DeepSeek V4.1 Flash no OpenCode: configuração, custo e o seletor de esforço que ninguém menciona

O DeepSeek V4.1 Flash está no OpenCode Go desde 10 de setembro, e o multiplicador que o OpenCode atribuiu a ele tem uma data de término publicada: 20 de setembro. Isso é daqui a quatro dias. A parte interessante não é o prazo — é que a configuração que decide se é agradável programar com este modelo está ausente de todos os guias de configuração da primeira página de resultados e, em pelo menos dois harnesses, ela é descartada silenciosamente. Este é um guia prático para apontar um agente de programação para o DeepSeek V4.1 Flash: os ids exatos do modelo, as três integrações verificadas hoje, o controle de esforço de raciocínio relatado pela comunidade e o modo de falha de raciocínio excessivo com as mitigações que realmente funcionam.

Para o que você está realmente apontando seu agente

O DeepSeek V4.1 Flash foi lançado em 10/09/2026 — a nota de lançamento na própria documentação da API da DeepSeek está datada desse dia, e é o menor modelo da nova família de arquiteturas da fornecedora. A DeepSeek informa uma espinha dorsal de mistura de especialistas com 552 bilhões de parâmetros, construída sobre o que ela chama de design Causal Encoder–Decoder, ativando cerca de 8 bilhões de parâmetros por token durante o prefill e 16 bilhões durante o decode. Ele recebe texto e imagens como entrada e retorna texto, atende a uma janela de contexto de até um milhão de tokens e gera até 384.000 tokens em uma única resposta — os limites de contexto e de saída vêm ambos da própria página do modelo no OrcaRouter, que lista 1.048.576 e 384.000, respectivamente.

Os benchmarks do fornecedor, do gráfico na página de lançamento da DeepSeek e, portanto, relatados pelo fornecedor e não auditados: 30,0 no Terminal-Bench 3.0, 74,2 no DeepSWE v1.1, 88,1 no CyberGym, 54,8 no Automation-Bench e 90,9 no GPQA Diamond. A pontuação independente é mais escassa, mas existe — a Artificial Analysis, consultada diretamente hoje, coloca o DeepSeek V4.1 Flash em 40 em seu Intelligence Index, classificado em 6º de 113 em sua classe de comparação. Uma linha dessa mesma página importa mais para um leitor de agente de codificação do que a classificação: a Artificial Analysis rotula o modelo como muito verboso, tendo consumido 250M tokens de saída para completar sua execução do Intelligence Index contra uma mediana de 140M. Voltaremos a isso.

Dois fatos sobre nomenclatura economizam tempo real de depuração. O id canônico do modelo da API da DeepSeek agora é code>deepseek-flash/code>. As strings mais antigas code>deepseek-v4-flash/code> e code>deepseek-v4-flash-vision-exp/code> ainda são aceitas, mas os modelos por trás delas foram desativados e as requisições são atendidas pelo V4.1 Flash ao preço do Flash. Separadamente, o DeepSeek V4 Pro não sumiu: a documentação da DeepSeek afirma que o serviço de API do V4 Pro continua após 2026-09-14 com cobrança inalterada. Se lhe disseram que o modelo principal foi desligado, não é isso que a própria documentação do fornecedor diz.

OpenCode: dois caminhos de entrada, e o id que você realmente deve digitar

Há duas maneiras de colocar o DeepSeek V4.1 Flash por trás do OpenCode, e elas têm economias diferentes.

A rota de assinatura é o OpenCode Go, um plano de US$ 10/mês que a OpenCode descreve como um conjunto curado de modelos de codificação abertos que ela testou e avaliou. A configuração é feita em quatro etapas e não há arquivo de configuração para editar manualmente: faça login no OpenCode Zen, assine o Go, copie a chave de API e depois execute code>/connect/code> na TUI, escolha OpenCode Go e cole a chave. Depois disso code>/models/code> lista o que está disponível. As referências de modelo na configuração têm o formato code>opencode-go/<model-id>/code>.

Qual id de modelo? Ambos. A própria lista de modelos do gateway Go, obtida hoje de code>https://opencode.ai/zen/go/v1/models/code>, retorna code>deepseek-flash/code> e code>deepseek-v4.1-flash/code> como duas entradas distintas, ao lado do legado code>deepseek-v4-flash/code> e code>deepseek-v4-pro/code>. Qualquer uma das duas primeiras resolve para o modelo que você quer; code>deepseek-flash/code> é o nome canônico e a escolha mais segura para qualquer coisa que você pretenda manter em execução.

A rota direta ignora completamente a assinatura: execute code>/connect/code>, pesquise por DeepSeek e cole uma chave de plataforma DeepSeek. Você então é cobrado pela DeepSeek pelo preço de tabela, em vez de consumir uma franquia do Go. A DeepSeek publica o preço de tabela como, fora do horário de pico, US$ 0,15 por 1M tokens de entrada e US$ 0,60 por 1M tokens de saída, com leituras em cache a US$ 0,003 por 1M — e exatamente o dobro desses valores durante os horários de pico. Tanto a documentação do OpenCode Go quanto a página de modelo do OrcaRouter, consultadas hoje, concordam com esses números.

O que o OpenCode Go acrescenta é a estrutura de franquias, e aqui vale a pena ler os números com atenção, porque são eles o motivo pelo qual o prazo é importante. A própria documentação do OpenCode lista o DeepSeek V4.1 Flash com um limite mensal de $15, atualmente multiplicado 4× para $60 no âmbito de uma promoção que o OpenCode marca como "Ends Sep 20". As contagens estimadas de requisições são publicadas em duas colunas: 6.500 a cada 5 horas / 16.250 por semana / 32.500 por mês na tarifa padrão, ou 26.000 / 65.000 / 130.000 com o multiplicador de 4× aplicado. O formato da franquia é consistente entre os modelos — o limite de 5 horas corresponde a 20% do valor mensal, o limite semanal a 50%, e o limite mensal ao total.

Esses são os números publicados do OpenCode, lidos hoje na sua documentação de Go. A promoção é deles para encerrar, e tem data marcada.

Command Code: ainda ativo, e um relatório de bug que vale a pena conhecer

O próprio catálogo do Command Code ainda lista o modelo até hoje, sob o id code>deepseek-v4-1-flash/code>, com uma janela de contexto de 1M tokens e a mesma economia de repasse: $0.15 / $0.60 fora de pico, $0.30 / $1.20 em pico, $0.003 por leitura em cache. Os preços idênticos em dois harnesses independentes não são coincidência — ambos estão repassando o preço de tabela da DeepSeek em vez de definir o seu próprio.

A mecânica é simples. Instale com code>npm i -g command-code/code>, execute-o no diretório do seu projeto, autentique-se com code>/login/code>, e use code>/connect/code> se você quiser trazer sua própria chave de provedor. code>/model <id>/code> aplica uma alteração de modelo diretamente, enquanto um code>/model/code> sem argumentos abre um seletor, e code>/effort/code> define o esforço de raciocínio para o modelo atual — o parâmetro que mais importa aqui.

Vale a pena guardar na cabeça um relatório de bug da comunidade antes de você depurar a camada errada. Uma issue aberta contra uma camada de roteamento de terceiros descreve um cache de replay de raciocínio que nunca é acionado para o id code>command-code/deepseek-v4.1-flash/code>, porque o padrão com o qual a camada de roteamento faz a correspondência espera um segmento code>v4./code> ou code>v4-/code> e a string é code>v4.1/code>. O sintoma relatado são erros 400 do upstream reclamando que o conteúdo de raciocínio produzido no modo de pensamento deve ser devolvido à API. Esse é um relatório de bug da comunidade sobre um matcher do lado do cliente, não é orientação do fornecedor nem um problema com o modelo — mas é exatamente o tipo de coisa que parece uma falha do modelo às 2 da manhã.

Claude Code, Codex e os clientes que o próprio OpenCode validou

O OpenCode Go não é exclusivo do OpenCode, e a documentação deles diz isso explicitamente: ele é projetado para o OpenCode e outros agentes de codificação que produzem padrões de requisição semelhantes, com uma lista publicada de clientes validados para funcionar. Essa lista atualmente inclui Hermes, Claude Code, Codex, ZCode e Pi — e, para o Claude Code, a observação é que ele "reconhece seu cabeçalho de sessão nativo. Nenhum wrapper de cabeçalho personalizado é necessário." Dois requisitos vêm com isso: identifique seu cliente com seu próprio user agent, em vez de um nome genérico de SDK, e envie um identificador de sessão estável no code>x-opencode-session/code> cabeçalho em cada conversa, que é o que permite que o roteamento e o cache de prompts deles funcionem. Para o Hermes, a build validada importa — a correção do cabeçalho foi mesclada após a v0.21.0, então essa versão sozinha não a inclui.

Há também uma rota sem qualquer assinatura associada, usando diretamente o endpoint compatível com Anthropic da DeepSeek. Defina code>ANTHROPIC_BASE_URL/code> como code>https://api.deepseek.com/anthropic/code>, code>ANTHROPIC_AUTH_TOKEN/code> como sua chave da DeepSeek, e aponte as variáveis de modelo para o modelo. Os nomes de modelo da Claude são remapeados na entrada: qualquer coisa que comece com code>claude-opus/code> vai para o DeepSeek V4 Pro e é cobrado pelo preço do V4 Pro, enquanto code>claude-sonnet/code> e code>claude-haiku/code> nomes vão para o modelo Flash. O code>[1m]/code> sufixo na string do modelo solicita a variante de contexto de um milhão de tokens. O próprio guia da DeepSeek para esta configuração também define code>CLAUDE_CODE_EFFORT_LEVEL=max/code> e fixa a janela de compactação automática em 786432 tokens.

Essa última variável é onde mora uma correção da comunidade. Existe um proxy alternativo porque builds recentes do Claude Code enviam code>thinking: {"type": "disabled"}/code> em solicitações de subagente, enquanto code>CLAUDE_CODE_EFFORT_LEVEL=max/code> adiciona um parâmetro de esforço de raciocínio, e o endpoint do DeepSeek no formato Anthropic rejeita essa combinação com uma mensagem sobre opções de thinking não poderem ser desativadas quando o esforço de raciocínio está definido. A solução alternativa relatada é restrita — remover o parâmetro de esforço apenas das solicitações de subagente, deixando o agente principal intacto. Trate isso como um achado da comunidade sobre uma incompatibilidade de contrato entre cliente e servidor, e espere que a fronteira exata de versão mude.

O dial de esforço: 1–100, e por que "baixo" significa 50

Tudo nesta seção é uma constatação da comunidade, e não uma orientação de fornecedor. A DeepSeek não publica um mapeamento verificável de predefinição para número, e os números abaixo vêm de relatos de profissionais e de documentação de harness de terceiros. Eles são consistentes o suficiente entre as fontes para serem úteis, e não confirmados o suficiente para que você os teste no seu próprio trabalho.

O DeepSeek V4.1 Flash é treinado com um escalar contínuo de esforço de raciocínio de 1 a 100. Não é um limite de tokens — ele desloca onde o modelo se posiciona em uma curva que o processo de treinamento aprendeu, na qual um esforço menor aplica mais pressão para ser conciso e um esforço maior torna o raciocínio adicional mais barato. Três predefinições públicas se mapeiam nessa escala:

• Baixo — 50, o caminho mais curto, e a predefinição que dá ao controlo a sua reputação de barato.

• Alto — 75, e o nível que a maioria das fontes da comunidade descreve como o teto sensato para o trabalho de agentes.

• Max — 100, onde a penalidade sobre o comprimento do raciocínio é totalmente removida.

O que o dial proporciona é real, mas com retornos acentuadamente decrescentes. Uma varredura de benchmarks da comunidade relatou que elevar o esforço de 25 para 100 levou o Terminal-Bench 2.1 de 82,4 para 90,6, enquanto aumentou os tokens de saída totais em aproximadamente 2,5×. Os relatos convergem para um esforço entre 60 e 80 que captura a maior parte da acurácia disponível por menos da metade do orçamento de tokens, com o máximo acrescentando mais 1,6–1,8× às trajetórias do agente por um ganho marginal.

O padrão é a parte sobre a qual ninguém entra em acordo. Alguma documentação de harness e relatos de profissionais dizem que um esforço não definido resolve para high; outros descrevem o padrão do servidor como simplesmente desconhecido. O que está documentado, e não em debate, é que duas integrações de harness foram identificadas falhando em enviar o parâmetro de forma alguma — o perfil de provedor OpenCode Go e um perfil nativo do DeepSeek ambos deixavam de emitir code>reasoning_effort/code> para o code>deepseek-flash/code> slug, porque sua guarda de correspondência esperava um code>deepseek-v…/code> prefixo que o id canônico não possui. Em ambos os casos, a configuração escolhida pelo usuário foi silenciosamente substituída pelo padrão do provedor. Se seu cliente mostra um controle de esforço, isso não é evidência de que ele está no tráfego. Registre um corpo de requisição e confira.

Mais uma peculiaridade dos mesmos relatos: o endpoint do OpenCode Go aceita code>low/code>, code>medium/code>, code>high/code> e code>max/code>, mas rejeita um valor inteiro para effort — foi relatado que um valor de 80 retorna HTTP 400. O ajuste de 1–100 existe no modelo, mas não é exposto como um número bruto em todos os lugares, então "definir effort para 65" pode não ser expressável no seu cliente.

O modo de falha de pensar demais, e o que realmente o corrige

Este é o modo de falha que decide se você mantém o modelo no seu loop. Relatos da comunidade descrevem o DeepSeek V4.1 Flash continuando a raciocinar depois que o trabalho é concluído: voltando a argumentar sobre um ponto que já respondeu corretamente, narrando a correção de suas próprias suposições erradas e produzindo longas cadeias de raciocínio com baixa densidade de informação. Um profissional relatou que a saída de raciocínio continuou por mais de uma hora dentro de uma sessão de CLI de programação. Outro relatou não conseguir, de jeito nenhum, fazê-lo terminar uma longa execução de benchmark.

Uma nota de proveniência sobre esse segundo relatório, porque é o tipo de alegação que passa por lavagem. Ela vem de um tópico da comunidade sobre executar o modelo de forma confiável, e o Reddit bloqueia nosso coletor, então não conseguimos ler o tópico diretamente — estamos repassando o relatório, em vez de citar uma página que abrimos. O que conseguimos verificar de forma independente é a forma do problema e, nesse ponto, a evidência externa é excepcionalmente clara: a Artificial Analysis, em sua própria página, sinaliza que o modelo é muito prolixo, consumindo 250M tokens de saída para completar uma execução que seu modelo de comparação mediano conclui em 140M. Isso é aproximadamente 1,8×, medido por um terceiro, em um conjunto fixo de tarefas. Os relatos do fórum e a métrica independente descrevem o mesmo comportamento.

As mitigações que resultam desses relatórios, todas provenientes da comunidade:

• Fixe o esforço em alto ou abaixo disso e recuse-se a deixá-lo escalar. A correção mais explícita vista por aí é um plugin de roteamento escrito especificamente para impedir a escalada de esforço: a profundidade do turno não contribui em nada para a pontuação de escalada, apenas um resultado de ferramenta com falha ou uma nova tentativa idêntica contam, a escalada tem um limite máximo, e o nível máximo é opcional e rebaixado por padrão. Se o seu harness permite que um agente aumente o próprio esforço à medida que uma execução se prolonga, esse é o mecanismo a desativar.

• Não use o modo máximo como padrão. Vários profissionais relatam que o modo máximo fica girando em vez de convergir em trabalho de rotina, e voltar para o modo alto resolve isso.

• Limite code>max_tokens/code> em caminhos interativos. Um teto de saída de 384.000 tokens é um limite, não uma meta, e um loop que não termina é caro nesse teto.

• Verifique se o parâmetro está sendo enviado. Dado que dois harnesses foram descobertos a descartá-lo silenciosamente, "Eu o defini como high" e "high chegou à API" são alegações diferentes.

• O harness importa mais do que você esperaria. Profissionais que executam os mesmos pesos relatam comportamento acentuadamente diferente entre shells — o mesmo modelo que discute consigo mesmo e enterra o sinal em um harness não atrai nenhuma dessas reclamações em outro. Essa é uma observação da comunidade sobre o comportamento do harness, não uma afirmação de fornecedor sobre o modelo, mas é o conselho mais repetido nos relatórios.

O que um loop de codificação realmente custa com essas tarifas

O preço de tabela da DeepSeek é de US$ 0,15 por 1 milhão de tokens de entrada e US$ 0,60 por 1 milhão de tokens de saída fora de pico — a saída custa quatro vezes a entrada, e essa é a primeira coisa a internalizar sobre um agente que gera tanto raciocínio quanto código.

Considere um turno realista de agente: 60.000 tokens de contexto (prompt de sistema, esquemas de ferramentas, um trecho do repositório, histórico da conversa) na entrada, e 3.000 tokens de raciocínio mais um patch na saída. Isso dá 60.000 × $0,15/1M = $0,009 de entrada, mais 3.000 × $0,60/1M = $0,0018 de saída, ou cerca de 1,1 centavos por turno. Duzentos turnos assim em um dia de trabalho equivalem a aproximadamente $2,16, ou cerca de $47 ao longo de um mês de dias úteis na tarifa fora de pico. Essa é a aritmética que faz um crédito mensal de $15 com uma promoção de 4× em cima parecer generoso — e a aritmética que faz da verbosidade o ponto a ficar de olho.

Porque é aqui que está a alavancagem escondida naquele número da Artificial Analysis. O facto de o modelo usar 1,8× os tokens de saída medianos num conjunto fixo de tarefas significa que um ciclo limitado pela saída custa 1,8× o que o preço dos tokens, por si só, sugere. E o seletor de esforço é exatamente o controlo para isso. Relatos da comunidade indicam que passar de max para high reduz os tokens de saída para cerca de metade — uma variação muito maior do que qualquer coisa que o horário de pico/fora de pico lhe possa fazer. A definição de esforço é a grande alavanca; o horário é a que sai de graça.

O que vale a pena saber antes de agendar seja o que for: os horários de pico são 01:00–04:00 e 06:00–10:00 UTC, de segunda a sexta-feira, e tudo o resto, incluindo os fins de semana, está fora de pico. Uma equipa europeia que trabalhe das 09:00 às 18:00 CET nunca entra em pico. Uma equipa em Pequim que trabalhe nos mesmos horários locais entra em pico das 09:00 às 12:00 e das 14:00 às 18:00 — sete das nove horas de trabalho a preço duplo. Mesmo modelo, mesmo código, o dobro da fatura, decidido inteiramente pelo fuso horário.

A outra economia gratuita é a taxa de leitura em cache, US$ 0,003 por 1M contra US$ 0,15 para entrada nova — um quinquagésimo. O prompt de um agente de codificação é, em grande parte, um prefixo estável: instruções de sistema, definições de ferramentas, as partes do repositório que não mudam. Mantenha o material estável no início e deixe o conteúdo variável vir depois, e o cache do lado do provedor faz o resto. Se a entrada em cache com desconto se aplica, e em quais condições, é definido pela DeepSeek e não pelo cliente, então confirme na documentação atual antes de basear um orçamento nisso — nossa própria página do modelo para code>deepseek/deepseek-v4.1-flash/code> diz o mesmo, que a taxa de entrada em cache segue os termos do provedor.

Se preferir não acrescentar uma segunda subscrição para avaliar o modelo, o mesmo id está disponível através de um endpoint compatível com OpenAI à frente de todo o nosso catálogo, à tarifa do fornecedor com 0% de margem — por isso, uma alteração de preço do lado da DeepSeek fica ativa aqui no mesmo dia, e não na próxima reprecificação. Isso é especialmente importante exatamente para a situação descrita neste artigo: um modelo com uma tendência documentada para continuar, num percurso cuja avaliação ainda não terminou. Uma cadeia de fallback significa que um turno que corre mal acaba noutro modelo antes de a resposta começar, em vez de fazer falhar o pedido.

552B, 748B ou 763B — a questão do tamanho está genuinamente em aberto

Não repita uma contagem de parâmetros para este modelo como estabelecida, porque três números diferentes estão em circulação e nenhum deles é simplesmente errado.

O próprio cartão de modelo da DeepSeek descreve um modelo com “552B de parâmetros de backbone”, e esse é o número informado pelo fornecedor — também é o número apresentado no painel de especificações da nossa própria página do modelo. O mesmo cartão lista separadamente um módulo “Engram conditional memory” de 196B de parâmetros, “acessado de forma esparsa por meio de busca baseada em tokens”. Somando os dois, chega-se a 748B, que é o cálculo a que a análise da comunidade chegou poucas horas após o lançamento. E os metadados de arquivo no mesmo repositório do modelo listam um tamanho de modelo de 763B de parâmetros, o que é, mais uma vez, um terceiro número.

A aparente disputa é uma questão de definição, e não uma contradição. Parâmetros do Engram consultados em tabela custam memória, mas quase nenhuma aritmética por token, enquanto parâmetros computados do backbone custam tempo a cada token — e é exatamente por isso que o fornecedor os reporta separadamente e por que comparar os números de destaque de dois modelos com arquiteturas diferentes revela muito pouco.

O que não é seriamente contestado é a contagem de parâmetros ativos: cerca de 8B por token durante o prefill e 16B durante a decodificação, que é o número que de fato determina o custo de inferência. Os pesos são abertos sob licença MIT, caso você queira verificar qualquer uma dessas coisas por conta própria. Trate 552B como informado pelo fornecedor, 748B como um total confiável da comunidade, e qualquer alegação de que a questão do tamanho está encerrada como prematura.

O que fazer antes do dia 20

Se você vai testar o DeepSeek V4.1 Flash em um agente de programação, a ordem que desperdiça menos tempo é: escolha primeiro o harness, depois fixe o esforço, depois meça.

No harness, o resumo honesto da verificação de hoje é que todas as três rotas funcionam e diferem no que exigem de você. OpenCode Go é uma assinatura de $10/mês com um multiplicador promocional que expira em 20 de setembro, e a configuração é code>/connect/code> mais code>/models/code> sem nenhum arquivo para editar. Command Code lista o modelo em tempo real em seu próprio catálogo, alterna com code>/model <id>/code>, e expõe o esforço como um comando de primeira classe. Claude Code o alcança ou pelo caminho de clientes validados do OpenCode Go — onde não precisa de um wrapper de cabeçalho personalizado — ou diretamente contra o endpoint no formato Anthropic da DeepSeek, onde o conflito de esforço do subagente é a aresta áspera conhecida.

Sobre o esforço, defina-o explicitamente e defina-o como relativamente baixo: alto, ou o padrão do modelo, se for isso que “alto” acabar sendo, e não máximo. Depois, confirme que ele saiu da sua máquina, porque foi descoberto que dois harnesses o estavam descartando.

Na medição, observe os tokens de saída em vez do tempo de relógio. A verbosidade é o custo, o ajuste de esforço é o controle, e o cronograma de pico é um acidente de fuso horário que você pode evitar de graça.

E quanto às alegações de tamanho que você verá citadas esta semana — 552B, 748B, 763B —, a resposta útil é que o fornecedor informa seu backbone, a comunidade acrescenta o módulo de memória, e os metadados do repositório dizem ainda outra coisa. Quem apresenta um desses como a resposta definitiva escolheu um número em vez de conferi-lo.