DeepSeek V4.1 Flash vs DeepSeek V4 Flash: Uma semana depois, com medições independentes

A pergunta que esta comparação foi escrita para responder — você deve migrar do DeepSeek V4 Flash para o DeepSeek V4.1 Flash — ficou mais curta esta semana, porque a DeepSeek respondeu a parte dela sem que ninguém perguntasse. Desde as 04:00 UTC de 14 de setembro de 2026, chamadas de API direcionadas ao identificador aposentado deepseek-v4-flash são atendidas pelo DeepSeek V4.1 Flash, e as chamadas direcionadas a deepseek-v4-pro também são, ambas cobradas com tarifas do Flash. Ficar parado em silêncio já não é uma das opções no próprio endpoint do fornecedor. O que ainda está realmente em aberto é se o novo modelo é melhor nos aspectos que o lançamento alegou — e aí a primeira medição independente acaba de chegar, e ela divide a história do lançamento bem ao meio.

Todos os números abaixo estão datados, porque os últimos sete dias mudaram. Os números relatados por fornecedores são rotulados como relatados por fornecedores, e os números da comunidade como medidos pela comunidade, e cada um foi lido em sua própria fonte, em vez de provir da versão anterior deste artigo. O DeepSeek V4.1 Flash alcançou disponibilidade geral em 10 de setembro de 2026 — seis dias atrás — e já se assentou o suficiente desde 9 de setembro para que o rascunho anterior desta comparação agora induza a erro em dois pontos. Um deles é a velocidade, e ele induz a erro na direção que o lançamento queria.

O que fechou entre 9 de setembro e hoje?

Seis coisas eram questões em aberto quando este pareamento foi inicialmente descrito. Todas as seis agora têm respostas, e apenas uma delas é má notícia.

• Disponibilidade geral — confirmada e datada. O changelog do próprio DeepSeek registra o lançamento como 2026-09-10, e o modelo está ativo no App, no cliente web e na API sob o identificador deepseek-flash.

• A tabela de preços — saiu como anunciado. As tarifas que circularam antes do lançamento foram noticiadas como um vazamento pré-lançamento; agora são a tabela publicada, e são os números duas seções abaixo.

• Pesos abertos — respondido. Os pesos são publicados no Hugging Face sob uma licença MIT, com um relatório técnico em anexo, sem barreira e sem formulário de acesso.

• Medição independente — chegou. A Artificial Analysis agora rodou o DeepSeek V4.1 Flash, que era a maior lacuna isolada no artigo de 9 de setembro. Ela é discutida abaixo, e não diz o que o lançamento dava a entender.

• Roteamento — ativado. O redirecionamento do tráfego do DeepSeek V4 Pro que o anúncio de lançamento descrevia como futuro agora está em vigor, com uma data definida.

• Suporte a serving — entregue, com ressalvas. NVIDIA vLLM, SGLang e Dynamo lançaram caminhos day-zero; o cenário do local-runner é mais restrito do que "suporte day-0" faz parecer.

Duas coisas não mudaram e devem vir antes dos números. O DeepSeek V4.1-Pro ainda não foi lançado: os próprios materiais da DeepSeek descrevem o redirecionamento do Pro como funcionando "até o V4.1-Pro ser lançado", e até hoje nada foi lançado. E o DeepSeek V4 Flash não deixou de existir — seus pesos ainda são abertos e licenciados sob MIT, e quem o auto-hospeda continua funcionando. O que acabou foi o caminho de API do fornecedor para acessá-lo.

Por baixo do capô: um modelo diferente, não um mais rápido

A comparação de 9 de setembro argumentou que o DeepSeek V4.1 Flash não é o DeepSeek V4 Flash com o botão de velocidade aumentado, e uma semana de detalhes publicados tornou isso concreto. Enquanto o modelo mais antigo é uma mistura de especialistas de 284B parâmetros com 13B ativos — a atualização pós-treinamento V4-Flash-0731 —, o sucessor é uma nova arquitetura que a DeepSeek chama de Causal Encoder-Decoder: um codificador causal de 20 camadas empilhado sobre um decodificador de 20 camadas, 40 camadas Transformer, com o cache KV do decodificador projetado a partir dos estados ocultos finais do codificador em vez de calculado camada por camada. Esse último detalhe é de onde vêm as alegações de eficiência.

• Parâmetros ativos — O DeepSeek relata aproximadamente 8B ativos por token durante o pré-preenchimento e 16B durante a decodificação, em comparação com 552B de parâmetros do backbone. O DeepSeek V4 Flash ativa 13B em um backbone de 284B.

• Cache KV — a DeepSeek relata que a nova build precisa de um quarto da HBM e um oitavo do SSD da geração Flash anterior. Observe qual desses é o valor persistente: a redução de 8x é a que determina quanto contexto você pode manter parado em disco entre turnos.

• Entrada — texto e imagens nativamente em um único modelo. O DeepSeek V4 Flash é apenas texto, e o trabalho com imagens exigia a versão experimental separada DeepSeek-V4-Flash-Vision-Exp, que agora foi descontinuada junto com ele.

• Contexto e saída — 1.048.576 tokens de contexto e um teto de saída de 384.000 tokens, o mesmo formato de manchete que o DeepSeek V4 Flash publicou.

• Pesos — MIT, publicados no Hugging Face.

Toda comparação baseada em tamanho acima traz uma ressalva, e vale a pena declará-la claramente, em vez de deixá-la em uma nota de rodapé. O número de 552B do backbone é do fornecedor. A própria listagem de arquivos do checkpoint totaliza cerca de 510GB, o que é menor do que uma leitura ingênua de 552B parâmetros sugeriria, porque os pesos já vêm quantizados. E o cartão de modelo da DeepSeek declara separadamente uma tabela de memória condicional Engram de 196B parâmetros — uma consulta endereçada por token, consultada em dois pontos da rede, em vez de uma camada pela qual o texto passa. Some os dois números do próprio fornecedor e você obtém 748B, que é exatamente a leitura a que chegou uma análise comunitária confiável quando contestou a manchete dos 552B. A própria página do modelo no Hugging Face exibe um terceiro número, 763B, na barra lateral. Três números, todos defensáveis, dependendo se você está contando a pilha de computação, a tabela de memória ou o arquivo em disco. Trate qualquer "552B" em uma comparação de especificações como a contagem do backbone do fornecedor, não como o tamanho do download.

Duas linhas daquele cartão eram questões em aberto no dia do lançamento, e ambas já foram preenchidas desde então: os pesos são publicados sob a licença MIT, e já existe a primeira pontuação de terceiros. A linha da velocidade é a que seguiu o caminho oposto, e ganha uma seção própria abaixo.

O cartão de tarifas está confirmado — e ainda é um só cartão.

O achado central da comparação anterior se mantém, e agora é mais do que um rumor. DeepSeek V4.1 Flash e DeepSeek V4 Flash são cobrados com base em uma única tabela de tarifas de nível Flash, em vez de duas, e, como os identificadores antigos agora apontam para o novo modelo, qualquer coisa que ainda chame deepseek-v4-flash também é cobrada na nova tabela. Estes são os números publicados da DeepSeek, em vigor a partir das 04:00 UTC de 10 de setembro de 2026:

• Entrada com cache hit — $0,003 por 1 milhão de tokens fora de pico, $0,006 em horário de pico

• Entrada não cacheada — $0,15 por 1M de tokens fora do horário de pico, $0,30 no horário de pico

• Saída — $0.60 por 1M tokens fora de pico, $1.20 no pico

• Períodos de pico — 01:00–04:00 e 06:00–10:00 UTC nos dias úteis. Fins de semana e feriados são fora de pico a qualquer hora do dia.

A coluna fora de pico é a que aparece nas cotações, e a coluna de pico é a que dói: uma manhã de trabalho na Europa ou na Ásia cai dentro de uma janela de pico e paga o dobro, o que transforma uma tarifa de entrada anunciada de US$ 0,15 em US$ 0,30 exatamente nas horas em que a maioria das equipes está de fato gerando tráfego. Orce com base na coluna de pico, a menos que sua carga de trabalho realmente rode durante a noite em UTC.

Em comparação com a tabela de preços do DeepSeek V4 Flash cobrada antes da mudança — US$ 0,007 para acerto de cache, US$ 0,22 para miss de cache e US$ 0,66 para saída por 1 milhão de tokens fora de pico —, a nova tabela reduz a entrada em cache em cerca de 57%, a entrada com miss de cache em cerca de 32% e a saída em cerca de 9%. Assim, o sucessor é mais barato por token do que o modelo que substitui, por uma margem grande nos tokens que um loop de agente relê constantemente e modesta nos tokens que gera. Essa é a verdadeira forma da história do "corte de preço do Flash": é um corte nos acertos de cache com um desconto na saída atrelado.

Essa captura é o cartão como estava antes do corte de 10 de setembro — a planilha contra a qual o DeepSeek V4 Flash foi cobrado até agosto, mantida aqui como o lado "antes" da comparação. O lado "depois" são os quatro tópicos acima.

O que os benchmarks realmente dizem, e quem os executou

O quadro de referência tem duas metades que são rotineiramente citadas como uma só, e têm um estatuto muito diferente.

A primeira metade é a própria tabela de avaliação da DeepSeek, publicada junto com o lançamento. Ela coloca o DeepSeek V4.1 Flash em 74,2 no DeepSWE v1.1 — à frente do Claude Opus 5 com 74,0, do GPT-5.6 Sol com 73,0, do Kimi K3 com 67,5, do GLM-5.3 com 66,9, do DeepSeek V4 Pro 0813 com 62,7 e do DeepSeek V4 Flash 0731 com 54,4. São números executados pelo próprio fornecedor, medidos com esforço máximo de raciocínio, e o mesmo lançamento relata que o checkpoint idêntico pontua em algum ponto entre 65,5 e 74,2 em oito scaffolds de agente diferentes — 74,2 no scaffold que mais lhe favorece, 69,8 sob o Claude Code, 65,6 sob o Codex, 65,5 sob o OpenCode. Uma margem de 0,2 ponto sobre o Claude Opus 5, numa suíte executada pelo fornecedor, extraída do mais favorável de oito scaffolds, não estabelece uma liderança sobre o Claude Opus 5. Estabelece que o novo Flash é competitivo com a fronteira em codificação agêntica quando tudo é configurado do jeito dele — o que é um resultado real e muito menor do que "à frente do Opus 5" soa.

A segunda metade é a parte que não existia em 9 de setembro. A Artificial Analysis agora mediu o DeepSeek V4.1 Flash de forma independente e o coloca em 40 no Intelligence Index, contra 35 do DeepSeek V4 Flash 0731 — sexto entre 113 modelos medidos, contra o oitavo lugar do modelo que substitui, e bem acima da mediana de 18 para modelos de pesos abertos de tamanho comparável. Esse é o número que a versão anterior deste artigo dizia que ainda não existia, e isso resolve a questão mais ampla a favor do sucessor: no composto de raciocínio, conhecimento, matemática e programação de uma terceira parte, a nova versão é mensuravelmente o modelo mais forte. Isso não resolve a questão da fronteira, porque o mesmo ranking tem Kimi K3 e GLM-5.3 acima dele.

A história da velocidade não sobreviveu à medição.

É aqui que a comparação anterior precisa ser corrigida, e não ampliada. Seu eixo central era que os dois modelos compartilham uma tabela de preços e se diferenciam na velocidade, com o DeepSeek V4 Flash medido em cerca de 120–140 tokens de saída por segundo e testadores do primeiro dia do DeepSeek V4.1 Flash relatando 280 a 500, com picos acima de 500. Essa diferença não se reproduziu.

Segundo a medição da Artificial Analysis, o DeepSeek V4.1 Flash gera 214,4 tokens de saída por segundo e o DeepSeek V4 Flash 0731 gera 214,9 — um empate técnico, uma diferença de meio token por segundo, com a mesma metodologia que produziu ambos os números. Independentemente do que os testes da comunidade no primeiro dia estavam medindo, não se tratava de uma comparação em condições iguais: tokens por segundo variam conforme o provedor, o hardware, o tamanho do lote, a concorrência e quanto da resposta corresponde a tokens de raciocínio, e os números da semana de lançamento vieram de configurações que diferiam em todos esses cinco fatores. A revisão honesta é que a vantagem de vazão que o lançamento sugeria não é visível em medições independentes. Qualquer pessoa que migrou para o DeepSeek V4.1 Flash esperando duas a três vezes mais velocidade deveria refazer as medições com o próprio tráfego antes de assumir isso.

O quadro de custos é mais interessante do que o de velocidade, e também não é uma vitória simples. Com os preços por token da Artificial Analysis — US$ 0,30 de entrada e US$ 1,20 de saída para o novo modelo, contra US$ 0,44 e US$ 1,32 para o antigo, ambos no pico —, o DeepSeek V4.1 Flash é mais barato por token. Mas o custo medido por tarefa do Intelligence Index fica em US$ 0,27 contra US$ 0,22, ligeiramente maior, porque o novo modelo fala mais: 250M tokens de saída ao longo do índice, contra 240M do antecessor, e é um dos modelos mais verbosos que o leaderboard mede. Um token mais barato que é gasto com mais frequência não é automaticamente uma tarefa mais barata. De que lado você fica depende inteiramente de sua carga de trabalho ser dominada por contexto relido, em que o corte de 57% nos acertos de cache faz o trabalho, ou por saída gerada, em que a verbosidade consome o desconto.

Suporte de serving no Dia 0, e quanto isso realmente vale

Se você já auto-hospeda o DeepSeek V4 Flash, esta é a seção que decide se a migração é barata, e a resposta é: mais barata do que o normal, mas não gratuita, e não no ambiente de execução que a maioria das pessoas quer dizer com "localmente".

• NVIDIA vLLM — disponibilizou um caminho day-zero como imagem Docker de pré-visualização, em vez de um pacote lançado; o suporte à arquitetura não foi integrado no mainline no momento do lançamento, pelo que não existe um pip install que o inclua. Verificado em várias plataformas NVIDIA, e não apenas numa, com um limite mínimo de memória de cerca de 614 GB para os pesos, mais margem.

• SGLang — imagem de pré-visualização day-zero e uma entrada de cookbook, publicadas sem números de desempenho porque o fornecedor considerou as medições do período de desenvolvimento instáveis. Verificado em hardware da classe GB300, com outros listados como ainda em confirmação.

• NVIDIA Dynamo — receitas de implantação day-zero ao lado das suas receitas Flash e Pro existentes.

• Outro silício — a Cambricon relatou adaptação no dia zero por meio do vLLM no mesmo dia.

• Ollama e llama.cpp — a lacuna. O Ollama lista o modelo, mas como um encaminhamento para a nuvem: ele roda nos servidores da Ollama, não nos seus. O suporte à arquitetura do llama.cpp ainda não foi integrado, então ainda não há um caminho local upstream, e existem conversões GGUF da comunidade sem um runtime lançado que as execute de ponta a ponta.

A leitura prática: o ecossistema de frameworks avançou de forma excepcionalmente rápida, e, se você está implantando no vLLM ou SGLang em um nó multi-GPU, você tem um caminho documentado em questão de dias após o lançamento. Se sua implantação do DeepSeek V4 Flash é uma máquina llama.cpp ou Ollama, ainda não há equivalente, e o checkpoint de ~510GB significa que é improvável que haja um nos tamanhos que o hardware implica. Os pesos também não são o mesmo tipo de problema: o DeepSeek V4 Flash, com 284B no total, é uma proposta para nó único, e a nova build com 552B de backbone — antes da tabela Engram — não é.

O roteamento mudou, e mudou para você

A parte mais subnoticiada deste lançamento ainda é que a DeepSeek está roteando tráfego entre seus próprios modelos e, ao contrário de 9 de setembro, agora tem datas. A partir das 04:00 UTC de 14 de setembro, as solicitações de API destinadas ao deepseek-v4-pro são atendidas pelo DeepSeek V4.1 Flash e cobradas com as tarifas do Flash, uma política que a DeepSeek descreve como vigente até o lançamento do V4.1-Pro. DeepSeek V4 Flash e DeepSeek-V4-Flash-Vision-Exp são desativados de vez, com seus identificadores mantidos ativos apenas como aliases de compatibilidade que também resolvem para o novo modelo.

Leia isso como uma resposta à pergunta para a qual este artigo existe. Há uma semana, os usuários do Pro migraram automaticamente, e os usuários do Flash tinham uma decisão a tomar. Hoje, o fornecedor tomou essa decisão por ambos, o que significa que a escolha ativa na API não é mais "V4 Flash ou V4.1 Flash" — é se seus prompts, evals e modelo de custos estão prontos para um modelo retreinado, ou se você precisa de um fallback completamente diferente.

É a mesma lógica que uma camada de roteamento aplica entre fornecedores, e é a parte que uma plataforma como a OrcaRouter conquista. DeepSeek V4.1 Flash no OrcaRoutercarrega o preço de tabela da DeepSeek — US$ 0,15 por 1M de tokens de entrada e US$ 0,60 por 1M de saída — repassado com 0% de markup, e é isso que faz um corte de preço do fornecedor chegar ao nosso lado no mesmo dia em que chega ao lado dele. DeepSeek V4 Flash no OrcaRoutercontinua podendo ser chamado com a mesma chave enquanto você migra, então a troca é uma string de modelo em vez de um segundo contrato, e DeepSeek V4 Pro no OrcaRouterpermanece listado enquanto o redirecionamento do fornecedor o atende com o novo modelo a preços do Flash. O failover automático entre provedores é a forma barata de testar um modelo retreinado com tráfego real sem apostar um caminho de produção no comportamento do primeiro dia: roteie uma fração, mantenha um modelo comprovado por trás dela e deixe os casos extremos caírem no fallback enquanto você descobre se o novo prompting se comporta bem.

Qual você deve ligar?

Se a resposta honesta ainda fosse "qualquer um, para todos", esta atualização não valeria a pena ser publicada. A semana mudou a decisão duas vezes — uma a favor do sucessor, uma contra.

A razão para migrar para o DeepSeek V4.1 Flash é agora mais forte do que era no dia do lançamento, e baseia-se no número independente, e não na tabela do fornecedor. Quarenta contra trinta e cinco no Intelligence Index é uma diferença real medida por alguém sem qualquer interesse no assunto, o modelo é mais barato por token do que aquele que substitui no mesmo cartão, a entrada de imagens já não precisa de um segundo modelo, e todas as medições de terceiros concordam que ele é, no mínimo, igual ao seu antecessor em throughput, e não duas a três vezes mais rápido. Se está a iniciar uma nova carga de trabalho, ou se dependia do DeepSeek-V4-Flash-Vision-Exp para imagens, a mudança é direta e o custo de migração é uma string de modelo.

O argumento para pausar é mais restrito do que era e mais específico. Se seus prompts, esquemas de chamada de ferramentas e avaliações foram ajustados para o V4-Flash-0731, um modelo retreinado representa uma mudança de comportamento, e não de velocidade — prompting, limites de recusa e comprimento da saída mudam, e o fato de o novo modelo ser mais prolixo é, por si só, uma mudança de comportamento que aparece na sua fatura antes de aparecer nas suas métricas de qualidade. E se sua implantação é auto-hospedada em llama.cpp ou Ollama, ou se seu orçamento depende de tokens de saída em vez de entrada em cache, a economia de migrar não é a que a manchete de lançamento sugeria. Rodar um dia do seu próprio tráfego pelos dois e comparar completions aceitas por dólar lhe dirá mais do que qualquer uma das tabelas acima.

Para a maioria das equipes, a posição defensável uma semana depois não é nenhuma das duas mais ruidosas: trate o DeepSeek V4.1 Flash como padrão porque as evidências independentes agora o sustentam, mantenha o DeepSeek V4 Flash atendendo tudo o que ele já atende bem — seus pesos ainda estão lá, ainda sob MIT — e meça novamente o throughput na sua própria carga de trabalho, em vez de confiar nos números da comunidade da semana de lançamento ou em uma única linha de ranking. O sucessor é genuinamente melhor. Ele só é melhor por uma margem menor, e em pontos diferentes, do que o lançamento sugeria.