DeepSeek V4 usa 98% menos memória? A evidência aponta para KV cache, não para VRAM total
Não há evidência pública, nos materiais oficiais e técnicos citados, de que o DeepSeek V4 reduza a VRAM total em 98%; o que aparece é otimização de attention e KV cache em contexto longo [5][13][14]. O número mais verificável em reportagem de terceiros é 10% de KV cache em relação ao DeepSeek V3.2, ou cerca de 90% d...
Publicado porEditado com GPT-5.5Imagens geradas com GPT Image 2
Não há evidência pública, nos materiais oficiais e técnicos citados, de que o DeepSeek V4 reduza a VRAM total em 98%; o que aparece é otimização de attention e KV cache em contexto longo [5][13][14].
O número mais verificável em reportagem de terceiros é 10% de KV cache em relação ao DeepSeek V3.2, ou cerca de 90% de redução do cache — não da memória total do sistema [20].
A afirmação de 98% aparece principalmente em conteúdo gerado por usuário no LinkedIn; para planejamento de capacidade, o mais seguro é testar com seu contexto, batch, concorrência e hardware [21][22].
Quando alguém diz que o DeepSeek V4 “usa 98% menos memória”, a primeira pergunta deveria ser: memória de quê? Do jeito que a frase costuma circular, ela mistura duas coisas diferentes: a compressão do KV cache em inferência de contexto longo e a VRAM total necessária para hospedar e servir um modelo.
A leitura mais segura, com base no que está público, é mais estreita: o DeepSeek V4 traz otimizações explícitas para reduzir a pressão do KV cache e o custo de attention em contextos longos; não há, nos materiais oficiais e técnicos citados, uma especificação dizendo que toda a VRAM de implantação cai 98% .
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
Qual é a resposta curta para "DeepSeek V4 usa 98% menos memória? A evidência aponta para KV cache, não para VRAM total"?
Não há evidência pública, nos materiais oficiais e técnicos citados, de que o DeepSeek V4 reduza a VRAM total em 98%; o que aparece é otimização de attention e KV cache em contexto longo [5][13][14].
Quais são os pontos-chave para validar primeiro?
Não há evidência pública, nos materiais oficiais e técnicos citados, de que o DeepSeek V4 reduza a VRAM total em 98%; o que aparece é otimização de attention e KV cache em contexto longo [5][13][14]. O número mais verificável em reportagem de terceiros é 10% de KV cache em relação ao DeepSeek V3.2, ou cerca de 90% de redução do cache — não da memória total do sistema [20].
O que devo fazer a seguir na prática?
A afirmação de 98% aparece principalmente em conteúdo gerado por usuário no LinkedIn; para planejamento de capacidade, o mais seguro é testar com seu contexto, batch, concorrência e hardware [21][22].
O DeepSeek V4 usa Hybrid Attention, Compressed Sparse Attention (CSA) e Heavily Compressed Attention (HCA) para reduzir bastante o custo de KV cache em inferência de contexto longo. Isso não comprova que a VRAM total necessária para rodar o modelo caia 98% .
Essa distinção é importante para quem precisa comprar GPU, dimensionar instância em nuvem ou estimar custo de serving. O KV cache pode ser um gargalo enorme em modelos de linguagem com janelas longas, mas ele não é a única coisa que ocupa memória na GPU.
O que os documentos realmente confirmam
A página oficial de notícias da API da DeepSeek lista o DeepSeek-V4 Preview como lançado em 24/04/2026. O model card do DeepSeek V4 informa que a família inclui DeepSeek-V4-Pro e DeepSeek-V4-Flash, descrevendo o V4 como uma série de modelos de linguagem Mixture-of-Experts (MoE) que mantém o framework DeepSeekMoE e a estratégia Multi-Token Prediction (MTP), ao mesmo tempo em que introduz mudanças como a Hybrid Attention Architecture .
A parte diretamente relacionada a “economizar memória” está no tratamento de attention em contexto longo. Um artigo técnico da NVIDIA descreve a Compressed Sparse Attention (CSA) como um mecanismo que usa compressão dinâmica de sequência para comprimir entradas de KV e reduzir a pegada de memória do KV cache; depois, aplica DeepSeek Sparse Attention (DSA) para tornar as matrizes de attention mais esparsas e diminuir o custo computacional . A Heavily Compressed Attention (HCA) vai além: consolida entradas de KV de conjuntos de tokens em uma única entrada comprimida, reduzindo ainda mais o tamanho do KV cache .
Em outras palavras: a evidência pública sustenta que o DeepSeek V4 foi desenhado para diminuir KV cache size e custo de attention em contextos longos. Isso não equivale a uma promessa oficial de que todo o consumo de VRAM caia na mesma proporção.
98%, 90%, 9,5x: não misture os números
O número 98% aparece de forma mais direta em um artigo gerado por usuário no LinkedIn, cujo título afirma que o DeepSeek Sparse Attention reduz a memória de KV em 98% em serving real . Esse tipo de publicação pode servir como pista para investigação, mas não deve ser tratado como especificação oficial da DeepSeek.
Um número mais fácil de conferir em reportagem de terceiros é 10% de KV cache. A Wccftech noticiou que, em comparação com o DeepSeek V3.2, o DeepSeek V4 exigiria 27% dos FLOPs de inferência single-token e 10% do key-value (KV) cache. Lido literalmente, 10% de KV cache significa uma redução de cerca de 90% no cache — mas o comparativo é contra o V3.2 e não diz, por si só, que todas as janelas de contexto, batches, configurações de hardware ou toda a VRAM cairão 90% .
Também há manchete falando em 9,5x menos requisitos de memória. Mesmo na conta direta, 1/9,5 deixa cerca de 10,5% da necessidade original, ou seja, algo próximo de 89,5% de redução. Isso ainda não é 98% e, mais importante, ainda exige confirmar o escopo: KV cache? contexto de 1 milhão de tokens? implantação completa? um benchmark específico?
Afirmação
Estado da evidência
Leitura mais prudente
VRAM total 98% menor
Não aparece como especificação oficial nos materiais citados
Não usar em proposta comercial, compra de hardware ou marketing técnico
KV cache fortemente comprimido
Há descrição técnica consistente
CSA/HCA comprimem entradas de KV em contexto longo
10% de KV cache
Reportagem de terceiro
Sugere cerca de 90% menos KV cache versus V3.2, não 90% menos VRAM total
9,5x menos memória
Manchete de terceiro
Aproxima 89,5% de redução, mas o escopo precisa ser verificado
Por que KV cache não é a mesma coisa que VRAM total
O KV cache guarda informações de tokens anteriores para que o modelo consiga continuar calculando attention sem recomputar tudo do zero. Em contextos longos, ele cresce e pode virar um dos maiores gargalos de inferência.
A Hugging Face descreve bem esse problema em workloads agentic longos: resultados de ferramentas são adicionados ao contexto, e cada token subsequente paga custo de attention contra o histórico que veio antes; dois números passam a importar muito, os FLOPs de inferência single-token e o tamanho do KV cache, ambos crescendo com o comprimento da sequência . A versão do texto no GitHub também aponta falhas típicas desses fluxos: o trace ultrapassa o orçamento de contexto, o KV cache enche a GPU ou as idas e vindas de chamadas de ferramentas degradam a tarefa no meio do caminho .
Mas a memória total de uma implantação não é só KV cache. Mesmo o artigo do LinkedIn que populariza a tese dos 98% separa itens como pesos compartilhados, pesos de especialistas em MoE, ativações, KV cache e overhead de framework . Essa divisão é justamente o ponto: se o KV cache cai muito em um cenário específico, isso não autoriza concluir que todos os outros componentes cairão na mesma proporção.
CSA e HCA são engenharia de eficiência, não um número mágico
O que torna o DeepSeek V4 interessante é a direção técnica. Ele mira um dos custos mais difíceis de modelos com janelas muito longas: attention e memória de KV em sequências enormes. Segundo a NVIDIA, a CSA comprime entradas de KV e esparsifica matrizes de attention; a HCA aplica uma compressão mais agressiva ao consolidar entradas de KV de múltiplos grupos de tokens .
O relatório técnico do DeepSeek V4 também menciona otimizações de infraestrutura para treino e inferência, incluindo um kernel único e fundido para módulos MoE, projetado para sobrepor computação, comunicação e acesso à memória . São melhorias relevantes. O que elas não fazem, sozinhas, é transformar a frase “98% menos memória total” em fato comprovado.
Como avaliar o DeepSeek V4 na prática
Se a sua pergunta é se o DeepSeek V4 serve para documentos longos, conversas extensas ou agentes que acumulam muitos resultados de ferramentas, a métrica certa não é uma manchete de 98%. A pergunta operacional é: o seu gargalo é realmente o KV cache?
Para uma avaliação séria, rode benchmarks com o seu tamanho de contexto, batch size, concorrência, engine de serving e hardware. Se o limite principal for KV cache em contexto longo, as técnicas de compressão do V4 podem ser valiosas . Se o gargalo estiver em pesos do modelo, ativações, overhead do framework, paralelismo ou estratégia de concorrência, uma redução no KV cache não se traduz automaticamente na mesma economia de VRAM total .
A conclusão, por enquanto, é simples: o DeepSeek V4 tem evidência pública forte de otimização de KV cache em contexto longo. Já a frase “98% menos memória” é ampla demais para ser usada como fato técnico sem qualificar exatamente o que foi medido .
wccftech.comDeepSeek Aims At Memory Shortage With Latest AI Model But Might ...
