DeepSeek V4 Flash vs V4 Pro: qual plano usar?

The price card, side by side

Os dois modelos estão em uma única página, o que torna a comparação incomumente limpa. Mesmo fornecedor, mesma tabela, mesmo dia.

Vale notar duas coisas antes de chegar aos benchmarks. Primeiro, a proporção não é uniforme: o Pro custa 3,11 vezes o Flash nas tarifas que você paga na maior parte do tempo, mas apenas 1,29 vezes em cache hits. Depois há a própria tarifa de cache. O preço de cache hit do Flash é um desconto de 50 vezes em relação ao seu próprio preço de cache miss, e o cache vem ativado por padrão, sem precisar mudar código nenhum. A Artificial Analysis chamou isso de desconto de cache hit de ~98%, mais agressivo que os 90% que a maior parte do setor oferece.

O detalhe é que uma solicitação só é cobrada na tarifa de hit quando ela corresponde totalmente a uma unidade de prefixo de cache persistida. Sobreposição parcial não conta, o que a DeepSeek atribui à sua atenção de janela deslizante. O cache também é documentado como best-effort, e entradas não usadas expiram em horas ou dias, então trate a tarifa barata como um desconto que às vezes você consegue, não uma tarifa com a qual dá para planejar.

Mais uma linha na tabela muda a conta. A DeepSeek diz que a API em breve adotará preços de horário de pico a 2x a tarifa normal, das 9h às 12h e das 14h às 18h no horário de Pequim, todos os dias. Nenhuma data de vigência foi publicada em lugar nenhum. Os números de hoje são as tarifas normais, não uma janela de desconto.

Same window, different brain

As especificações que normalmente separam um plano barato de um caro são idênticas aqui.

Ambos são modelos Mixture-of-Experts pré-treinados com mais de 32T de tokens. Eles compartilham o mesmo design de atenção híbrida (Compressed Sparse Attention mais Heavily Compressed Attention), além dos mesmos Manifold-Constrained Hyper-Connections e do otimizador Muon. A janela de 1M é real na configuração, não só no marketing: max_position_embeddings marca 1048576, alcançado ao estender com YaRN uma janela treinada em 64K, 16 vezes.

Então comprar o Pro não compra uma janela maior, compra 3,8 vezes os parâmetros ativos. Essa distinção importa aqui, porque parâmetros ativos compram principalmente capacidade de recuperação, e é exatamente aí que esses dois divergem. Se a ideia de um modelo menor se sair bem é nova para você, nosso texto explicativo sobre modelos de linguagem pequenos cobre o caso geral.

Entrada de imagem não está documentada em nenhum dos dois modelos. A tag de pipeline em ambos os repositórios do Hugging Face diz geração de texto, a configuração declara DeepseekV4ForCausalLM sem nenhum codificador de visão em lugar nenhum, e a linha de recursos da tabela de preços lista saída em JSON, chamadas de ferramenta e FIM sem nenhuma linha de visão. O trabalho multimodal da DeepSeek está em uma linha de modelos separada. Um desenvolvedor construindo um agente conectou um segundo modelo especificamente para cobrir visão e busca na web.

Work out what each tier actually costs you

Essa proporção de preço de 3,11x só se sustenta se os dois modelos emitirem o mesmo número de tokens, o que não acontece. A Artificial Analysis aponta o Flash como verboso: ele gerou 210M de tokens de saída para completar o Intelligence Index, contra uma mediana da classe de 100M. Tokens de raciocínio são cobrados na tarifa de saída, então a verbosidade vira um item de custo real.

O que levanta a pergunta útil. Quão mais falante o Flash precisaria ficar antes de o Pro se tornar a opção mais barata? Coloque seus próprios números.

O número para guardar é este. Só nos tokens de saída, o Flash precisa ser mais de 3,11 vezes mais verboso que o Pro antes de o Pro sair mais barato. A diferença medida pela AA em relação à mediana da classe é de cerca de 2,1 vezes. Os tokens de entrada tornam isso ainda mais difícil, já que a maioria das cargas de trabalho é pesada em entrada e a tarifa de entrada do Flash é um terço da do Pro. Na prática, o Flash vence em custo por uma distância que a verbosidade não fecha.

Vale a pena calibrar o que isso significa em termos de negócio, porém. Mesmo a tarifa do Pro é um erro de arredondamento perto de um salário, e a comparação interessante para uma equipe de suporte é IA contra um agente humano, não Flash contra Pro.

The benchmark inversion

Aqui está a parte que surpreendeu as pessoas. Em 2026-07-31, a DeepSeek lançou o DeepSeek-V4-Flash-0731, do qual diz que manteve a mesma arquitetura e tamanho e só recebeu um novo pós-treinamento. Ou seja, mesmos 284B/13B, pós-treinamento novo. A tabela agêntica publicada:

O Flash 0731 supera a build do Pro nas nove linhas, e fica atrás do Claude Opus 4.8 nas nove. A mesma questão de "o plano pequeno vence o grande" também está viva em outros laboratórios, vale destacar, e normalmente se resolve ao contrário: nossa comparação de Opus 5 contra Sonnet 5 encontrou o plano caro vencendo em custo por tarefa, não só em qualidade.

Duas ressalvas que a própria DeepSeek imprime, e vou repeti-las. As linhas com † são conjuntos de teste internos. E as execuções de agente de código usaram o próprio harness da DeepSeek, que não é publicado, então ninguém ainda consegue reproduzi-las de forma independente. Um analista no X resumiu a leitura justa sem rodeios:

"DeepSeek is launching a very cheap, very capable coding-agent Flash model that looks surprisingly close to Claude Opus 4.8, especially considering it's the lightweight model. That said, this is DeepSeek's own benchmark selection, so it's naturally designed to highlight its strengths."

Dr. Tomislav Marinovic, X

O ranking independente concorda na direção. A Artificial Analysis pontuou o Flash 0731 em 50 no seu Intelligence Index, seis pontos à frente do DeepSeek V4 Pro, que tem 44. Custo por tarefa: $0.03 para o Flash, $0.05 para o Pro.

Um salto do DeepSWE de 7,3 para 54,4 com uma forma de pesos inalterada realmente convida à suspeita, e pelo menos uma conta japonesa de IA de destaque disse isso diretamente. A pontuação anterior era tão fraca que a recuperação parece, para eles, um direcionamento de benchmark. Um ponto justo para manter em mente, e também por isso o número do índice independente importa mais aqui do que a tabela do fornecedor.

Where Pro still wins

A tabela cruzada da era de prévia da DeepSeek é o único lugar onde os dois modelos são medidos com o mesmo esforço de raciocínio, e é onde vive o argumento a favor do Pro.

A diferença de recuperação é a que deveria decidir qualquer coisa. Uma diferença de 23,8 pontos no SimpleQA-Verified não é diferença de arredondamento, é exatamente o que 13B de parâmetros ativos custam. A própria DeepSeek diz isso com suas palavras, descrevendo o Flash como levemente atrás em tarefas de conhecimento puro e nos fluxos de trabalho agênticos mais complexos, e depois limita sua alegação de paridade a tarefas de agente simples.

A busca em contexto longo pende na mesma direção. Os dois modelos anunciam 1M, mas o MRCR 1M dá 83,5 no Pro contra 78,7 no Flash, então a janela tem o mesmo tamanho enquanto encontrar a agulha não é igual. Se a sua carga de trabalho é "colocar um corpus enorme e fazer perguntas precisas sobre ele", esse é o território do Pro. Também é a carga de trabalho em que RAG em vez de contexto bruto costuma vencer de forma clara, e o fine-tuning é a terceira opção à qual as pessoas recorrem, o que nosso artigo sobre modelos de IA personalizados cobre.

Dois asteriscos importam nessa tabela. Esses números são do Flash em build de prévia, de antes da reconstrução 0731, e a DeepSeek não republicou nenhuma tabela de benchmark de conhecimento para o 0731, então não posso dizer se a diferença do SimpleQA sobreviveu a isso. Já na preferência humana, o LMArena ainda classifica o deepseek-v4-pro em 1458±4, acima do deepseek-v4-flash em 1436±4, com cerca de 49.000 votos cada. O índice automatizado e os votos humanos apontam aqui em direções opostas, o que é um bom motivo para não entregar um veredito em um único número.

The reasoning-effort trap

Se eu estivesse prestes a mover gastos entre os dois, esta é a seção que eu leria primeiro. Não é intuitiva, e também não está na tabela de preços. A DeepSeek publica um mapeamento de esforço solicitado para esforço real:

Leia a coluna do Pro mais uma vez. Não há configuração barata no Pro, já que uma solicitação low é atendida como high, então você paga 3,11 vezes a tarifa do token e não consegue reduzir o orçamento de raciocínio para compensar isso. O Flash tem a peculiaridade oposta, em que xhigh rebaixa silenciosamente para high, então mexer nesse parâmetro não traz nada além de high. A DeepSeek diz que o mapeamento do Pro será atualizado no início de agosto de 2026.

O raciocínio vem ativado por padrão nos dois, com esforço high, e tokens de raciocínio são cobrados na tarifa de saída. Não existe uma string de modelo -thinking separada, é um parâmetro sobre o mesmo alias. Desligá-lo também não é uma troca pequena. O Flash sem raciocínio pontua 8,1 no HLE e 1,0 no Apex, contra 34,8 e 33,0 em max. Então, se você quer a configuração barata, está escolhendo um modelo materialmente diferente, que é a lição a que nosso guia de otimização de LLM sempre volta.

Duas pegadinhas de amostragem já que estamos nisso. No modo de raciocínio, temperature, top_p, presence_penalty e frequency_penalty não são suportados, e defini-los não gera erro nenhum, simplesmente não faz nada. Além disso, se o modelo fez uma chamada de ferramenta, você precisa devolver reasoning_content em cada turno seguinte.

Operational differences that decide it

Preço e benchmarks levam as manchetes. Estas são as coisas que realmente decidem a escolha em uma implantação real.

• Concorrência. O Flash permite 2.500 solicitações simultâneas e o Pro permite 500. A DeepSeek não publica nenhum limite de RPM ou TPM, então a concorrência é todo o modelo de limite de taxa, contada por conta independentemente da chave, retornando HTTP 429 acima do teto. Para qualquer coisa em formato fan-out, essa diferença de 5 vezes é decisiva.
• Responses API. Suportada só no Flash, e a DeepSeek diz que o suporte no Pro chega no início de agosto de 2026. A build 0731 também é adaptada especificamente para o Codex.
• Pesos abertos. O Flash é lançado sob licença MIT com ~167GB em FP4/FP8 misto, com 8 finetunes e 57 quantizações já publicadas, além de um módulo de decodificação especulativa DSpark embutido no mesmo checkpoint. O Pro não tem checkpoint público próprio. Se licenciamento é o motivo de você estar aqui, plataformas de chatbot open source dá a visão mais ampla.
• Versionamento. O alias do Flash acompanha automaticamente a build mais recente, o que significa que um benchmark citando "DeepSeek V4 Flash" pode não ser o modelo que você recebe. A reclamação de um desenvolvedor sobre o sufixo vale a pena ouvir aqui: fixe -0731 sempre que citar algo.

What developers actually report

A explicação mais útil de por que o modelo pequeno vence no trabalho agêntico veio de uma equipe que testou os dois e depois foi atrás do motivo:

"DeepSeek V4 Flash is the most cost effective model we've tested. We had to really understand why it outperformed DeepSeek V4 Pro (although even on unreliable model cards, Flash was very close to Pro). Pro is slower and smarter in one-shot reasoning problems, but less effective with tools and therefore less performant in long horizon agentic tasks (especially with custom tools it was not trained on)."

gertlabs, Hacker News

Mais inteligente de primeira, pior com ferramentas. Combina quase exatamente com a divisão dos benchmarks, e é o modelo mental mais claro que já encontrei para escolher entre esses dois.

Sobre o que as pessoas realmente gastam, aqui estão dois recibos espontâneos da thread de lançamento:

"I use deepseek for a lot of my personal day-to-day agent needs, and I will simply put this here and let this speak for itself, last 30 days:

Cost: $4.55USD

API requests: 3,467

Tokens: 323,183,886"

lionkor, Hacker News

Alguém que rodou os dois planos por quinze dias relatou pagar cerca de $1.50 por dia pelo Pro, e colocou a diferença em "~50% mais caro que o Flash". Isso é visivelmente mais estreito que o 3,11x da tabela, que é o que cache hits fortes somados a uma contagem de tokens do Pro mais baixa fazem a uma conta real. A outra observação dele, porém, é a que eu sublinharia: os dois planos precisam de acompanhamento, tarefas pequenas, sessões novas e verificações manuais de sanidade.

Os pontos negativos são específicos, e se repetem. Alucinação e perda de contexto aparecem com frequência:

"DeepSeek V4 hallucinates like crazy and often forgets explicitly mentioned parts of the context. I guess compressing tokens and cherry-picking attention comes at a cost."

storus, Hacker News

A Artificial Analysis mede a mesma coisa do outro lado. A taxa de alucinação AA-Omniscience do Flash 0731 é 84%, uma melhora de 12 pontos em relação ao antecessor, impulsionada por menos alucinações e não por maior precisão. E a objeção que domina toda thread sobre a DeepSeek não tem nada a ver com qualidade:

"The model is fantastic. And costs almost nothing. The only problem I see is that they will train on your data. There are zero-data-retention providers of DeepSeek models, of which I have used openrouter (with zdr guardrails), and fireworks. But these are 3x to 5x more expensive than directly using DeepSeek, possibly due to poor caching."

bwfan123, Hacker News

Esse último ponto reescreve silenciosamente toda a comparação para quem lida com dados de clientes. Em um provedor de retenção de dados zero, a saída de $0.28 do Flash vira algo em torno de $0.84–1.40, o que fica acima da tarifa de primeira parte do Pro. A diferença de preço entre Flash e Pro só existe na API de primeira parte, e essa API de primeira parte é justamente aquela que você não pode apontar para uma caixa de entrada de suporte. É nesse ponto que a maioria das equipes para de comparar preços de tokens e começa a buscar automação de atendimento ao cliente que resolva a questão da retenção por elas.

What this changes if you point it at a support queue

Eu implanto integrações e a infraestrutura de modelos na eesel, então essa é a pergunta que mais me fazem. Qual modelo deveria ficar por trás do agente de IA? Depois de mais de três anos rodando IA em filas de suporte reais, minha resposta honesta é que a escolha do plano fica em algum lugar por volta do quinto lugar na lista de coisas que decidem se funciona.

Aqui vai uma evidência dos nossos próprios dados em vez de um benchmark. Em um teste com validação cruzada sobre tráfego real do Zendesk, 284 conversas mais uma checagem manual de 100 tickets em uma equipe europeia de e-commerce, a IA atingiu 93% de precisão de triagem e 100% de detecção de spam com zero falsos positivos nos 22% da caixa de entrada que era spam. A qualidade dos rascunhos saiu direcionalmente correta 88% das vezes. Mas apenas 12% dos rascunhos foram enviados como estavam, com uma taxa de erro factual de 7%. Quando investigamos por que os agentes reescreviam o resto: cerca de 65% era extensão e tom, cerca de 20% precisava de dados aos quais a IA não estava conectada, e apenas cerca de 5% era o modelo errando mesmo.

Essa divisão 65/20/5 é o argumento inteiro. Quatro quintos da diferença de qualidade eram resolvíveis conectando mais sistemas e treinando com as próprias respostas já enviadas pela equipe, e um modelo maior não faz nenhuma dessas duas coisas por você. Os piores fracassos que já vimos também não foram falhas de inteligência de forma alguma. Já tivemos clientes pagantes cujo bot fabricou respostas quando a busca na base de conhecimento não retornou nada, um deles inventando detalhes de assinatura para um cliente real. A correção ali foi um fallback rígido em caso de falha na recuperação, o que é uma decisão de pipeline, não um número de parâmetros.

Então, se a escolha entre esses dois é para automação de tickets de suporte: escolha o Flash, gaste o dinheiro economizado conectando suas fontes de dados reais, e depois coloque atrás um caminho de escalonamento adequado.

Algumas coisas movem o número de resolução muito mais do que qualquer upgrade de plano, mais ou menos nesta ordem. Primeiro, acertar a classificação de tickets, para que a IA só responda o que deveria. Depois, construir um caminho real de transferência para um agente para tudo o mais. E treinar com seus próprios dados, especificamente as respostas já enviadas pela sua equipe, o que, segundo os dados do nosso teste, levaria a adoção de rascunhos como estão de 12% para 30–40% sozinho.

Depois há a restrição que fica acima de tudo isso. A API de primeira parte da DeepSeek é onde estão as tarifas baratas, e também é onde seus tickets viram dados de treinamento, então, para conversas com clientes, você está na prática precificando um provedor de retenção de dados zero em vez disso. Isso muda a lista de finalistas, e nosso panorama de soluções de atendimento ao cliente com IA é um ponto de partida melhor do que uma tabela de tarifas por token. Seja qual for o caminho escolhido, melhorar a taxa de resolução continua sendo um problema de dados bem antes de virar um problema de modelo.

Try eesel

Quer a economia do modelo barato sem apostar sua caixa de entrada no benchmark de alguém? A eesel se conecta ao helpdesk que você já usa e aprende com seus tickets passados e sua central de ajuda. A parte que importa para este post: ela permite que você simule o agente contra seus próprios tickets históricos antes que um único cliente o veja. Você recebe de volta uma taxa de resolução real, mais uma lista real do que ele teria errado, com seus dados e no seu tom, seja qual for o modelo que estiver na frente este mês. Grátis para testar, e com preço por ticket resolvido em vez de por assento.

Esse hábito de simulação existe por causa de cicatrizes, não de marketing. Já vimos bots que soam confiantes dar respostas erradas, e rodar o rollout contra tickets históricos primeiro é a única coisa que pega isso antes de um cliente pegar. Se você quer o panorama mais amplo antes de decidir, nosso resumo dos melhores agentes de IA e a lista dos melhores softwares de helpdesk com IA são dois bons pontos de partida.

Which one I would pick

Para trabalho agêntico e de programação em agosto de 2026: Flash, sem hesitar. É 3,11 vezes mais barato nas tarifas que você realmente paga. Supera o Pro em cada linha agêntica publicada pela DeepSeek, pontua seis pontos a mais no índice independente, tem 5 vezes a concorrência, e é o único dos dois com pesos abertos além de suporte a Responses API. Não existe versão dessa comparação em que o Pro vença em trabalho agêntico hoje.

Para recuperação factual, busca precisa em um contexto muito grande, ou qualquer coisa em que errar com confiança sai caro: Pro, e verifique se você deveria estar no Claude Opus 5 ou no GPT-5.6 em vez disso. Essa diferença no SimpleQA é grande o suficiente para que "simplesmente use o barato" seja um mau conselho em trabalho de conhecimento, e a própria vantagem do Pro sobre os modelos de fronteira ocidentais nesse eixo não é óbvia.

O timing é o fator incerto. A DeepSeek diz que a atualização do V4-Pro está a caminho, e o mesmo novo pós-treinamento que levou a pontuação do DeepSWE do Flash de 7,3 para 54,4 ainda não foi aplicado ao Pro. Um comentarista fez a pergunta óbvia em voz alta. Se isso for um compromisso de doze meses em vez de uma decisão deste sprint, esse é o evento a observar.

Vale a pena comparar isso com o resto do campo já que estamos aqui. O Qwen 3.8 Max fica em $2/$6 e o Kimi K3 em $3/$15, então os dois ficam bem acima da DeepSeek em todos os indicadores.

Se você quer os confrontos diretos em vez das tabelas de tarifas, já comparei o Qwen contra o Flash diretamente, além do Qwen contra o Kimi e do Qwen contra o GPT-5.6.

Vindo da geração anterior, nosso texto sobre DeepSeek V3.2 traz o contexto do upgrade, e o Qwen 3.7 Flash é o rival de plano barato mais próximo dele. Para a camada de harness que fica em cima de qualquer modelo escolhido, veja os melhores assistentes de IA para programação.