminal-Bench 4.0. Uma família de modelos que nunca publicou uma linha de CritPt carrega um ponto cego de 10% em toda previsão feita sobre ela. As duas metades da crítica são, na verdade, a mesma observação: o índice e o fornecedor estão medindo coisas diferentes, e a previsão precisa preencher essa lacuna com suposições.

O número Vals é uma placa diferente com uma base diferente.

O número de 57% merece um parágrafo próprio porque é a única parte do sinal que corresponde a um número publicado, e essa correspondência está um ano desatualizada, mas na direção certa. O índice da Vals AI coloca o DeepSeek V4.1 Flash de setembro em 57,86%, décimo quinto entre 56 modelos e a melhor entrada de pesos abertos, ligeiramente à frente do Kimi K3, com 57,81%, a um custo declarado de US$ 0,30 por teste. Portanto, “57% no Vals parece justo” não é uma projeção para cima — é a projeção de um desempenho praticamente estável em um ranking no qual o checkpoint de setembro já era o líder entre os modelos de pesos abertos. Dois rankings, duas expectativas diferentes, do mesmo autor da postagem, na mesma frase: um grande salto no índice e nenhum salto no Vals. Essa assimetria é a coisa mais informativa do post, porque indica que o autor espera que os ganhos do 1017 apareçam nas avaliações às quais o índice dá muito peso e o Vals dá pouco peso — trabalho agêntico no estilo Terminal-Bench, não amplitude geral de trabalho de conhecimento.

O que realmente teria de ser executado novamente

Nenhum dos números independentes em circulação descreve os pesos da 1017. A DeepSeek substituiu o modelo por trás de um nome de API estável, o que significa que a propriedade de cada número publicado mudou discretamente de mãos: uma pontuação citada para o DeepSeek V4.1 Flash de uma execução de setembro agora descreve pesos que o fornecedor não serve mais, enquanto os pesos que ele de fato serve não têm pontuação externa alguma. Para quem trata uma troca de checkpoint como uma mudança de configuração, a regra prática é a extraída do software: ela justifica a mesma bateria de regressão. Vale a pena responder a cinco perguntas sobre a 1017 antes que ela chegue perto de um caminho de produção.

• O Terminal-Bench 4.0 se reproduz? O fornecedor o moveu de 31,2 para 42,3 no harness do C​laude Code, e é uma das poucas linhas que um conselho independente lê. A escolha de um harness do fornecedor que favorece um modelo é o modo de falha mais antigo em relatórios de benchmark.

• O ganho do DeepSWE sobrevive a um scaffold diferente? 77,0 no Mini-SWE-V2 contra 74,2 de setembro. O DeepSWE tem mostrado grande variação entre harnesses, então o delta é a afirmação, não o nível.

• O comprimento da saída realmente diminui? A alegação de custo do changelog baseia-se em saídas mais curtas, não apenas mais rápidas. Numa API com cobrança por uso, essa é a diferença entre uma melhoria de Pareto e um erro de arredondamento.

• O seletor de esforço de raciocínio se comporta como esperado? O esforço é numérico, com low, high e max mapeados para valores definidos; high é o padrão, e temperature é aceita, mas ignorada no modo de pensamento. Teste no valor exato de esforço que a produção envia, porque uma suíte executada em max não diz nada sobre uma implantação em high.

• O uso de ferramentas em vários turnos ainda preserva o round-trip? Com ferramentas, o reasoning_content de todos os turnos anteriores — incluindo turnos sem chamada de ferramenta — precisa retornar, ou a requisição falha. Esse é o tipo de regressão que uma troca de checkpoint introduz silenciosamente.

Se você quer executar essa passada de regressão sem mover um caminho de produção para pesos não medidos, este é o caso para o qual o failover do OrcaRouter foi criado: coloque o 1017 atrás de uma cadeia de fallback, envie a ele o tráfego que você está disposto a perder e deixe que uma resposta com falha ou lenta seja repetida entre provedores antes que quem chamou a veja. O preço é a outra metade do argumento e a mais simples — a D​eepSeek manteve a tabela de preços do Flash inalterada e, como o OrcaRouter repassa o preço de tabela do provedor diretamente com 0% de margem, uma mudança que não altera o preço da D​eepSeek não altera o nosso. Você pode acessar o DeepSeek V4.1 Flash com as próprias tarifas da D​eepSeek hoje, sem um segundo contrato e sem alteração de código, enquanto o ranking se atualiza.

As questões que o sinal deixa em aberto

Por que uma troca de checkpoint moveria o índice, se a arquitetura é a mesma?Porque o índice pondera avaliações agênticas e de programação com metade do total, e são essas as avaliações em que mudanças de pós-treinamento desse tipo aparecem mais rápido. A categoria publicada mais fraca do modelo de setembro era o trabalho agêntico em relação ao seu preço; o changelog de 1017 trata quase inteiramente de trabalho agêntico e custo por tarefa. A previsão é uma aposta de que a mesma arquitetura mais um pós-treinamento melhor chega onde os pesos dizem que deveria.

Existe alguma forma de ler um número 1017 antes de a Artificial Analysis publicar um? Apenas indiretamente. As duas linhas agênticas que o fornecedor publica — Terminal-Bench 4.0 e Automation-Bench — são os proxies mais próximos, e ambas são autorrelatadas. Um terceiro caminho é observar se a entrada de setembro em um painel independente é renomeada, executada novamente ou deixada como está; uma linha desatualizada que mantém sua pontuação antiga enquanto os pesos em serviço mudam é o sinal mais claro de que um número não significa mais o que diz.

O preço inalterado significa que a alegação de Pareto é real? Significa que a alegação é testável. Uma "melhoria de Pareto de desempenho–custo" com uma tabela de preços fixa só é verdadeira se os tokens de saída por tarefa caírem, porque essa é a única alavanca restante. O fornecedor diz que o tempo de execução da tarefa e o comprimento da saída caíram ambos. Essa é a única alegação na página que um leitor pode verificar com a própria fatura.

O que assistir a seguir

A previsão a ser avaliada é específica, e é isso que a torna digna de ser mantida. Se uma linha 1017 aparecer no Intelligence Index em 45 ou 46, o autor da postagem acertou a posição e o mecanismo — uma ponderação com forte peso para agentes mais um ponto fraco conhecido no Omniscience —, e a lição útil é que o composto se tornou previsível a partir da tabela do fornecedor depois que os pesos foram lidos com atenção. Se ficar no 39 de setembro ou abaixo dele, a lição é a oposta e mais cara: uma tabela de fornecedor com onze linhas que sobe em todas as linhas ainda pode deixar uma pontuação composta estável, porque as linhas que se moveram não são as linhas que importam. Qualquer um dos resultados é uma única medição de um único modelo, não um veredito sobre o laboratório, e o número que decide isso é um que o leitor não consegue calcular hoje.

O que um leitor pode fazer hoje custa menos do que uma previsão. Os pesos têm licença MIT e a API está ativa com o preço de setembro, então o mês antes de qualquer pessoa publicar um ranking é o mês de formar sua própria visão sobre as três perguntas que importam para você: ele conclui suas tarefas agênticas mais rápido, ele diz menos enquanto faz isso e ele aguenta bem os caminhos de ferramentas com múltiplos turnos que você realmente executa.

Nota de origem: todos os números da DeepSeek neste texto — as onze linhas de benchmark, o total de 763B parâmetros, a janela de 1M tokens, a licença MIT, a tabela de preços inalterada e as recomendações de harness — vêm da entrada de changelog de 17 de outubro do próprio fornecedor, da sua ficha de modelo no Hugging Face e da sua página de preços publicada. Todos os números independentes — o 39 no Intelligence Index, o nono lugar entre 120, o custo de $0,27 por tarefa do índice, os 175,9 tokens por segundo e a ponderação de dez avaliações que sustenta a pontuação — vêm da Artificial Analysis, consultada em 18 de outubro de 2026. A previsão de 45 para 46, a expectativa de 57% da Vals e a previsão Omniscience são estimativas de um observador sobre um modelo que não tem nenhuma linha 1017 em qualquer um desses painéis, e estão rotuladas como estimativas onde quer que apareçam.

As falhas documentadas de IA e os incidentes com agentes por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.