DeepSeek V4.1 Flash chega com contexto de 1 milhão de tokens e troca de geração na API

O DeepSeek-V4.1-Flash foi lançado em 10 de setembro de 2026 como um modelo multimodal de pesos abertos. O ponto mais relevante não é apenas o tamanho: a DeepSeek combina uma arquitetura Mixture of Experts (MoE), ou mistura de especialistas, com ativação esparsa e um cache KV muito menor para tornar a inferência com contextos longos mais viável. 1735

O que muda para quem usa a API

Na API da DeepSeek, o identificador recomendado para chamar a versão atual é deepseek-flash. O V4.1 Flash entende texto e imagens de forma nativa. 1517

Os modelos anteriores V4 Flash e V4 Flash Vision Exp foram aposentados. Por compatibilidade, os nomes legados deepseek-v4-flash e deepseek-v4-flash-vision-exp ainda são aceitos temporariamente, mas as requisições são atendidas pelo V4.1 Flash e cobradas pela tarifa da linha Flash. 1523

A situação do V4 Pro é diferente. Relatos iniciais de transição indicavam que seu tráfego seria direcionado ao V4.1 Flash até a chegada do V4.1 Pro. Porém, o changelog oficial mais recente da DeepSeek afirma que, após demanda de usuários, a empresa continuará fornecendo a API do V4 Pro depois de 14 de setembro de 2026, sem mudança na cobrança. Para aplicações que precisam de resultados reproduzíveis, o mais prudente é usar os IDs de modelo documentados no momento e rodar testes de regressão, em vez de supor que uma rota legada sempre apontará para o V4.1 Flash. 1523

552 bilhões de parâmetros, mas poucos ativados a cada etapa

O V4.1 Flash é um modelo MoE com 552 bilhões de parâmetros de base. Em uma arquitetura desse tipo, o sistema seleciona apenas parte dos especialistas para processar cada token, em vez de ativar toda a rede a cada passo.

Segundo a DeepSeek, o modelo ativa 8 bilhões de parâmetros no processamento da entrada, etapa conhecida como prefill, e 16 bilhões na geração da resposta, ou decoding. A empresa chama a arquitetura de Causal Encoder–Decoder. Essa separação é importante porque prompts muito longos e respostas muito longas pressionam a infraestrutura de maneiras diferentes. 1735

Ativação esparsa, por si só, não garante menor custo ou maior velocidade em qualquer cenário. Hardware, quantização, lote de requisições, software de serving, tamanho de contexto e perfil de uso também alteram o resultado. Ainda assim, é uma peça central da proposta de eficiência do modelo.

Por que o contexto de 1 milhão de tokens depende do cache KV

O V4.1 Flash suporta contextos de até 1 milhão de tokens. 35

O desafio operacional de contextos extensos é o chamado cache key-value (KV): a memória de estados de atenção que o modelo preserva para gerar cada token seguinte. À medida que prompt e resposta crescem, esse cache pode se tornar um grande gargalo de memória e de custo.

A documentação técnica informa que a arquitetura Causal Encoder–Decoder projeta o cache KV global do decodificador a partir dos estados finais do codificador, em vez de calculá-lo separadamente em cada camada do decodificador. Combinando Compressed Sparse Attention 2 e cache KV em FP4, a DeepSeek informa uma ocupação de cerca de 890 bytes por token no cache KV global — aproximadamente um quarto do valor correspondente no DeepSeek V4 Flash. 3539

Isso não significa que toda tarefa com 1 milhão de tokens será barata ou precisa. Capacidade de contexto não é o mesmo que recuperação confiável de informação, raciocínio ou cumprimento de instruções ao longo de todo o material. Equipes que trabalham com bases de código, grandes coleções de documentos ou históricos de agentes devem medir recuperação, latência e custo em cargas representativas.

Pesos abertos e opção de hospedar internamente

A DeepSeek publicou os pesos do V4.1 Flash no Hugging Face sob a licença MIT. Na prática, isso abre uma alternativa aos modelos exclusivamente via API: organizações podem baixar, avaliar e implantar o modelo em sua própria infraestrutura, dentro dos termos da licença. 35

Isso não elimina a complexidade de operação — especialmente em um modelo com 552 bilhões de parâmetros de base —, mas dá mais controle sobre a pilha de inferência e sobre eventuais otimizações de serving.

Ele supera o V4 Pro?

A DeepSeek afirma que novos métodos de pré-treinamento e um pós-treinamento por aprendizado por reforço em maior escala levaram a resultados de benchmark à frente de modelos de ponta, incluindo o V4 Pro. A companhia também cita testes de múltiplas partes que colocariam o V4.1 Flash à frente em desempenho, custo, velocidade e tempo total de execução. 17

São resultados relevantes, mas ainda são alegações divulgadas pela fornecedora, não um veredito universal. Benchmarks variam conforme a seleção de tarefas, os prompts, as ferramentas configuradas, o método de pontuação e a versão do modelo avaliada. Antes de migrar um fluxo de produção, vale comparar os modelos nas tarefas que realmente importam: raciocínio complexo, taxa de aceitação de código, uso de ferramentas, precisão multimodal, confiabilidade, controles de segurança, latência e custo total.

Sinal forte na OpenRouter, com uma ressalva importante

O V4.1 Flash entrou em um mercado no qual modelos chineses já registravam uso expressivo em plataformas de roteamento. A OpenRouter classifica modelos pelo número de tokens de prompt e de conclusão processados por sua própria API. Em seu ranking de 13 de setembro, a plataforma listava o DeepSeek V4.1 Flash com 4,94 trilhões de tokens, marcado como novo. O DeepSeek V4 Flash 0731 aparecia com 11,6 trilhões, o V4 Flash 0423 com 4,36 trilhões e o Xiaomi MiMo-V2.5 com 7,77 trilhões. 57

Uma fotografia anterior, em agosto, mostrou como esse ranking pode mudar rapidamente: o V4 Flash teve 7,1 trilhões de tokens semanais, e nove dos dez modelos mais usados naquele levantamento eram chineses. 50

A ressalva é de escopo: esses números representam o tráfego roteado pela OpenRouter, não todo o uso mundial de IA, adoção empresarial, receita ou qualidade dos modelos. Eles são um indicador útil de demanda entre desenvolvedores na plataforma, mas não comprovam liderança no mercado como um todo.

O que fazer na prática

A combinação de multimodalidade nativa, contexto de 1 milhão de tokens, pesos abertos e arquitetura voltada a reduzir a memória da inferência longa é o principal motivo para avaliar o V4.1 Flash. 1735

Um caminho de migração razoável é:

1. Usar deepseek-flash em novas integrações da linha Flash.
2. Tratar os IDs antigos de Flash e Vision Exp como rotas de compatibilidade, não como versões estáveis fixadas.
3. Comparar V4.1 Flash e V4 Pro com prompts, métricas e critérios de sucesso próprios.
4. Medir recuperação em contexto longo e latência de ponta a ponta separadamente da capacidade nominal de 1 milhão de tokens.
5. Usar rankings da OpenRouter como sinal de demanda, e não como substituto de uma avaliação em produção.

As promessas técnicas do V4.1 Flash são ambiciosas, sobretudo o número de 890 bytes por token no cache KV global e o desenho de ativação esparsa. O impacto real dependerá de esses ganhos se traduzirem em desempenho confiável e custo viável nas cargas de trabalho que desenvolvedores de fato executam.