O DeepSeek V4.1 Flash é um lançamento raro em que o modelo mais novo é mais barato e melhor que o nível que ele substitui. Chegou em 10 de setembro de 2026 como deepseek-flash, um modelo de 552B de parâmetros com visão nativa, e a DeepSeek está aposentando o próprio V4 Pro porque este modelo menor o supera na maioria dos testes.
O preço é a manchete: fora do pico, $0,15 por milhão de tokens de entrada e $0,60 por milhão de saída, o que fica abaixo do V4 Flash que está saindo e em cerca de um terço do V4 Pro. A parte esperta é a arquitetura, que reduz o custo de memória de contextos longos para 890 bytes por token.
Para quem constrói tarefas baratas de agentes, é realmente empolgante. Para quem pensa em apontá-lo para conversas de clientes, o modelo é a parte fácil. O conhecimento, as proteções e os testes em volta dele é que fazem um agente de suporte funcionar de verdade, e é aí que um modelo de API bruto deixa mais trabalho para você.
Eu construo agentes de IA na eesel, então passo boa parte da semana vendo o que acontece quando um modelo encontra uma fila de suporte real em vez de um benchmark. A versão curta do que aprendemos rodando IA em milhares de tickets reais: um modelo que soa confiante mas está errado é pior que nenhum modelo, e por isso leio um lançamento assim pelo que ele muda em produção, não só pela pontuação. O DeepSeek V4.1 Flash muda muito em custo e velocidade, então vale um olhar atento.
O que realmente mudou com o V4.1 Flash
A DeepSeek lançou o V4.1 Flash em 10 de setembro de 2026 e o chamou de "o menor modelo da nossa nova família de arquitetura, com compreensão visual nativa". Essa formulação importa: não é um ajuste do modelo do mês passado, é um design novo, e vem com uma arrumação da casa.
A arrumação é a parte interessante. A DeepSeek está juntando três modelos em um. O antigo deepseek-v4-flash e o experimental deepseek-v4-flash-vision-exp foram aposentados e agora apontam para o V4.1 Flash. Mais surpreendente, o carro-chefe V4 Pro também está sendo descontinuado: a partir das 04:00 UTC de 14 de setembro de 2026, toda requisição a deepseek-v4-pro é atendida pelo V4.1 Flash a preços de Flash até que um futuro V4.1 Pro seja lançado. O argumento da DeepSeek é direto: o modelo menor "comprehensively surpassed" o maior.
Nem todo mundo gostou do redirecionamento. A reação mais forte no Hacker News não foi sobre o modelo em si, mas sobre trocar clientes pagantes para outro modelo sem prazo de descontinuação:
"If I'd carefully tested and optimized prompts against Pro I wouldn't be keen on this particular news. I feel like API model providers should lean towards not swapping out models on their paying customers, no matter how much "better" the new model is meant to be."
É uma queixa justa e vale lembrar se você fixa modelos em produção. O contra-argumento, também justo, é que a DeepSeek é um laboratório pequeno que realisticamente consegue hospedar um modelo de fronteira por vez, e ela abre o código de todas as versões, então quem precisa de um alvo congelado pode hospedar exatamente esses pesos para sempre. De qualquer forma, se você constrói sobre a API da DeepSeek, trate "o modelo pode mudar debaixo de mim" como uma restrição real de projeto, como com qualquer LLM hospedado.
A arquitetura: por que um modelo maior ficou mais rápido e barato
Esta é a parte que acho realmente esperta, e vale entender porque ela explica o preço. A maioria dos modelos mantém uma pilha grande de parâmetros ativa o tempo todo enquanto lê seu prompt e escreve a resposta. O V4.1 Flash divide esse trabalho em dois com o que a DeepSeek chama de arquitetura codificador-decodificador causal. Um codificador de 20 camadas lê sua entrada usando apenas 8 bilhões de parâmetros ativos, depois um decodificador de 20 camadas escreve a resposta com 16 bilhões. O modelo completo tem 552B de parâmetros, mas só uma fração fica ligada por vez.
O motivo para importar "8B para ler" é que o trabalho de agentes é pesado em entrada. Quando seu modelo mastiga um longo histórico de tickets, uma base de conhecimento e um monte de definições de ferramentas, a maioria dos tokens é de entrada, e o V4.1 Flash os lê barato.
A outra metade do truque é o KV cache, a memória de trabalho que o modelo mantém ao percorrer um contexto longo. Costuma ser o que torna chamadas de contexto longo caras e lentas. A DeepSeek reduziu seu cache para 890 bytes por token, que segundo ela é cerca de um quarto do V4 Flash e aproximadamente 437 vezes menor que o modelo V1 original. Em termos de hardware, é um quarto da memória de alta largura de banda e um oitavo do espaço em SSD da geração anterior.
Essa compressão é o motivo todo de a DeepSeek ter conseguido aumentar a contagem de parâmetros e ainda cortar o preço. Também aparece na velocidade. Operadores que testaram a prévia relataram uma vazão impressionante:
"I've been trying out the 4.1 flash preview for some bulk tasks [...] I was getting something like 300-400 tok/s which was just insanity. It was running so much faster than the toolcalls themselves."
A 250 a 400 tokens por segundo, várias pessoas apontaram que o Gemini Flash já não é a opção mais rápida para trabalho de alto volume. O modelo também mantém o esforço de raciocínio ajustável continuamente da DeepSeek, um seletor inteiro de 1 a 100 que troca custo por precisão. Uma reclamação honesta de ergonomia: na prática, os presets da API pulam de "low" direto para "high" e "max", e as pessoas querem um "medium" de verdade porque o "high" queima tokens rápido.
Benchmarks: melhor que o V4 Pro, aquém da fronteira
A tabela comparativa da DeepSeek é o retrato mais claro, e vou aceitá-la pelo valor de face, ressalvando que são números reportados pelo fornecedor.
A história da tabela é consistente. Em trabalho de agentes e programação, o V4.1 Flash tende a liderar o grupo: Terminal-Bench 2.1 com 90,6, DeepSWE com 74,2, rating de Codeforces de 3471 e HLE com ferramentas com 63,9, que passa um pouco dos 63,6 do Claude Opus 5. Ele supera o V4 Pro em quase todas as linhas em comum, o que respalda a decisão de aposentar o Pro.
A ressalva honesta é o raciocínio puro sem ferramentas. No Humanity's Last Exam, o V4.1 Flash marca 36,8 (39,1 na parte só de texto), bem abaixo do GPT-5.6 Sol com 44,5 e do Claude Opus 5 com 56,3. Então é um excelente burro de carga que usa ferramentas, não um novo campeão de raciocínio. Isso combina com o que as pessoas realmente relatam usar:
"I used a lot V4 flash to implement plans built by other models, and it was honestly top notch. The thing was a workhorse."
A opinião do Reddit no tópico de benchmarks foi parecida: impressionados com a eficiência, céticos de que um modelo Flash realmente supere um gigante como o Kimi K3 no dia a dia. Esse ceticismo é saudável. Benchmarks superrepresentam quebra-cabeças arrumados e subrepresentam trabalho real bagunçado, e tickets de suporte são tão bagunçados quanto o trabalho pode ser.
Preços do DeepSeek V4.1 Flash
O preço é onde este lançamento merece atenção. As tarifas abaixo são por milhão de tokens, e a DeepSeek opera uma tabela de pico e fora do pico em que o fora do pico é exatamente metade do pico.
| Item (por 1M de tokens) | Fora do pico | Pico |
|---|---|---|
| Entrada, cache hit | $0,003 | $0,006 |
| Entrada, cache miss | $0,15 | $0,30 |
| Saída | $0,60 | $1,20 |
| Janela de contexto | 1M | 1M |
| Saída máx. | 384K | 384K |
| Concorrência | 2.500 | 2.500 |
Algumas coisas valem ser sabidas. Os horários de pico são 01:00-04:00 e 06:00-10:00 UTC em dias úteis, que correspondem ao horário comercial chinês, então uma fila de suporte dos EUA ou da Europa é cobrada em sua maioria na tarifa mais barata fora do pico. É uma economia real e um pouco frágil, já que sua conta depende silenciosamente do relógio. O modelo também suporta chamadas de ferramentas, saída JSON, a Responses API da OpenAI e um endpoint em formato Anthropic, e permite 2.500 requisições simultâneas contra 500 do V4 Pro.
Como referência, o V4 Flash que está saindo custava $0,22 fora do pico em cache miss e $0,66 na saída, então o V4.1 Flash é um corte de preço real somado a um ganho de capacidade. Membros da comunidade fizeram as contas contra o rival óbvio e foram diretos sobre o resultado:
"The direct competition is Gemini Flash, and these models are much better on agentic tasks with fraction of the task price compared to Gemini... 20-30% of the price per task. And especially Deepseek Flash produces better quality than Gemini does."
Para ver o que isso significa para a sua carga, aqui vai um estimador mensal aproximado. Informe seus volumes de tokens e ele faz a conta.
O que as pessoas estão realmente dizendo
Além da empolgação com preço e velocidade, há alguns temas que vale destacar antes de construir sobre ele.
O primeiro é o tamanho. O antigo V4 Flash tinha 284B e era razoável de rodar localmente. O V4.1 Flash tem quase o dobro, o que gerou um debate divertido sobre se ele ainda conta como "Flash":
"The bad news is that the original v4 flash was 284B, which was large but still somewhat reasonable for running locally. This one is 552B so almost twice that [...] it's not really flash anymore, imo... it's probably the newest king of the hill amongst open weights models."
Se você quer hospedar os pesos MIT por conta própria, faça orçamento. A conta de um comentarista chegou a cerca de 384 GB de memória, mais ou menos uma configuração com quatro RTX PRO 6000. É uma máquina séria, ainda assim mais barata que o salário de um desenvolvedor se a carga justificar. Para a maioria das equipes, as opções de código aberto que cabem em hardware menor são um ponto de partida mais sensato.
O segundo é a esquisitice das "respostas em chinês" que não para de aparecer:
"the web ui chat version of flash has very poor language following abilities in my experience: You may ask it something in English, and get a thinking chain in Chinese with an answer in Chinese."
A nuance útil é que as pessoas atribuem isso repetidamente à interface web e a provedores terceiros baratos rodando quantizações baixas, não à API da própria DeepSeek. Se você chama a API oficial, é bem menos provável de ocorrer, mas é um lembrete de que onde você roda o modelo importa tanto quanto qual modelo é.
Você deve apontar o V4.1 Flash para o atendimento ao cliente?
Esta é a pergunta que realmente me importa, e a resposta é um claro "como motor, sim, mas com os olhos abertos".
Os pontos fortes são reais. É barato, rápido, tem contexto de 1M de tokens, lê imagens e é distribuído sob licença MIT que você pode hospedar por conta própria. Para tarefas de alto volume e bem delimitadas, é uma ótima combinação, exatamente o tipo de modelo para o qual eu encaminharia com prazer o trabalho repetitivo.
As cautelas são igualmente reais, e tratam de dados, não de qualidade. Os termos da API paga da DeepSeek não deixam claro se suas entradas são usadas para treinar o modelo, não há opção publicada de retenção zero nem acordo de processamento de dados, e as requisições são processadas na RPC. Para uma fila de suporte cheia de nomes de clientes, detalhes de pedidos e informações pessoais, essa é uma conversa de conformidade que você quer ter antes, não depois. Se este é o seu mundo, nosso texto sobre SOC 2 e GDPR em chatbots de suporte é uma boa introdução, e as mesmas perguntas que levantamos sobre privacidade de dados em IA valem para qualquer modelo hospedado.
O ponto maior, porém, é um a que sempre volto depois de anos entregando isso: o modelo é talvez 2% do que faz um agente de suporte ser bom. Os outros 98% são se ele tem o conhecimento certo da empresa, se sabe quando parar e passar para uma pessoa, se consegue de fato executar ações no seu helpdesk e se você o testou antes de ele encarar um cliente. Um modelo brilhante e barato ligado de forma descuidada ainda dá respostas erradas com convicção, e vimos isso acontecer vezes suficientes para construir todo o nosso produto em torno de evitar isso.
Experimente a eesel
O DeepSeek V4.1 Flash é infraestrutura. É um motor fantástico, mas um motor não é um funcionário. A eesel é uma plataforma de colegas de IA: em vez de um modelo bruto que você precisa envolver com conhecimento, proteções e integrações, você contrata um colega pronto para trabalhar numa função específica. O colega de IA para helpdesk entra na sua fila existente, aprende com seus tickets antigos e sua central de ajuda e sabe quando escalar, então o modelo por baixo é um detalhe que você não precisa gerenciar.
Como posts sobre um modelo novo costumam atrair quem gosta de trabalhar no terminal, vale destacar: a eesel não é um produto só de painel. Ela traz uma interface de linha de comando de verdade, @eesel/cli, e todo workspace também é um servidor MCP. Isso significa que uma pessoa pode conduzir o mesmo colega pelo terminal, scripts podem automatizá-lo no CI e agentes de programação como Claude Code ou Cursor podem operá-lo diretamente, do mesmo jeito que você gerenciaria agentes pelo terminal. Você pode conectar uma integração, editar as instruções permanentes, rodar uma simulação contra seu histórico real de tickets para checar a qualidade das respostas e inspecionar cada execução com eesel activity, tudo sem abrir um navegador. É o jeito API-first de tocar o suporte com o qual muita gente do público da DeepSeek vai se sentir em casa, documentado nos documentos da CLI da eesel.
O preço é uma mensalidade fixa, a partir de $299/mês por 500 créditos (1 crédito por ticket ou chat), sem cobrança por usuário, e há um plano gratuito com 100 créditos para você testar com seus próprios tickets antes de se comprometer. Se você anda de olho em um modelo barato para cortar custos de suporte, essa etapa de simulação é a parte que eu não pularia: experimente a eesel e veja primeiro a qualidade real das respostas nos seus próprios dados.
Perguntas frequentes
O que é o DeepSeek V4.1 Flash?
O DeepSeek V4.1 Flash é o modelo de pesos abertos mais recente da DeepSeek, lançado em 10 de setembro de 2026 e chamado na API como deepseek-flash. É um modelo de mistura de especialistas com 552B de parâmetros e entrada nativa de imagem, e a DeepSeek diz que ele supera o antigo DeepSeek V4 Flash e até o nível V4 Pro que está substituindo.
Quanto custa o DeepSeek V4.1 Flash?
Fora do horário de pico, custa $0,15 por milhão de tokens de entrada em cache miss, $0,003 em cache hit e $0,60 por milhão de tokens de saída. No horário de pico (01:00-04:00 e 06:00-10:00 UTC em dias úteis), essas tarifas dobram. É mais barato que o V4 Flash que está saindo e muito mais barato que o V4 Pro. Veja o post sobre os preços do DeepSeek V4 Flash para comparar com o nível anterior.
O DeepSeek V4.1 Flash é melhor que o DeepSeek V4 Pro?
Na própria tabela de benchmarks da DeepSeek, ele fica um pouco à frente do V4 Pro na maioria dos testes de agentes e de programação e custa cerca de um terço, por isso a DeepSeek está aposentando o V4 Pro. No raciocínio puro sem ferramentas, ainda fica atrás de modelos de fronteira como o Claude Opus 5. Para um confronto mais pesado, veja DeepSeek V4 Flash vs GPT-5.6.
Posso rodar o DeepSeek V4.1 Flash localmente?
Sim, os pesos têm licença MIT no Hugging Face, então hospedar por conta própria é permitido. O problema é o tamanho: com 552B de parâmetros, ele precisa de cerca de 384 GB de memória (pense em uma máquina com quatro RTX PRO 6000), então já não é hardware de notebook comum. Se quiser um ponto de partida mais leve, veja as plataformas de chatbot de código aberto.
O DeepSeek V4.1 Flash é seguro para dados de clientes?
Os termos da API paga não deixam claro se suas entradas são usadas para treinamento, não há opção publicada de retenção zero nem DPA, e os dados são processados na RPC. Para suporte regulado, leia sobre SOC 2 e LGPD/GDPR em chatbots de suporte antes de apontá-lo para tickets reais.
O DeepSeek V4.1 Flash tem suporte a visão?
Sim. A visão agora é nativa do modelo principal, substituindo a antiga versão experimental V4 Flash Vision. Ele consegue ler imagens e texto juntos, embora alguns usuários observem que o harness da DeepSeek ainda não expõe uma ferramenta de imagem em todos os fluxos.
Devo usar o DeepSeek V4.1 Flash para atendimento ao cliente?
Como modelo bruto, é um motor forte e barato, mas um agente de suporte precisa por cima de conhecimento da empresa, proteções, testes e ações no helpdesk. Uma plataforma como a eesel cuida dessa camada, e o colega de IA para helpdesk se conecta às suas ferramentas atuais em vez de deixar você montar um modelo por conta própria.