DeepSeek-V4-Flash-Vision-Exp Disponibiliza Pesos Abertos: Mesmo Preço do V4-Flash, Agora Auto-Hospedável

DeepSeek-V4-Flash-Vision-Exp, o modelo multimodal experimental lançado na API da DeepSeek em 21 de agosto, publicou seus pesos no Hugging Face em 31 de agosto sob a licença MIT. Dez dias após o lançamento da API, o mesmo cérebro que cobra exatamente as taxas de token do DeepSeek-V4-Flash está disponível para download completo — arquivos do modelo, tokenizer, referência de codificação de prompts, um caminho de inferência mínimo em PyTorch e suporte a vLLM no primeiro dia, anunciado pelo projeto vLLM no mesmo dia. Isso torna o agente com visão de contexto de 1M mais barato também o mais barato para self-hosting, e significa que a implementação de referência não é mais a única forma de executá-lo. A única nova alegação que vale destacar de antemão: o analista Teortaxes, ao ler o lançamento no X, disse que a liberação dos pesos abertos traz paridade de recursos com os modelos de visão da Moonshot e da GLM. Os pesos abertos são fato verificado; essa paridade é uma leitura de terceiros que ninguém reproduziu até agora.

O que realmente foi lançado

DeepSeek-V4-Flash-Vision-Exp é um modelo multimodal experimental, acessado com o ID de modelo deepseek-v4-flash-vision-exp. Arquiteturalmente, é um codificador de visão e um alinhador sobre a espinha dorsal MoE do V4-Flash — o mesmo modelo de texto com aproximadamente 284 bilhões de parâmetros e 13 bilhões ativos, agora com módulos visuais adicionados. Ele recebe texto e imagens como entrada e produz texto como saída, em uma janela de contexto de 1M de tokens, com saída máxima de 384K, nos modos com e sem raciocínio. Ele suporta o formato Chat Completions, Mensagens no estilo Anthropic e o formato Responses, que é o trio que um framework de agentes precisa para integrá-lo sem um adaptador personalizado.

No que diz respeito à entrada de imagens, o DeepSeek aceita JPEG, PNG, GIF e WebP, fornecidos de três formas: base64 inline, uma URL externa ou um arquivo enviado pela Files API. Ainda não há entrada de vídeo ou áudio — a "visão" aqui é apenas de imagens estáticas.

O posicionamento da própria DeepSeek na nota de lançamento: a capacidade de texto puro — agentes, raciocínio, conhecimento de mundo — está no mesmo nível do lançamento oficial do DeepSeek-V4-Flash, enquanto a capacidade de agente multimodal dá um salto significativo e chega perto do Opus-4.8. Essa é uma afirmação do fornecedor, não reproduzida, e que merece leitura cuidadosa, porque o detalhe dos benchmarks por trás dela é mais interessante do que a manchete.

O que o lançamento de pesos abertos realmente inclui

O lançamento de hoje responde à pergunta que o post de lançamento deixou em aberto. O repositório do Hugging Face — deepseek-ai/DeepSeek-V4-Flash-Vision-Exp — vem com licença MIT e inclui os pesos completos (cerca de 285 bilhões de parâmetros — o backbone MoE do V4-Flash mais um encoder de visão e um aligner — cerca de 13 bilhões ativos por token, distribuídos em 48 shards), o tokenizador, uma implementação de referência de codificação de prompt no estilo OpenAI e um caminho mínimo de inferência em PyTorch que cobre o encoder de visão, o aligner, a atenção DFlash, o MoE, as Hyper-Connections e o forward pass do DSpark. A DeepSeek ainda chama o código PyTorch de implementação de referência, e não de mecanismo de produção para servir o modelo — mas isso não precisa mais ser o caminho de servir, porque a vLLM anunciou suporte no day 0 no mesmo dia.

A declaração do próprio projeto vLLM é que ele serve o modelo agora. O que isso significa na prática, verificado no repositório vLLM e no cartão do modelo, é uma imagem docker fixada do dia zero (vllm/vllm-openai:deepseekv4-flash-vision) e uma receita oficial vinculada a um pull request upstream ainda aberto (#54566). O suporte a visão não está em um wheel vLLM lançado — o wheel simples encaminha o checkpoint para o caminho somente de texto e falha nos tensores de visão — portanto, dia zero aqui significa uma imagem que você fixa, não um upgrade de uma instalação vLLM existente. Nessa imagem, o vLLM relata um caminho de visão funcional em NVIDIA GB200 e uma pontuação OCRBench de 835 (83,5%) na sua configuração de referência. O teto prático mudou de "esperar por um lançamento estável" para "baixar, servir e medir você mesmo".

No X, o analista Teortaxes enquadrou o lançamento em termos competitivos: os pesos abertos agora dão à DeepSeek alguma paridade de funcionalidades com os modelos de visão da Moonshot e da GLM. Essa é uma leitura de terceiros — não uma declaração da DeepSeek nem um resultado medido — mas é testável de uma forma que não era antes deste lançamento, porque o mesmo lançamento entrega a qualquer pessoa os arquivos para executar a comparação.

Por que o salto no benchmark é maior do que parece

Todos os números a seguir são próprios da DeepSeek, publicados na nota de lançamento, não verificados de forma independente. Nos benchmarks de agentes que incorporam capturas de tela e imagens, o DeepSeek-V4-Flash somente em texto não os lê — ele simplesmente ignora as partes multimodais da tarefa. O DeepSeek-V4-Flash-Vision-Exp realmente olha, e é por isso que os deltas são tão grandes:

• ApexBench Pass@1 — Vision-Exp 36.5 vs V4-Flash 26.2 (Opus-4.8 39.4)

• Agents' Last Exam — Vision-Exp 27.3 vs V4-Flash 25.2 (Opus-4.8 25.7)

• Terminal-Bench 2.1 — Vision-Exp 83.9 vs V4-Flash 82.7 (Opus-4.8 85.0)

• NL2Repo — Vision-Exp 57.7 vs V4-Flash 54.2 (Opus-4.8 69.7)

• DeepSWE — Vision-Exp 59.3 vs V4-Flash 54.4 (Opus-4.8 58.0)

• Chartography — Vision-Exp 64.3 (V4-Flash somente texto não pode tentar)

• ZeroBench Pass@5 — Vision-Exp 35.0 (V4-Flash somente texto não pode tentar)

Dois desses números merecem uma segunda olhada. No Agents' Last Exam, o Vision-Exp (27.3) supera por pouco o Opus-4.8 (25.7), e no DeepSWE ele também vence o Opus-4.8 (59.3 contra 58.0). É nisso que "próximo do Opus-4.8" realmente se baseia — não em um único resultado de destaque, mas em uma faixa de benchmarks agênticos em que ver a tela fecha a maior parte da lacuna para o modelo multimodal de fronteira, ao mesmo tempo em que o subcotiza em preço por cerca de uma ordem de grandeza.

Quanto custa uma imagem, até o decimal

As imagens são tokenizadas para cobrança — até 384 tokens cada — e depois cobradas nas mesmas tarifas por token que o DeepSeek-V4-Flash. Como a DeepSeek mudou todos os seus modelos para preços de pico/fora de pico em 16 de agosto de 2026, os números exatos dependem de quando você faz a chamada:

• Entrada, cache miss — US$ 0,22 por 1M de tokens fora do pico, US$ 0,44 no pico

• Entrada, cache hit — $0,007 por 1M de tokens fora de pico, $0,014 no pico

Saída — US$ 0,66 por 1M de tokens fora do horário de pico, US$ 1,32 no horário de pico

• Horários de pico — 01:00–04:00 e 06:00–10:00 UTC (todos os outros horários fora de pico)

Faça as contas e o custo da visão quase desaparece. Uma imagem no seu limite de 384 tokens custa cerca de 0,0085 centavos fora do horário de pico e 0,017 centavos no horário de pico, como entrada. Um agente que lê 50 capturas de tela em uma única execução está adicionando cerca de meio centavo em tokens de entrada — antes mesmo de o modelo escrever seu primeiro token de saída. O DeepSeek também limita a resolução antes da inferência: o nível de detalhe baixo redimensiona para 512×512, e o alto/original pré-escala a imagem (as pequenas para cerca de 384×384, as grandes para cerca de 800×800), de modo que uma original em alta resolução nunca é alimentada ao modelo na sua contagem nativa de pixels.

Essas taxas agora são um teto, e não a única opção. Com os pesos públicos, o self-hosting custa o que suas GPUs custarem, em vez do preço por token — vale a pena fazer as contas se você já opera hardware de inferência, irrelevante se não opera.

O elenco de apoio: uma API Files gratuita e o Harness 0.1.1

Dois componentes de infraestrutura foram lançados junto com a API. A API de Arquivos está no ar e é gratuita: envie uma imagem uma vez, referencie-a pelo `file_id` e reutilize-a em diversas requisições sem reenviar os bytes — algo relevante para um agente de navegação que mantém uma página em contexto ao longo de várias interações. E o DeepSeek Harness 0.1.1, lançado no mesmo dia, oferece suporte nativo ao novo modelo, de modo que o harness que executa benchmarks e conduz cargas de trabalho de agentes do DeepSeek já pode utilizá-lo imediatamente. Com os pesos sob licença MIT, a pilha de modelo e ferramentas agora é totalmente aberta de ponta a ponta.

A ressalva de produção, declarada claramente

Este é um modelo experimental. A DeepSeek o rotula explicitamente como tal, não anunciou nenhuma data de GA e recomenda não executá-lo diretamente em produção; o plano declarado é iterar com base no feedback e lançar uma versão estável mais adiante. A consequência prática é que o cérebro de texto já está comprovado — é a mesma família de pesos que alimenta o V4-Flash — mas o caminho de visão é código novo. A imagem day-0 da vLLM o torna executável hoje, porém essa imagem é explicitamente de pré-lançamento: a implementação de visão vive em um pull request aberto, não em uma versão estável, e o único hardware com uma execução de visão publicada até agora é o NVIDIA GB200. Assim, a primeira onda de testes de estresse independentes ainda está apenas começando esta semana — mas começa com um motor de serving real, não apenas com o código de referência da DeepSeek.

É exatamente essa a situação em que uma camada de roteamento mostra seu valor. No OrcaRouter, tanto deepseek/deepseek-v4-flash-vision-exp quanto deepseek/deepseek-v4-flash estão disponíveis por trás de uma única API, ao preço de tabela da DeepSeek, repassado sem nenhum markup. Você pode direcionar o tráfego com imagens para o modelo experimental e, na mesma configuração, definir um failover automático para um fallback no momento em que ele apresentar erro ou atingir o tempo limite — o que reduz o risco de todo o problema do "código novo". O DSL de roteamento também permite enviar apenas as chamadas que realmente contêm imagens para o modelo de visão e manter o tráfego somente de texto no DeepSeek-V4-Flash, capturando os ganhos de benchmark onde eles existem e não pagando nada extra onde não existem.

A licença MIT também significa que o caminho de auto-hospedagem agora existe para as equipes que o desejam — o lançamento inclui código de inferência de referência, e a imagem day-0 da vLLM adiciona uma opção de serving de nível de produção, então você não fica preso à API. Para quem não quer operar um MoE de aproximadamente 285 bilhões de parâmetros apenas para avaliar um modelo, a API de roteamento é a porta de entrada de menor atrito.

O que assistir em seguida

As questões em aberto diminuíram desde o lançamento da API. O DeepSeek-V4-Flash-Vision-Exp chega ao GA, e o preço se mantém? A entrada de vídeo ou áudio vem em seguida — o modelo hoje é apenas de imagens estáticas, o que deixa os grandes modelos multimodais de fronteira sem oposição em mídia em movimento? Quando a vertente de visão do vLLM passa da imagem fixada no day 0 para uma versão estável e para hardware além do GB200? E as avaliações independentes — a primeira execução de terceiros no ApexBench ou Terminal-Bench, agora possível para qualquer pessoa com GPUs — reproduzem os números publicados?

Uma coisa mudou desde que a nota de versão foi publicada. Em 8 de setembro, Teortaxes — o analista cujo enquadramento de paridade aparece acima — relatou, com base em testes práticos, que a DeepSeek agora parece executar pelo menos dois modelos modernos V4-Flash-Vision. O que ele acessou por meio de testes gray era, em seus testes, o mais forte dos dois, e rodava na mesma velocidade que o DeepSeek-V4-Flash-Vision-Exp, que ele interpretou como uma base compartilhada; uma build mais recente é mais rápida, mas mais fraca. Essa é uma observação de teste gray de um único pesquisador, não uma declaração da DeepSeek e não um benchmark independente. Isso saiu no mesmo dia em que a DeepSeek abriu um beta de API de dois dias de uma “versão intermediária” que ela apresenta como nativamente multimodal e mais rápida — o ID de modelo deepseek-v4.1-flash-expires-on-0910 começou a ser servido em 8 de setembro —, então a questão prática para um comprador é onde a build de lançamento se posiciona no trade-off entre velocidade e força: se a camada mais rápida mantém o perfil de benchmark agêntico que tornou o lançamento de pesos abertos interessante, ou se o troca por throughput.

A questão da paridade Moonshot/GLM é a outra a observar. O enquadramento de Teortaxes é a versão testável da linha do fornecedor de que está "perto do Opus-4.8": com os pesos abertos, uma comparação direta contra os modelos de visão da Moonshot e da GLM agora pode ser executada por qualquer pessoa em seus próprios benchmarks. Até que alguém faça isso, continua sendo apenas uma afirmação. O que não precisa ser reproduzido é o fato de preços por trás de todo o lançamento — visão a preços de texto é um número de faturamento, não um benchmark, e com os pesos abertos agora há uma alternativa gratuita associada.