DeepSeek V4.1 Flash: Um Modelo Base Totalmente Novo com Número de Release Pontual

DeepSeek V4.1 Flash tem seis dias, e as três questões que seu lançamento deixou em aberto agora se fecharam — duas a favor da empresa e uma nitidamente contra. O modelo em si não mudou desde 10 de setembro: uma mistura de especialistas de 552 bilhões de parâmetros com pesos abertos sob licença MIT, contexto de um milhão de tokens e uma nova arquitetura Causal Encoder-Decoder que o próprio model card do fornecedor classifica sob o que a empresa chama de sua "nova família de arquiteturas". O que mudou foi tudo ao seu redor. Um avaliador independente publicou uma pontuação que não existia na manhã do lançamento. A empresa retirou a descontinuação do DeepSeek V4 Pro que havia anunciado em seu próprio changelog. E o trabalho de serving do dia zero que não existia naquela manhã agora roda em vários runtimes de inferência convencionais — com as duas partes mais difíceis dele, as tabelas de memória do Engram e a divisão prefill/decode da qual as implantações de produção dependem, ainda sendo ativamente retrabalhadas em público.

O descompasso de nomenclatura ainda é o motivo pelo qual este texto existe. Ler “V4 Flash para V4.1 Flash” como uma etapa de patch é a coisa natural a fazer e a coisa errada a fazer: o número da versão está a um decimal de distância de uma recalibração, enquanto, por baixo, a arquitetura funda uma família. Seis dias de evidências não atenuaram isso. Se algo, os números independentes reforçaram-no, porque um modelo que supera em pontuação o carro-chefe de 1,6 trilhão de parâmetros do próprio fornecedor não é uma versão pontual — é uma geração que se recusou a se nomear.

O que realmente foi lançado em 10 de setembro

Isto não foi um vazamento nem uma beta. O teste de API de dois dias que começou em 8 de setembro sob o ID de modelo deepseek-v4.1-flash-expires-on-0910 terminou da forma que o seu sufixo indicava, e o lançamento chegou à aplicação web, à aplicação móvel e à API própria da DeepSeek, com os pesos e um relatório técnico publicados no Hugging Face sob deepseek-ai/DeepSeek-V4.1-Flash.

Os detalhes práticos não avançaram em seis dias:

• Nome do modelo — use deepseek-flash. Os nomes legados deepseek-v4-flash e deepseek-v4-flash-vision-exp ainda são aceitos, mas não correspondem mais aos modelos de antes: ambos foram descontinuados, e as solicitações que os mencionam são atendidas pelo DeepSeek V4.1 Flash e cobradas pela tarifa Flash.

• O que está incluído — uma janela de contexto de 1M de tokens, saída máxima de 384K, saída JSON, chamada de funções, entrada nativa de imagens e um modo de pensamento ativado por padrão, com configurações de esforço baixo, alto e máximo.

• Licença — MIT, pesos incluídos, com uma pasta de inferência e um módulo de codificação separado no repositório. A DeepSeek convidou explicitamente a comunidade de código aberto a criar suporte de inferência no primeiro dia, e a comunidade aderiu a isso mais rapidamente do que o convite sugeria.

O .1 que não é um point release

A afirmação que deu início a este artigo veio de teortaxesTex, um observador pseudônimo, mas muito seguido, da DeepSeek, em uma postagem de 10 de setembro: de que esta é "a primeira vez que a DeepSeek rotula um modelo base completamente novo com uma versão de lançamento .1", de que o V4.1 é "mais diferente do V4 do que, digamos, o LLaMA 3 é do LLaMA 1", e de que a DeepSeek "ainda não acha que isso valha um V5" — sem que o autor da postagem pudesse dizer por que não.

Trate a parte causal como inferência e a parte estrutural como verificável. A inferência — por que a DeepSeek escolheu .1 em vez de V5 — é a leitura de um observador e nada mais; ninguém fora da empresa explicou a decisão, e os próprios materiais da DeepSeek nunca a abordam. A parte verificável é a arquitetura, e ela não parece uma atualização pontual. O changelog da DeepSeek descreve o V4.1 Flash como "o menor modelo da nossa nova família de arquiteturas", o que é uma frase estranha para se escrever sobre um incremento de versão: um incremento de versão estende uma família, não a funda.

Há um custo real para a ambiguidade, e ele recai sobre os compradores, não sobre a DeepSeek. Os números de versão são o sinal mais barato que um desenvolvedor tem para saber "isto é uma nova geração ou um ajuste, e quanto do meu orçamento de avaliação isso merece?" A DeepSeek agora tornou esse sinal não confiável em uma direção — um modelo que funda uma família de arquiteturas fica a uma casa decimal de distância de um que mudou sua receita de pós-treinamento. A empresa pode manter a designação V5 na reserva. Todos os que fazem uma avaliação de migração pagam pela confusão.

O que "nova arquitetura" significa nos pesos

O cartão do modelo é excepcionalmente específico, o que torna a alegação geracional testável sem um único benchmark. Cinco coisas se destacam — a quinta é a que a cobertura do lançamento em grande parte ignorou, e a que acaba sendo mais importante para qualquer pessoa que tente servir esse modelo.

• {{1}}Ativação assimétrica{{/1}} — a divisão {{2}}Causal Encoder-Decoder{{/2}} é um {{3}}transformer de 40 camadas{{/3}} organizado como um {{4}}codificador causal de 20 camadas{{/4}} seguido por um {{5}}decodificador de 20 camadas{{/5}}, onde o {{6}}cache KV global{{/6}} do decodificador é {{7}}projetado a partir dos estados ocultos finais do codificador{{/7}} em vez de {{8}}derivado do próprio cache de cada camada do decodificador{{/8}}. O objetivo desse design é que o modelo ativa apenas {{9}}8B de parâmetros por token durante o prefill{{/9}} e {{10}}16B durante a decodificação{{/10}}. {{11}}Cargas de trabalho de agente intensivas em entrada{{/11}} — {{12}}documentos longos, rastros longos de ferramentas{{/12}} — ficam com {{13}}a metade barata do modelo{{/13}}; a geração fica com {{14}}a metade cara{{/14}}.

• Compressão de cache KV, medida por token — o DeepSeek-V4.1-Flash executa o cache KV principal em FP4 a 890 bytes por token, o que a ficha técnica coloca em aproximadamente um quarto do DeepSeek V4 Flash. A cobertura chinesa foi além e enquadrou a compressão em relação ao modelo V4 de primeira geração como uma redução de 437×; esse número maior é uma aritmética proveniente do fornecedor com base em uma linha de base diferente, portanto trate-o como uma afirmação, e não como uma medição.

• SWA Bounded Replay — a atenção de janela deslizante normalmente força você a persistir o estado KV em SSD para reconstruir o contexto. Em vez disso, este método reconstrói os estados KV de SWA ausentes reproduzindo apenas a janela mais recente de tokens, reduzindo a pegada KV persistente para cerca de um oitavo da do DeepSeek V4 Flash.

• Compressed Sparse Attention 2 — cada camada de atenção opera em um de três modos estáticos (Full, Reindex ou Reuse), compartilhando o estado de KV e do indexador entre as camadas, com um indexador esparso hierárquico que limita o custo das camadas mais profundas independentemente do comprimento do contexto.

• Engram — um módulo de memória condicional que mantém a memória separada da computação, implementado como consultas de hash de n-gramas com gating no fluxo residual do modelo, em vez de como atenção ou como especialistas extras. As duas tabelas fp8 contêm 189 GiB de pesos, segundo a própria descrição da arquitetura feita pelo SGLang, e fornecedores de runtime que portaram o checkpoint estimam que as tabelas tenham cerca de 196B parâmetros além do backbone de 552B — e é por isso que a contagem de parâmetros em destaque no card descreve o backbone, e não o download completo. O Engram é treinado em duas camadas, usa ordens de dois, três e quatro n-gramas em oito cabeças de hash por ordem, e colapsa tokens que normalizam da mesma forma, de modo que variantes de capitalização façam hash para o mesmo bucket. O detalhe de design que vale a pena levar é o custo que ele impõe: cada passo de decodificação lê essas tabelas, então onde você as coloca decide quanto KV cache ainda resta.

Leia esses cinco em conjunto e o quadro estratégico fica legível: trata-se, antes de tudo, de uma arquitetura de esparsidade, eficiência de cache e offload de memória, dimensionada para que a mesma estrutura possa ser ampliada mais tarde. A menção a uma "nova família de arquiteturas" tem peso real — é uma declaração de que há mais por vir.

A pontuação independente finalmente saiu — e ela apoia o fornecedor

Há quatro dias, esta seção teria uma leitura muito diferente. No lançamento, a Artificial Analysis não havia publicado nada sobre o DeepSeek V4.1 Flash, a página do modelo no Hugging Face ainda trazia a nota de que o modelo "não é implantado por nenhum Provedor de Inferência", e a afirmação central de todo o lançamento — de que um modelo de nível Flash supera de forma abrangente um flagship de 1,6 trilhão de parâmetros em desempenho, custo, velocidade e tempo total de tarefa — era uma alegação do fornecedor sem auditoria externa. Todas essas três lacunas foram fechadas desde então.

A Artificial Analysis já avaliou o modelo no seu Intelligence Index, e a versão resumida é que a afirmação da DeepSeek resiste ao escrutínio de um terceiro:

• Intelligence Index — DeepSeek V4.1 Flash obtém 40 no esforço máximo de raciocínio, classificado em sexto entre 113 modelos em sua classe de comparação e bem acima da mediana de 18 para modelos comparáveis de pesos abertos. DeepSeek V4 Pro 0813, o carro-chefe que foi acusado de deslocar, obtém 36 no mesmo índice.

• Custo por tarefa — US$ 0,27 por tarefa do Intelligence Index para o V4.1 Flash, contra US$ 0,67 para o V4 Pro 0813. Essa é a afirmação de capacidade por dólar, reproduzida de forma independente: o modelo mais barato é o mais capaz nessa medida, a cerca de 40% do custo por tarefa concluída.

• Velocidade — 212,1 tokens de saída por segundo, em comparação com uma mediana de 73,1 t/s entre modelos comparáveis, com tempo até o primeiro token de 1,31 s, em comparação com uma mediana de 2,37 s. No mesmo ambiente de teste, o V4 Pro 0813 registra 94,4 t/s e um TTFT de 1,72 s.

• Preço — A Artificial Analysis registra US$ 0,30 por milhão de tokens de entrada e US$ 1,20 por milhão de tokens de saída com 98% de desconto de cache, que é a tabela de preços máxima da DeepSeek conforme publicada, e não um acréscimo premium de terceiros.

Rotule isso corretamente, porque o rótulo mudou. Estas são medições independentes, não números de fornecedores — mas são medições independentes num único harness de terceiros, e um índice não é um veredito sobre um modelo. O que ela de fato resolve é mais restrito e mais útil do que uma posição num ranking: a alegação específica que a DeepSeek fez para justificar a própria linha de produtos, de que o Flash superaria o Pro em capacidade e custo simultaneamente, agora tem corroboração externa em vez de um changelog por trás.

Há também uma ressalva honesta do outro lado, e ela vem do mesmo relato de fornecedor de antes. Os próprios números da DeepSeek mostram o V4.1 Flash vencendo 13 de 16 comparações contra o Kimi K3 e 11 de 13 contra o GLM-5.3, embora ainda fique atrás do GPT-5.6 Sol e do Claude Opus 5 nas tarefas mais recentes do Terminal-Bench 3.0 e 4.0 e no ProgramBench. Esse é um perfil coerente — mais forte no trabalho de programação, terminal e automação por agentes para o qual esta arquitetura é otimizada, mais fraco em tarefas de raciocínio de fronteira — e é o perfil que um verdadeiro salto geracional teria. O índice independente concorda com o panorama, sem definir cada célula.

A descontinuação do Pro que a DeepSeek anunciou — e depois cancelou

Aqui está a parte que mudou em relação ao plano declarado da própria DeepSeek, e é a parte com maior probabilidade de afetar uma integração em produção.

No lançamento, a DeepSeek disse que o DeepSeek V4 Pro seria retirado de sua API. A partir das 12h00 do horário de Pequim de 14 de setembro, as requisições que nomeassem deepseek-v4-proseriam encaminhadas para o V4.1 Flash e cobradas com o preço do Flash — um corte de aproximadamente 70% no custo de saída para quem tivesse o nome do modelo Pro fixado no código — e permaneceriam encaminhadas dessa forma até que um futuro V4.1 Pro fosse lançado. Na tabela de preços do dia do lançamento, isso significava que os US$ 3,96 por milhão de tokens de saída do Pro despencavam para os US$ 1,20 do Flash no pico, sem nenhuma alteração no código e sem nenhum aviso além de uma entrada no changelog.

Isso não aconteceu. Em 11 de setembro, a DeepSeek publicou um comunicado em sua própria plataforma aberta dizendo que, em resposta à demanda dos usuários, continuaria oferecendo o serviço de API do DeepSeek V4 Pro após 14 de setembro, com a cobrança inalterada — o comunicado permanecia exibido na plataforma no próprio 14 de setembro, depois que o momento da transição já havia passado, portanto trata-se de uma declaração vigente da própria empresa, e não de um rumor a esse respeito. O motivo relatado é a coisa menos surpreendente desta história: desenvolvedores se opuseram a que um fornecedor trocasse silenciosamente os pesos por trás de um nome de modelo em uma integração de produção, e os próprios testes com múltiplas partes da DeepSeek constataram que o V4 Pro mantinha uma vantagem de qualidade nas cargas de trabalho reais de algumas equipes mesmo onde o V4.1 Flash vence nas avaliações públicas.

A leitura prática é uma inversão direta do que a cobertura do dia do lançamento recomendava. Se você marcou 14 de setembro no calendário para retestar uma integração fixada na versão Pro, o prazo não existe mais: o DeepSeek V4 Pro continua sendo o DeepSeek V4 Pro, e continua com o preço de antes, enquanto o V4.1 Pro segue não anunciado, sem ficha do modelo, sem número de parâmetros, sem data e sem pesos. O que não mudou é o rumo — a DeepSeek claramente pretende convergir sua linha para a nova arquitetura, e a única coisa que ela confirmou sobre a antiga é que não vai forçar a mudança em uma data fixa.

Servindo isso: 189 GiB de tabelas de n-gramas, e o trabalho ainda em aberto

A forma como a disponibilidade foi apresentada no dia do lançamento era "corre na API do fornecedor e em nenhum outro lugar". Isso já não é verdade, e o ponto em que deixou de ser verdade é instrutivo sobre esta arquitetura.

SGLang e Miles lançaram suporte no dia zero para o DeepSeek V4.1 em 10 de setembro, na mesma janela do próprio modelo — então a nota de "sem serving por terceiros" que estava na página do Hugging Face no lançamento ficou desatualizada em poucas horas. A parte interessante não é que ele roda; é o custo de rodá-lo. Como cada etapa de decodificação lê as tabelas do Engram, a abordagem do SGLang é permitir que você as coloque na memória da GPU ou na memória do host, com o offload para o host liberando cerca de 46 GiB por GPU para o cache KV ao custo de cerca de 200 GB de RAM do host no nó. Em uma configuração GB300 com quatro GPUs, o offload para o host aumentou a capacidade do cache KV em 36%, com throughput de decodificação e tempo até o primeiro token comparáveis, e todas as 28 completações de sondagem greedy corresponderam à linha de base com tudo na GPU. É opt-in, por trás de uma única variável de ambiente, e não é o padrão. O vLLM tem trabalho paralelo indo na direção oposta — mapear na memória fragmentos das tabelas a partir do disco, em vez de mantê-las na RAM do host — o que lhe diz a mesma coisa por dois ângulos: as tabelas do Engram, e não os pesos, são o fator limitante de quão barato você consegue servir este modelo.

As alterações mais recentes de toda a história estão aqui, e são pequenas, merecendo ser rotuladas como pequenas. Em 15 de setembro, um contribuidor do SGLang abriu o pull request #39666, adicionando um módulo Engram e um adaptador compartilhado de histórico de requisições ao ramo DeepSeek V4.1 do projeto — 7 arquivos, +1205/−11, com o adaptador expondo campos opcionais de histórico de n-gramas no escalonador e nos lotes de forward e reconstruindo esse histórico ao longo de acertos de prefixo, retiradas e reutilização de slots. Ele está aberto e não mesclado, suas execuções de CI estavam falhando, e aguardava revisão de nove proprietários de código; o próprio resumo do autor é franco sobre os limites, observando que verificações de lookup não provam a correção do ciclo de vida das requisições. Era um de um lote de pull requests do DeepSeek V4.1 abertos nesse ramo em 15 de setembro, a maioria deles do mesmo contribuidor, abrangendo a construção do modelo, a torre de visão, a codificação de chat e a camada de kernel.

Em 16 de setembro, o plano para a metade mais difícil do serving tornou-se público. Uma issue de roadmap, #39700, apresenta a desagregação prefill/decode para o DeepSeek V4.1 na plataforma B200 como uma lista por etapas: primeiro o paralelismo de contexto do lado de prefill, depois esse trabalho de prefill combinado com MegaMoE, BCG e multi-stream, em seguida os itens do lado de decode, entre eles DP attention e memória de CUDA-graph. A primeira etapa chegou como o pull request #39748, intitulado "[DSV4.1-PD-1/8] Support prefill node use cp parallel strategy", e foi aberto no mesmo dia pelo mesmo autor. Ele permite que o nó de prefill em uma implantação desagregada execute uma estratégia de paralelismo de contexto, com uma configuração de referência de oito B200s em TP4/EP4 executando o runner MoE flashinfer_mxfp4 e a decodificação especulativa DSPARK. O nó de prefill usa --enable-prefill-cp --cp-strategy interleave junto com --disaggregation-mode prefill sobre o backend de transferência Mooncake; o nó de decode é executado sem nenhuma flag de CP. A validação é a pontuação do gsm8k mais testes unitários nos caminhos de texto e imagem. Assim como o pull request do Engram, ele está aberto, não mesclado e, atualmente, bloqueado na CI por falta do rótulo run-ci.

Deixe claro o que tudo isso é e o que não é. É encanamento de infraestrutura dentro de um runtime que já atende o modelo — não muda nada sobre o que o DeepSeek V4.1 Flash faz, quanto custa ou se você deve usá-lo. Só vale estas linhas porque marca onde estão as arestas afiadas restantes. Do lado do Engram, o histórico de n-gramas sobreviver à retração e à reutilização do cache de prefixo é exatamente o tipo de detalhe de correção que separa uma demonstração de um endpoint de produção. Do lado da desagregação, o alvo são operadores que dividem prefill e decode entre pools separados para que cada metade possa ser paralelizada em função do seu próprio gargalo — uma implantação cuja configuração de referência começa com oito B200s, o que é uma decisão de capital, e não uma linha em um arquivo de configuração. E a série está rotulada como 1/8, enquanto a issue do roadmap enumera suas etapas em seis partes, com toda a metade de decode ainda não escrita: até a numeração é provisória. Se você não está tomando essa decisão de capital, nada disso é visível de onde você está — o DeepSeek V4.1 Flash está no ar no OrcaRouter pela tarifa de repasse abaixo, e o encanamento fica do lado do operador do endpoint.

Chamando o DeepSeek V4.1 Flash hoje

A linha de disponibilidade também mudou do nosso lado, e mudou na direção que os leitores da versão de lançamento deste artigo foram levados a esperar que não mudaria. A OrcaRouter não disponibilizava o DeepSeek V4.1 Flash em 10 de setembro — a página do modelo retornava "model not found" e este artigo disse isso claramente, em vez de sugerir o contrário. Agora ela o disponibiliza: deepseek/deepseek-v4.1-flash está ativo no catálogo a US$ 0,15 por milhão de tokens de entrada e US$ 0,60 por milhão de tokens de saída, a tarifa do provedor da própria DeepSeek repassada com 0% de acréscimo, que também é o número a ser conferido na próxima vez que a DeepSeek alterar um preço. Desde que entrou em operação, movimentou 54.982,2M tokens pela plataforma, com um p50 de tempo até o primeiro token de 811 ms e um p95 de 3,03 segundos.

O que isso lhe oferece além do mesmo quadro tarifário é a capacidade de tratar uma arquitetura com seis dias de existência como uma experiência em vez de um compromisso. O failover significa que uma chamada ao V4.1 Flash que começa a dar erros sob carga pode ser redirecionada para outro modelo sem necessidade de implantação; a DSL de encaminhamento permite-lhe colocar o novo modelo numa parte do seu tráfego e um modelo conhecido no resto e compará-los com os seus próprios dados de entrada em vez de com uma tabela de classificação; e todos os outros modelos do catálogo estão atrás da mesma chave, incluindo o resto da linha DeepSeek — DeepSeek V4 Flash e DeepSeek V4 Pro — pelo que voltar atrás é uma alteração de string, não um segundo contrato.

Isso importa mais do que o habitual aqui, por duas razões que seis dias de notícias tornaram concretas. A primeira é que a vantagem de preço é real, mas condicional a que o fornecedor mantenha a tarifa, e um arranjo de repasse é o único tipo que permanece honesto quando isso não acontece. A segunda é que a única advertência da semana de lançamento sobreviveu: tanto a vantagem de capacidade quanto a vantagem de custo agora são medidas de forma independente, mas são medidas em um único harness, em um modelo cuja nomenclatura diz "atualização menor" e cuja arquitetura diz o contrário. Encaminhe-o como uma nova geração, porque é isso que ele é, e mantenha-o atrás de uma camada que você possa mover.

O que ainda está aberto

Três coisas, em ordem crescente de quanto elas te diriam.

O DeepSeek V4.1 Pro poria à prova a alegação da família. O DeepSeek V4.1 Flash autodenomina-se o menor modelo de uma nova família de arquitetura, e o irmão que provaria que a família existe ainda não tem cartão de modelo, nem contagem de parâmetros, nem data, nem pesos e nem preço. É também o modelo em torno do qual toda a manobra de encaminhamento para o Pro foi estruturada, agora que a manobra foi cancelada.

Uma segunda avaliação independente testaria a pontuação. Um Intelligence Index de 40, contra 36 do modelo que ele substituiu, é um resultado claro em um único harness e um único ponto de dados na questão de saber se esta arquitetura está uma geração à frente ou é um passo lateral bem otimizado. Fique atento a um segundo avaliador e a se o caminho de serving com Engram-offload se sustenta sob tráfego real, e não em sondagens greedy, e a se a divisão prefill/decode que agora está sendo preparada em pull requests algum dia se tornará uma história de empacotamento que uma equipe normal consiga implantar.

E a útil, ainda que pouco glamorosa: se a DeepSeek fará isso novamente. Um segundo rótulo .1 em outro novo modelo base transformaria uma anomalia em uma convenção, e uma convenção é algo com que um desenvolvedor pode contar. Um modelo é uma curiosidade. A nomenclatura só se torna enganosa de maneira útil quando há um padrão.

Por ora, a leitura prática se separa de forma clara conforme quem você é. Se você está no DeepSeek V4 Pro, o modelo por trás desse nome não vai mudar em 14 de setembro nem em qualquer data anunciada — a DeepSeek reverteu isso, e você pode deixar sua integração como está. Se você está no DeepSeek V4 Flash, você já está sendo migrado, pelo mesmo preço, para uma arquitetura que a DeepSeek construiu para escalar. E se você estava esperando o V5, a resposta honesta é que a DeepSeek parece ter lançado a geração, se recusado a nomeá-la e depois descoberto que o número na caixa é estrutural, afinal.