DeepSeek-V4.1-Flash: como funciona a compressão de contexto para agentes de IA

Para um agente de IA que consulta um histórico extenso antes de dar uma resposta curta, não basta aceitar mais texto: é preciso processá-lo e manter informações da conversa em memória. O DeepSeek-V4.1-Flash foi projetado para esse tipo de uso. É um modelo multimodal de mistura de especialistas (MoE), com pesos publicados e suporte a contextos de até 1 milhão de tokens. Esse é um limite de entrada, não uma promessa de que o modelo encontrará corretamente qualquer detalhe espalhado pela sessão. 28

Por que ler custa menos do que escrever

A estrutura principal do modelo tem 552 bilhões de parâmetros e 40 camadas: 20 em um codificador causal e 20 em um decodificador. O cache de chaves e valores, ou cache KV — dados guardados para evitar refazer parte do processamento do histórico —, é projetado a partir dos estados finais do codificador, em vez de ser produzido separadamente por cada camada do decodificador. 28

Segundo a DeepSeek, o modelo ativa cerca de 8 bilhões de parâmetros por token na fase de leitura da entrada (prefill) e 16 bilhões na geração da resposta (decode). A diferença favorece tarefas em que o agente recebe muito mais conteúdo do que produz, sem significar que uma sessão de 1 milhão de tokens terá desempenho ou custo idênticos em qualquer infraestrutura. 28

O que muda no cache de uma conversa longa

A técnica Compressed Sparse Attention 2 (CSA2) atribui às camadas de atenção um de três modos fixos — Full, Reindex ou Reuse — para compartilhar dados do cache e reaproveitar seleções de atenção. Com o armazenamento do cache KV principal em FP4, a DeepSeek informa um cache KV global de 890 bytes por token, cerca de um quarto do registrado no V4-Flash. A comparação é sobre a memória ocupada por esse cache, não sobre o custo total de operação. 68

Há ainda o SWA Bounded Replay: em vez de manter em SSD certos estados de atenção de janela deslizante, o sistema os reconstrói reprocessando apenas a janela mais recente de tokens. A documentação do modelo estima que, com essa abordagem, o cache KV persistente ocupa aproximadamente um oitavo do equivalente no V4-Flash. Trata-se de uma medida de armazenamento persistente, distinta da redução para um quarto no cache KV global. 59

Treinamento, visão e resultados divulgados

Uma ficha do modelo descreve treinamento do zero em um conjunto multimodal de 45 trilhões de tokens, treinamento de atenção esparsa com sequências de 64 mil tokens e ampliação do contexto para 1 milhão de tokens quando o treinamento havia alcançado 34 trilhões de tokens. A DeepSeek também atribui avanços a novos métodos de pré-treinamento e a um pós-treinamento mais amplo com aprendizado por reforço, sem que o material citado detalhe essa receita. 916

O modelo processa texto e imagens nativamente, e a DeepSeek informa que a versão oferecida por API inclui suporte multimodal. Os trechos citados, porém, não permitem avaliar em detalhe seu desempenho em testes de visão. 216

Nas avaliações da própria DeepSeek, a versão base apresentou desempenho comparável ao V4-Pro-Base em conhecimento, raciocínio e programação, com ganhos de 5% a 10% em avaliações reservadas para teste, usando cerca de um terço dos parâmetros totais e um quarto dos parâmetros ativados. A empresa também afirma que o modelo lançado supera o V4-Pro em tarefas de agentes, mas o material citado não sustenta uma comparação confiável, teste por teste. São resultados divulgados pela empresa, não uma avaliação independente. 116

API, pesos e migração

Na API da DeepSeek, o nome do modelo é deepseek-flash. Os pesos publicados são listados sob licença MIT; os materiais do modelo descrevem uma opção de execução com SGLang, e fichas também apontam suporte de inferência com Transformers e vLLM. Antes de implantar o modelo, vale conferir quais recursos multimodais e de contexto longo cada ambiente de execução oferece. 8916

Segundo a DeepSeek, V4-Flash e V4-Flash-Vision-Exp foram descontinuados, e seus antigos nomes na API passaram a encaminhar temporariamente as requisições ao V4.1-Flash. A empresa também anunciou que, a partir de 14 de setembro de 2026, chamadas a deepseek-v4-pro seriam direcionadas ao V4.1-Flash com preços da linha Flash, enquanto se aguarda o V4.1-Pro. Quem depende de um comportamento específico do Pro deve verificar qual modelo atende às chamadas, em vez de confiar apenas no nome usado na requisição. 16