O salto para 8 trilhões de tokens explica por que agentes estão mudando a economia dos modelos de IA

Um dia reportado de 8 trilhões de tokens no OpenCode diz menos sobre a popularidade isolada de um modelo e mais sobre a mudança na unidade básica de trabalho da IA. Em vez de pagar por uma resposta de chatbot, desenvolvedores estão usando — e pagando por — um ciclo de agente: ler um repositório, montar um plano, alterar arquivos, executar um programa, analisar o erro e tentar novamente.

O OpenCode informou que o DeepSeek V4 Flash processou 8 trilhões de tokens em 1º de agosto, divididos entre 5 trilhões em uso de teste gratuito e 3 trilhões pelo plano pago OpenCode Go. Separadamente, o ranking semanal do OpenRouter, referente ao período de 27 de julho a 2 de agosto, registrou 7,22 trilhões de tokens do V4 Flash em toda a plataforma. São números divulgados pelas próprias plataformas, e não uma auditoria independente de todo o uso do modelo. Ainda assim, o contraste ajuda a dimensionar o volume que fluxos de trabalho com agentes podem alcançar. 202329

Por que agentes consomem tantos tokens

Uma pergunta pontual a um chatbot costuma ter um prompt curto e uma resposta limitada. Já um agente de programação trabalha com um conjunto muito maior de informações: arquivos-fonte, saídas do terminal, falhas de testes, decisões anteriores, patches gerados e sucessivas chamadas de ferramentas. Enquanto tenta concluir a tarefa, ele pode revisitar boa parte desse contexto várias vezes.

Os dados públicos do OpenCode para o V4 Flash apontam uma média de cerca de 12 milhões de tokens por sessão e uma taxa de 95% de cache de entrada. Isso não prova que toda sessão seja um trabalho autônomo de programação completo, mas é compatível com tarefas iterativas de contexto longo — não com conversas curtas convencionais. 25

A diferença é importante porque o usuário não atribui valor ao número de tokens produzidos. O que importa é um pull request aceito, uma suíte de testes aprovada, um protótipo funcionando ou um fluxo concluído corretamente. Uma forma prática de avaliar um modelo, portanto, é:

Custo por tarefa aceita = custo total do modelo e do ciclo de ferramentas ÷ probabilidade de a tarefa atingir o padrão exigido.

A conta inclui tentativas fracassadas, novas execuções, revisão humana, latência e o custo de corrigir erros — não apenas as tarifas publicadas para tokens de entrada e saída.

Preço baixo por token torna novas tentativas economicamente viáveis

Reportagens sobre o V4 Flash citaram preço próprio de US$ 0,14 por milhão de tokens de entrada e US$ 0,28 por milhão de tokens de saída. 12 Nessas faixas, um desenvolvedor pode bancar mais iterações, preservar mais contexto e automatizar mais testes do que com um modelo consideravelmente mais caro.

O ponto não é que o modelo mais barato será sempre o melhor. É que uma pequena diferença de qualidade pode ser superada por uma grande diferença de custo quando um agente precisa de muitas etapas para terminar um trabalho rotineiro.

Em uma comparação, o V4 Flash Max obteve 50 pontos no Artificial Analysis Intelligence Index v4.1, ante 56 do Claude Opus 4.8 Max. O custo reportado para rodar toda a suíte de avaliação, porém, foi de US$ 72,02 contra US$ 3.752,55. É uma diferença expressiva de custo acompanhada de uma distância de seis pontos no índice — mas trata-se de uma comparação de avaliação, não de garantia de confiabilidade equivalente no uso real. 16

Para tarefas difíceis ou de alto impacto, um modelo premium ainda pode custar menos por resultado aceito se reduzir de modo significativo falhas de implantação, necessidade de supervisão ou retrabalho. A conclusão não é “use o modelo mais barato em tudo”, mas direcionar cada tipo de trabalho considerando o custo completo para chegar a um resultado aceitável.

A “linha de corte” pressiona sobretudo o meio do mercado

A expressão “linha de corte da DeepSeek” deve ser entendida como uma metáfora de mercado. Ela descreve a pressão sobre modelos muito mais caros que uma alternativa de baixo custo e desempenho próximo da fronteira, sem entregar um resultado claramente superior na tarefa.

Três faixas reagem de formas diferentes:

• Modelos baratos de roteamento continuam úteis para classificação, extração, transformações curtas e triagem em alto volume, em que velocidade e o menor custo unitário pesam mais que raciocínio avançado.
• Modelos premium de ponta mantêm espaço nas tarefas mais difíceis: raciocínio de longo horizonte, confiabilidade excepcional, trabalho multimodal, exigências de governança e casos em que a revisão humana é cara.
• Modelos intermediários enfrentam o teste mais duro. Se custam materialmente mais que o Flash, precisam provar maior taxa de conclusão, menor latência, melhor uso de ferramentas, integração, suporte ou controles corporativos — e não apenas uma vantagem modesta em benchmarks.

Na prática, modelos de agente de baixo custo podem virar o trabalhador padrão, enquanto os modelos premium passam a atuar como especialistas de escalonamento. O segmento intermediário precisa demonstrar que reduz o custo total da tarefa.

Como o V4 Flash mira a economia de agentes em escala

O DeepSeek V4 Flash é um modelo de mistura de especialistas (mixture of experts, ou MoE) com 284 bilhões de parâmetros totais, mas cerca de 13 bilhões ativados por token, além de suportar uma janela de contexto de 1 milhão de tokens. 17 Esse desenho separa a capacidade total do modelo da quantidade de computação empregada para gerar cada token.

A estratégia de eficiência combina vários elementos:

• Roteamento MoE: apenas uma parte dos especialistas é ativada para cada token, o que reduz a computação ativa em comparação com executar todos os parâmetros de um modelo denso. 17
• Atenção híbrida: a família V4 combina Compressed Sparse Attention (CSA) e Heavily Compressed Attention (HCA), técnicas pensadas para reduzir o peso de atenção e memória em contextos muito longos. 1733
• Menor pressão sobre cache: a NVIDIA descreve as inovações de atenção da família V4 como voltadas a reduzir em 73% os FLOPs de inferência por token e em 90% a carga de memória do cache KV, em comparação com o DeepSeek-V3.2 na referência citada. 33
• Fluxos de trabalho orientados a cache: em sessões de agentes que reenviam repetidamente partes sobrepostas de um repositório e do histórico de ferramentas, a reutilização de cache pode mudar de forma relevante o custo real. A taxa de 95% reportada pelo OpenCode mostra por que esse detalhe operacional importa. 25

Não se trata apenas de especificações técnicas. Esses fatores definem se é financeiramente viável deixar um agente inspecionar uma grande base de código, acionar ferramentas e se recuperar de erros várias vezes antes de entregar uma resposta.

A nova fronteira: capacidade, confiabilidade e custo marginal de iterar

Métricas de benchmark continuam relevantes, mas não são o único indicador decisivo para agentes. A comparação útil passa por três dimensões:

1. Capacidade: o modelo consegue resolver aquela classe de tarefa?
2. Confiabilidade: com que frequência ele entrega um resultado aceitável sem intervenção cara?
3. Custo marginal de iteração: quanto custa mais uma chamada de ferramenta, revisão, execução de teste ou tentativa de recuperação?

O dia reportado de 8 trilhões de tokens torna o terceiro fator mais visível. À medida que agentes substituem consultas pontuais, o consumo de tokens pode crescer várias ordens de grandeza. Modelos que tornam baratos o contexto longo e as novas tentativas podem se tornar a escolha padrão para cargas amplas e repetitivas de agentes — mesmo que um modelo de ponta, mais capaz, continue sendo a opção superior nos casos mais difíceis. 202533