DeepSeek V4 Flash Superou o Pro: 645% Melhor Sem Mudar 1 Parâmetro

Eu achava que já tinha entendido a lógica da corrida de modelos de IA: empresa maior, modelo maior, resultado melhor. Parecia simples. Só que a DeepSeek acabou de provar que essa lógica está completamente errada.

No dia 31 de julho de 2026, a DeepSeek liberou o V4 Flash 0731 para o público. Mesmo modelo. Mesma arquitetura. Mesmos 284 bilhões de parâmetros com 13 bilhões ativos por inferência. Nenhuma mudança estrutural. E aí veio o resultado: o modelo “barato” destruiu a versão Pro em todos os 9 benchmarks de agentes e código que a empresa publicou.

Quando eu digo “destruiu”, não estou exagerando. No benchmark DeepSWE, o salto foi de 7.3 para 54.4. Isso é uma melhoria de 645%. O modelo anterior mal conseguia resolver tarefas de engenharia de software. O novo resolve mais da metade. Tudo isso por US$ 0,14 por milhão de tokens de entrada.

A pergunta que todo dev deveria estar fazendo agora não é “qual modelo usar”. É: por que o treinamento pós-modelo virou mais importante que o modelo em si?

O que é o DeepSeek V4 Flash (e por que ele importa)

Primeiro, contexto rápido. O DeepSeek V4 é uma família de modelos de linguagem open source (licença MIT) baseada em arquitetura Mixture of Experts (MoE). Na prática, o modelo tem 284 bilhões de parâmetros no total, mas ativa apenas 13 bilhões durante cada passada de inferência. É como ter um prédio de 284 andares onde só 13 estão com as luzes acesas ao mesmo tempo.

O V4 Flash é a versão “leve” (e barata) da família. A versão Pro é a que deveria ser mais inteligente, mais precisa, mais capaz. Pelo menos era essa a teoria.

O V4 Flash 0731 é a versão de produção (GA) do Flash, que entrou em beta público no final de julho. A diferença entre a versão preview (de abril de 2026) e a versão 0731 não está na arquitetura, nos parâmetros, no tokenizer, nem em nada que você veria no paper original. A diferença está inteiramente no post-training: a fase de treinamento que acontece depois do pré-treinamento, focada em alinhar o modelo para tarefas específicas.

E foi isso que mudou tudo.

Os números que ninguém esperava

A DeepSeek publicou comparações diretas entre o V4 Flash 0731 e o V4 Pro Preview em 9 benchmarks voltados para agentes e código. Os resultados são constrangedores para o Pro:

Repare que não existe um único benchmark onde o Pro ganha. Zero. Nada. O modelo que custa uma fração do Pro superou ele em tudo.

O destaque absoluto é o DeepSWE. A versão preview do Flash marcava 7.3 nesse benchmark, que mede a capacidade do modelo de resolver issues reais de engenharia de software. A versão 0731 marcou 54.4. Estamos falando de um modelo que foi de “praticamente inútil” para “resolve mais da metade dos problemas”. Sem trocar uma única camada da rede neural.

Post-training: a nova corrida armamentista

Eu lembro quando a corrida era por parâmetros. “Nosso modelo tem 175 bilhões.” “O nosso tem 540 bilhões.” “O nosso tem 1 trilhão.” Era uma competição de quem tinha o número maior no paper.

Depois veio a fase do contexto. “128K tokens.” “200K.” “1 milhão.” “2 milhões.” Outra corrida de números.

Agora a briga real está no post-training, e a DeepSeek mostrou por quê. O V4 Flash 0731 manteve a mesma arquitetura de abril, mas a equipe reconstruiu toda a fase de pós-treinamento com quatro alvos específicos:

1. Coding: capacidade de gerar, corrigir e refatorar código
2. Agentes: executar sequências de ações com ferramentas externas
3. Raciocínio: resolver problemas que exigem múltiplos passos lógicos
4. Tool use: usar APIs, bancos de dados e interfaces programáticas

Na prática, o post-training é onde você ensina o modelo a fazer coisas, não apenas a saber coisas. O pré-treinamento dá conhecimento. O post-training dá habilidade. E aparentemente, habilidade importa mais.

A Artificial Analysis, que faz testes independentes de modelos, confirmou que o V4 Flash 0731 teve um salto de 10 pontos no Intelligence Index comparado com a versão de abril. Isso é significativo porque eles usam seus próprios benchmarks, não os da DeepSeek.

ARC-AGI: raciocínio abstrato por US$ 0,02 por tarefa

Se os benchmarks de código já eram impressionantes, os resultados no ARC-AGI (o teste de raciocínio abstrato do ARC Prize) são ainda mais reveladores.

O V4 Flash 0731 marcou:

• 89.0% no ARC-AGI-1 (esforço máximo, US$ 0,02 por tarefa)
• 61.4% no ARC-AGI-2 (esforço máximo, US$ 0,04 por tarefa)

O ARC-AGI é um dos benchmarks mais difíceis que existem. Ele testa a capacidade do modelo de resolver puzzles visuais abstratos que nunca apareceram no treinamento. Não dá para decorar a resposta. Você precisa raciocinar de verdade.

89% no ARC-AGI-1 com um modelo que custa US$ 0,02 por tarefa é absurdo. Para comparação, o modelo oferece três variantes de “esforço”:

Mesmo na variante Low (menor custo computacional), o modelo ainda marca 84% no ARC-AGI-1. Isso significa que você pode rodar raciocínio abstrato de alta qualidade gastando quase nada.

O preço que muda a equação

Falando em preço, eis onde a coisa fica realmente interessante para quem roda agentes em produção:

• Input (cache miss): US$ 0,14 por milhão de tokens
• Input (cache hit): US$ 0,0028 por milhão de tokens
• Output: US$ 0,28 por milhão de tokens

Aquele número de cache hit merece atenção especial. US$ 0,0028 por milhão de tokens é um desconto de 98% comparado com a leitura fria. E agentes de IA, por natureza, releem o mesmo contexto dezenas de vezes durante uma sessão.

Segundo análises independentes, o custo do V4 Flash é aproximadamente 60% menor que o do GPT-5.6 Luna para capacidades similares. Não é um desconto modesto. É o tipo de diferença que muda a viabilidade econômica de rodar agentes 24/7 em produção.

A conta é simples: se seu agente faz 1.000 chamadas por dia com contexto repetido, a diferença entre pagar US$ 0,14 e US$ 0,0028 por milhão de tokens é a diferença entre um projeto viável e uma conta de API que assusta o CFO.

1 milhão de tokens de contexto (e 65K de output)

Outro detalhe que merece destaque: o V4 Flash 0731 trabalha com uma janela de contexto de 1.048.576 tokens e pode gerar até 65.536 tokens de saída por chamada.

Para quem trabalha com agentes, isso é crucial. Um agente que navega um codebase precisa manter em contexto dezenas de arquivos, logs de execução, resultados de ferramentas e o histórico da conversa. Com 1M de tokens, o modelo consegue “enxergar” um projeto inteiro sem precisar de técnicas de chunking ou RAG para compensar janela curta.

Os 65K de output também são relevantes. Quando você pede para o modelo gerar um arquivo inteiro, refatorar uma classe grande ou produzir documentação detalhada, modelos com limite de 4K ou 8K de output cortam a resposta no meio. O V4 Flash tem margem de sobra para tarefas de geração longas.

Suporte nativo a Responses API e Codex

Uma feature que passou relativamente despercebida é que o V4 Flash 0731 agora suporta nativamente o formato Responses API e foi adaptado especificamente para o Codex. Traduzindo: se você usa a API da OpenAI como interface, pode trocar para o DeepSeek sem camadas de tradução no meio.

Isso elimina uma das maiores fricções na adoção de modelos alternativos. Antes, trocar de GPT para DeepSeek significava reescrever chamadas de API, adaptar parsers de resposta, lidar com formatos diferentes. Agora, em muitos casos, basta trocar a URL do endpoint e a API key.

# Antes: OpenAI
client = OpenAI(api_key="sk-...")
response = client.responses.create(
    model="gpt-5.6-luna",
    input="Corrija este código..."
)

# Depois: DeepSeek (mesma interface)
client = OpenAI(
    api_key="sk-deepseek-...",
    base_url="https://api.deepseek.com/v1"
)
response = client.responses.create(
    model="deepseek-v4-flash",
    input="Corrija este código..."
)

Para equipes que já têm pipelines montados com a API da OpenAI, a migração virou trivial.

Onde o V4 Flash brilha (e onde não brilha)

Antes de sair trocando todos os seus modelos, vale entender o perfil do V4 Flash. Análises independentes apontam que ele funciona melhor em cenários com “erros reversíveis”:

Funciona muito bem para:

• Migrações de código (converter entre linguagens, atualizar APIs)
• Triagem de issues no GitHub
• Geração de rascunhos para revisão humana
• Avaliações em larga escala (rodar o modelo contra milhares de inputs)
• Prototipagem rápida de agentes
• Tarefas de code review automatizado

Não é ideal para:

• Incidentes em produção (onde latência importa)
• Automação do mundo real sem supervisão (robótica, IoT)
• Workflows sensíveis a latência (o modelo tem throughput variável)
• Decisões irreversíveis sem human-in-the-loop

A regra geral: se o resultado do modelo pode ser revisado por um humano antes de ir para produção, o V4 Flash é provavelmente a melhor relação custo-benefício disponível hoje.

O que isso significa para a indústria

O lançamento do V4 Flash 0731 confirma algo que já estava se desenhando há meses: o post-training é o novo campo de batalha da IA.

Pense nisso. A DeepSeek não precisou treinar um modelo novo do zero (o que custaria centenas de milhões em computação). Não precisou dobrar o número de parâmetros. Não precisou inventar uma nova arquitetura. Eles pegaram o mesmo modelo, aplicaram técnicas melhores de pós-treinamento, e o modelo ficou dramaticamente melhor em tudo que importa para desenvolvedores.

Isso tem implicações enormes:

Para startups: Você não precisa do modelo mais caro. Um modelo de US$ 0,14/M tokens com bom post-training pode superar um de US$ 2/M tokens com post-training medíocre. A barreira de entrada caiu.

Para times de engenharia: A escolha de modelo precisa ser reavaliada com frequência. O modelo que era “o melhor” em abril pode ter sido superado por uma versão mais barata em julho. Benchmarks internos regulares não são opcionais.

Para a OpenAI e Anthropic: A competição pelo post-training mais eficiente vai definir quem domina o mercado de agentes. Ter o maior modelo não garante mais nada.

Para o ecossistema open source: A licença MIT do V4 Flash significa que qualquer empresa pode pegar esse modelo, fazer seu próprio post-training especializado e criar um agente vertical que supera modelos generalistas. Isso é poderoso.

Como testar agora

Se você quer experimentar o V4 Flash 0731, as opções são diretas:

# Via API da DeepSeek
curl -s https://api.deepseek.com/v1/chat/completions \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-v4-flash",
    "messages": [
      {"role": "user", "content": "Refatore este código Python para usar async/await"}
    ],
    "max_tokens": 4096
  }'

O modelo também está disponível no Hugging Face (sob licença MIT) para quem quer rodar localmente, e em provedores como OpenRouter e Together AI.

Detalhe importante: se você já usa deepseek-v4-flash na API, não precisa mudar nada. O endpoint já serve a versão 0731 automaticamente.

A lição que vale mais que qualquer benchmark

Tem uma frase que resume bem o que aconteceu aqui: “Não é o tamanho do modelo. É o que você faz com ele depois.”

O pré-treinamento te dá uma base de conhecimento. É a faculdade do modelo, digamos. Mas o post-training é onde ele aprende a trabalhar de verdade. É o estágio, o primeiro emprego, as noites debugando código em produção.

A DeepSeek mostrou que investir na fase “depois da faculdade” pode render mais que gastar bilhões na “faculdade mais cara”. E isso vale para modelos de IA, mas também vale para umas outras coisas na vida, se você prestar atenção.

Se você roda agentes de IA em produção (ou está planejando), o V4 Flash 0731 precisa entrar na sua lista de testes. Não porque é o “modelo da moda”, mas porque ele representa uma mudança real na economia dos agentes: performance de modelo premium por preço de modelo budget.

E se a DeepSeek conseguiu fazer isso com post-training sozinho, imagina o que vem quando eles combinarem isso com a próxima geração de arquitetura.

Fonte de inspiração: DeepSeek V4 Flash 0731 – ARC Prize Results e DeepSeek Blog