Muse Spark vs DeepSeek V4.1 Pro: Um Chegou para Download, Outro Nunca Foi Lançado

Três nomes decidem este confronto, e apenas dois deles são coisas que você pode segurar. Muse Spark Open se tornou um download real em 15 de outubro de 2026, quando a Meta publicou os pesos, a configuração e a licença do membro aberto de sua Meta Muse Spark família. DeepSeek V4.1 Pro nunca foi lançado: o nível foi nomeado exatamente uma vez, dentro de uma entrada de changelog de 10 de setembro que descrevia um plano de roteamento que ele retirou imediatamente, e não publicou nenhum cartão de modelo, nenhuma linha de preço, nenhum repositório e nenhuma data desde então. O terceiro nome é o que permite responder à manchete, porque é o carro-chefe contra o qual um leitor estaria realmente escolhendo — DeepSeek V4 Pro, o carro-chefe de 1,6 trilhão de parâmetros, licenciado pelo MIT, que está disponível para download e chamada desde 13 de agosto de 2026, com o DeepSeek V4.1 Flash situando-se abaixo dele como o membro barato, rápido e de leitura de imagens da mesma linha.

Dito assim, a questão interessante não é qual modelo é mais inteligente. É o que mudou para alguém que constrói sobre pesos em vez de endpoints: um dos lados desta comparação adquiriu ontem uma licença que se pode ler e contestar, o outro nunca teve uma, e a aritmética do preço por tarefa segue o sentido inverso ao da aritmética do preço por token.

As duas metades da manchete não são o mesmo tipo de objeto

O formato deste emparelhamento é incomum o bastante para ser enunciado antes de qualquer número. Normalmente, uma página de "vs" tem um problema de versão — dois nomes de modelos que escondem três checkpoints cada. Aqui, um lado tem um problema de versão e o outro tem um problema de existência.

O lado da Meta resolve-se de forma limpa. Muse Spark é uma família, não um lançamento: a linha foi introduzida a 8 de abril de 2026 e já foi reapontada quatro vezes desde então. Muse Spark 1.1 chegou a 16 de julho de 2026, Muse Spark 1.2 a 5 de agosto, e Muse Spark 1.3 a 2 de setembro, com o nível de raciocínio "max" do 1.3 a ser disponibilizado dois dias depois, a 4 de setembro, após testes de segurança adicionais. O Muse Spark Open é o quinto artefacto com este nome e o único que pode alojar por conta própria.

O lado da DeepSeek não se resolve de forma alguma. DeepSeek V4.1 Pro é um nome de nível sem nada por trás, e a diferença entre ele e os quatro modelos DeepSeek que de fato existem é exatamente o motivo pelo qual esta página tem de nomear um substituto. A leitura honesta é que um leitor que pesquisa por esse confronto carrega duas perguntas diferentes — o que a Meta acabou de colocar no disco, e quando o nível da DeepSeek que foi prometido realmente existirá.

O que de fato chegou, e há quanto tempo estava ali parado

Muse Spark Open não é um lançamento surpresa e também não é um lançamento convencional, e a diferença entre essas duas descrições é a coisa mais interessante do lançamento. O repositório do Hugging Face — um checkpoint BF16 e uma build NVFP4 separada, sob o nome Muse-Spark-Open-816B-A42B — traz um timestamp de criação de 2026-09-15. Ele então ficou lá por um mês, com acesso restrito e sem anúncio, enquanto o texto da licença e a política de uso dentro do formulário de acesso mantinham sua própria data: 15 de outubro de 2026. O artefacto existia discretamente; a documentação alcançou-o um mês depois.

O que os metadados e o próprio post de lançamento da Meta estabelecem sem o benchmark de ninguém:

• Escala — aproximadamente 816 bilhões de parâmetros totais, com cerca de 42 bilhões ativos por token, uma mistura esparsa de especialistas em 62 camadas e 256 especialistas por camada MoE, com 8 selecionados por token.

• Contexto — uma janela de 1.048.576 tokens, compartilhada entre todas as modalidades em vez de dividida entre elas.

• Modalidades — texto, imagem, vídeo e áudio como entrada; texto como saída. A listagem independente da Artificial Analysis registra a mesma linha de entrada, descrevendo um modelo que aceita texto, imagem, fala e vídeo.

• Raciocínio — um ajuste de esforço de raciocínio com níveis baixo, médio, alto e xhigh, e sem nenhuma forma de desligar o raciocínio por completo.

• Acesso — restrito. O formulário de pedido exige nome legal completo, data de nascimento e organização com identificadores corporativos, e não pode ser editado após o envio. Quem encarar isto como um download com um clique deve contar com uma fila.

Isso é a parte do registro que está definida. A parte que não está definida é a medição, e vale a pena ser preciso sobre qual é qual — consulte a seção de números abaixo.

A organização deepseek-ai, e o nome que não está nela

Tudo o que foi publicado sobre o DeepSeek V4.1 Pro cabe em uma frase do próprio changelog da DeepSeek, datado de 2026-09-10, na nota que acompanhou o lançamento do DeepSeek V4.1 Flash. Ela dizia que, a partir das 04:00 UTC de 14 de setembro, as requisições para deepseek-v4-pro seriam encaminhadas ao recém-lançado modelo Flash e cobradas pelas tarifas do Flash, e que isso continuaria "até o V4.1-Pro ser lançado". Os desenvolvedores contestaram a substituição de um modelo de produção debaixo deles sem janela de migração, e a mesma entrada do changelog registra a reversão: a DeepSeek decidiu continuar servindo o DeepSeek V4 Pro após 14 de setembro, com a cobrança inalterada.

O plano de roteamento morreu. O nome sobreviveu a ele, e essa cláusula é todo o registro público. Verificado em fontes primárias em 16 de outubro de 2026:

• A página Modelos e Preços da DeepSeek apresenta exatamente dois nomes de modelos — deepseek-flash e deepseek-v4-pro, correspondendo a DeepSeek-V4.1-Flash e DeepSeek-V4-Pro-0813. Não existe coluna, linha ou preço de V4.1 Pro.

• O changelog da DeepSeek não tem nenhuma entrada de outubro de qualquer tipo, e as suas entradas mais recentes são 2026-09-10, 2026-08-21 e 2026-08-13.

• A organização deepseek-ai no Hugging Face não possui nenhum repositório com o nome de um V4.1 Pro. Seu repositório de modelo mais recente é o DeepSeek-V4.1-Flash, criado em 2026-09-10.

Vale a pena registrar um sinal não confirmado, e nada mais que isso. Na manhã de 15 de outubro, um rastreador relatou que um endpoint da DeepSeek estava se comportando de forma diferente depois que uma interrupção de serviço terminou — respondendo corretamente a um prompt de raciocínio relacional que tanto o DeepSeek-V4-Pro-0813 quanto a geração V4.1 não conseguiram resolver, com reprodução em quatro amostras, a cerca de 180 tokens por segundo — e supôs o nome V4.1 Pro. Não há model card, nem arquivo de pesos, nem declaração do fornecedor por trás disso, e uma reconstrução silenciosa de uma configuração de serving existente pareceria idêntica vista de fora. Trate isso como um motivo para ficar atento, não como um lançamento.

O que um V4.1 Pro quase certamente herdaria merece ser dito separadamente, porque é inferência e não reportagem. Todo modelo DeepSeek lançado nas linhas V4 e V4.1 — DeepSeek-V4-Pro-0813, DeepSeek-V4-Flash, DeepSeek-V4-Flash-0731 e DeepSeek-V4.1-Flash — traz license:mit em seu model card, e o envelope servido tem sido consistente: 1M de tokens de entrada, até 384K de saída. Esperaria-se que uma camada Pro nessa linha correspondesse a ambos. Nada foi publicado que diga isso.

O eixo que nenhum placar carrega: a licença

É aqui que as duas opções open-weight realmente se separam, e é a seção que decide o artigo para quem lança um produto em vez de rodar um benchmark. A listagem da Artificial Analysis para o Muse Spark Open responde à questão da licença com "o uso comercial é permitido com restrições", e o motivo está no próprio texto da Meta.

A Licença do Modelo Muse não é uma licença OSI e não é MIT. Duas cláusulas alteram o que "pesos abertos" significa na prática, e nenhuma delas está na manchete.

• A cláusula de modelo como serviço. A Seção 3 exige que, se você ou suas afiliadas concederem a terceiros acesso ao modelo como produto ou serviço por meio de uma API, e sua receita bruta agregada exceder vinte milhões de dólares americanos em qualquer período consecutivo de doze meses, você deverá notificar a Meta e firmar um acordo escrito separado antes de exercer essa atividade comercial. A integração do modelo ao seu próprio produto está ressalvada; revendê-lo não está.

• O termo de atribuição. Os licenciados devem exibir com destaque "Built with Muse Spark Open" na interface de qualquer produto que use o modelo ou um derivado, ou na documentação, site ou menu de configurações que o acompanhem.

Em contrapartida, toda a linha DeepSeek já lançada é MIT — DeepSeek V4 Pro, DeepSeek V4.1 Flash e os seus antecessores incluem-na, sem limiar de receita, sem dever de notificação e sem exigência de atribuição. As consequências práticas não são subtis. Se o seu plano envolve alojar o modelo por trás de uma API para outras pessoas, a licença da Meta tem uma armadilha de receita que a da DeepSeek não tem. Se o seu plano envolve lançar um produto de consumo construído sobre os pesos, a licença da Meta obriga-o a exibir uma frase, e a da DeepSeek não o obriga a exibir nada.

Duas coisas que a Muse Model License concede de forma clara, e vale a pena declará-las porque são o verdadeiro ponto dos pesos abertos: você pode ajustar finamente, destilar, mesclar, publicar, sublicenciar e vender derivados, e a Meta não reivindica nenhuma propriedade sobre os resultados. A restrição é estreita e a concessão é ampla. Mas, se você estiver escolhendo entre essas duas com base na revisão jurídica, e não na capacidade, a escolha não é nem de longe difícil, e é a resposta que este confronto dá antes que qualquer um dos modelos gere um token.

Os números, e a linha que corre para trás

A Artificial Analysis é o único terceiro com listagens públicas para ambos os grupos, e não os coloca na mesma categoria — modelos de pesos abertos são ranqueados em comparação com modelos de pesos abertos da mesma classe de tamanho, o que aqui não distorce muito porque tudo o que é discutido é de pesos abertos. O que se segue é a medição dela, não uma alegação de fornecedor nem nossa.

• Muse Spark Open (xhigh) — Intelligence Index 39, nono de 118 entradas na sua classe e bem acima da mediana da classe de 19; US$ 1,25 de entrada e US$ 4,25 de saída por milhão de tokens; US$ 0,84 por tarefa de índice concluída; velocidade de saída de 103,4 tokens por segundo; tempo até o primeiro token de 0,65 segundos; 110M de tokens de saída gerados durante o índice, contra uma mediana de 130M; 816B de parâmetros totais e 42B ativos; Muse Model License.

• DeepSeek V4 Pro 0813 (max) — Intelligence Index 36; US$ 1,32 de entrada e US$ 3,96 de saída por milhão de tokens; US$ 0,67 por tarefa de índice; 92 tokens por segundo; tempo até o primeiro token de 1,66 segundos; 160M tokens de saída, acima da mediana; 1,6T de parâmetros totais e 49B de parâmetros ativos; MIT.

• DeepSeek V4.1 Flash (max) — a terceira coluna útil, e a que reordena toda a comparação. Índice de Inteligência 39 — a mesma pontuação do Muse Spark Open — a US$ 0,30 de entrada e US$ 1,20 de saída por milhão de tokens, US$ 0,27 por tarefa de índice, 179 tokens por segundo e um tempo de 1,15 segundo até o primeiro token, contra 250 milhões de tokens de saída, a medição mais verbosa dessa classe.

Leia os três em conjunto e a inversão é o ponto central. Os modelos da DeepSeek são mais prolixos por tarefa — 160 milhões e 250 milhões de tokens de saída, contra 110 milhões do Muse Spark Open — e, ainda assim, custam menos por tarefa concluída, porque o preço por token é muito mais baixo. Custo por token e custo por tarefa apontam em direções opostas aqui, e quem comparar esses modelos apenas pelas taxas anunciadas de entrada/saída chegará à conclusão errada sobre qual é mais barato de operar.

Duas ressalvas de preço que alteram materialmente as contas. Primeiro, a própria tabela de preços da DeepSeek reduz pela metade as tarifas fora do horário de pico, e o pico é uma janela estreita — 01:00–04:00 e 06:00–10:00 UTC, de segunda a sexta-feira, excluindo feriados públicos chineses, com fins de semana e feriados totalmente fora do horário de pico. Os valores de $1.32 / $3.96 e $0.30 / $1.20 acima são as tarifas de pico que a DeepSeek publica; as tarifas fora de pico são $0.66 / $1.98 para o DeepSeek V4 Pro e $0.15 / $0.60 para o DeepSeek V4.1 Flash. A maior parte de uma semana fica fora do horário de pico. Segundo, a Meta não publicou preço algum para o Muse Spark Open — a linha de $1.25 / $4.25 é uma rota hospedada que a Artificial Analysis mede, relatada como a mediana entre os provedores que servem o modelo, e não um preço de tabela do fornecedor para os pesos. Pesos que você mesmo hospeda não têm preço por token; eles têm uma fatura de hardware.

Mais uma ressalva honesta do lado do Muse Spark. O 39 acima pertence ao Muse Spark Open em xhigh, e não é o melhor número da família. O Muse Spark 1.3 em max marca 48 no mesmo índice — nove pontos a mais — e o Muse Spark 1.2, o checkpoint que a maioria dos desenvolvedores vem chamando, marca 40. Ler a capacidade da família a partir do checkpoint aberto subestimaria-a; ler a licença do checkpoint aberto a partir da linha fechada seria um erro de categoria, porque são regidas por termos diferentes.

Onde os dois não são de forma alguma substitutos

A diferença de índice entre 39 e 36 é pequena o suficiente para estar dentro do ruído de como cada harness foi executado, e é por isso que as especificações abaixo importam mais do que as pontuações na hora de decidir entre eles.

• Modalidade — aqui não há nem comparação. O Muse Spark Open lê texto, imagens, vídeo e áudio. O DeepSeek V4 Pro lê texto e nada mais; a própria tabela de preços da DeepSeek marca a linha de visão como "Não suportado" para ele, e a Artificial Analysis registra o mesmo. Se o seu pipeline alimenta gravações de tela, vídeo ou fala em um modelo, a comparação termina aqui.

• Contexto — ambos são 1M de tokens, e não há nada a separar. O Muse Spark Open compartilha esse orçamento entre modalidades; o da DeepSeek é somente texto por construção.

• Saída máxima — a DeepSeek publica 384K tokens para o DeepSeek V4 Pro e o DeepSeek V4.1 Flash. A Meta não publica nenhum valor de saída máxima para o Muse Spark Open que pudéssemos verificar. Um limite não publicado é um risco a ser testado, e não presumido, se você gerar artefatos longos em uma única chamada.

• Tempo até o primeiro token — a única métrica de latência em que o Muse Spark Open vence claramente, com 0,65 segundos contra 1,66 do DeepSeek V4 Pro e 1,15 do DeepSeek V4.1 Flash. Para loops interativos ou agênticos, em que o primeiro token condiciona a próxima chamada de ferramenta, essa é uma diferença real, e ela sobrevive ao gap de índice menor.

• Vazão — O DeepSeek V4.1 Flash é o mais rápido dos três, com 179 tokens por segundo, enquanto o Muse Spark Open fica com 103,4 e o DeepSeek V4 Pro com 92. Vale notar que o Muse Spark 1.2 fechado mediu 361 tokens por segundo — o checkpoint aberto é uma implantação diferente, com um perfil de velocidade diferente, e não se deve presumir que ele herde os números da linha fechada.

• A variação de latência dentro da família — vale uma linha porque é uma armadilha. O tempo medido até o primeiro token do Muse Spark 1.3 é de 54,06 segundos no raciocínio máximo, contra uma mediana dos pares em torno de 3,7. Uma configuração com raciocínio pesado pode abrir mão de quase um minuto antes de o primeiro token chegar. Independentemente do que você concluir de uma linha do Muse Spark, verifique qual checkpoint e qual nível de esforço a produziu.

Executando a comparação em vez de lê-la

Nenhum dos lados desta manchete pode ser resolvido por argumentação, porque as duas coisas em jogo — se 39 contra 36 significa alguma coisa no seu tráfego, e se a vazão e a latência do Muse Spark Open se sustentam em uma pilha de serving diferente — só são visíveis nas suas próprias requisições. A maneira barata de descobrir é executar ambos com os mesmos prompts.

É para isso que servimos. A OrcaRouter coloca os quatro modelos aqui que têm endpoints — Muse Spark 1.2, Muse Spark 1.1, deepseek-v4-pro e deepseek/deepseek-v4.1-flash — por trás de uma única API para mais de 200 modelos, ao preço de tabela de cada fornecedor, com 0% de margem repassada, para que um corte de preço de um fornecedor entre em vigor do nosso lado no mesmo dia. Ambas as famílias estão numa única chave: sem segundo contrato, sem segundo SDK, sem migração para testar uma contra a outra, e failover automático para que um experimento roteado que corra mal seja degradado para o outro modelo em vez de para uma página de erro.

A parte da honestidade importa mais do que o discurso de venda, por isso: O Muse Spark Open não está no nosso catálogo e não vamos insinuar o contrário. Um modelo cuja proposta inteira é que o podes descarregar é um modelo que corres tu próprio, e o checkpoint de 816B é uma decisão de hardware — a própria receita BF16 da Meta distribui-o por quatro nós de oito H200s. O DeepSeek V4.1 Pro também não está no nosso catálogo, porque não existe. O teste com encaminhamento disponível hoje corre sobre os checkpoints que existem: Muse Spark 1.2 e Muse Spark 1.1 de um lado, DeepSeek V4 Pro e DeepSeek V4.1 Flash do outro.

Quem deve escolher qual?

Se você precisa de multimodalidade, fique com a da Meta. O Muse Spark Open lê vídeo, imagem, áudio e texto em um único orçamento de 1M de tokens e responde em texto, e nada na linha já lançada da DeepSeek faz isso. O DeepSeek V4.1 Flash lê imagens e é o de melhor custo-benefício por uma ampla margem, mas não é um modelo de vídeo nem de áudio, e o DeepSeek V4 Pro é somente texto.

Se você precisa do menor custo por tarefa concluída, ou precisa de uma licença sobre a qual possa construir um negócio sem uma revisão jurídica, escolha a da DeepSeek. O DeepSeek V4.1 Flash igualou a pontuação no índice do Muse Spark Open por cerca de um terço do custo por tarefa na medição da Artificial Analysis, e o DeepSeek V4 Pro superou-o em custo por tarefa, mesmo sendo o modelo mais verboso. A licença MIT em toda a linha comercializada significa sem limite de receita e sem frase de atribuição.

Se você precisa do primeiro token mais rápido para um loop interativo, os 0,65 segundos do Muse Spark Open são o melhor número desta comparação por um fator de dois, e é o único eixo em que a pontuação de índice menor é claramente irrelevante.

E se a pergunta que você trouxe aqui foi “devo esperar pelo DeepSeek V4.1 Pro?”, a resposta hoje é que não há nada a esperar que tenha uma data. Os dois modelos DeepSeek que você pode chamar já são aqueles contra os quais esta comparação precisa ser feita, e um deles — DeepSeek V4.1 Flash — supera em pontuação o carro-chefe acima do qual o nome do nível ficaria. O que importa observar não é o número do nível, mas se o lado da DeepSeek desta tabela muda em alguma coisa: uma entrada de outubro no changelog da DeepSeek, um repositório na organização deepseek-ai, ou uma quarta linha com preço na página Models & Pricing. Até que um deles apareça, o movimento mais interessante está no lado da Meta dessa conta, onde uma licença, uma fatura de hardware e uma métrica de verbosidade de 110M de tokens agora são todas coisas que um leitor pode de fato verificar.

Para um modelo cujos modos de falha ainda não estão documentados, a contraparte útil é o registro do que já deu errado em outros lugares: os incidentes de IA documentados e as falhas de agentes em torno de modelos desta classe são coletados em o OrcaRouter AI Incident Archive, onde cada entrada carrega suas próprias fontes, gravidade, grau de confiança e indicador de disputa.