O DeepSeek V4 marca um ponto de inflexão significativo no mercado de modelos de linguagem grandes de código aberto, estabelecendo novos padrões em custo, desempenho e arquitetura de hardware. Sua disponibilização em duas versões distintas, V4-Pro e V4-Flash, oferece uma resposta escalável às demandas da indústria, desde tarefas de agente complexas até inferência rápida e econômica.
DeepSeek V4-Pro e V4-Flash: Arquitetura de Custo e Performance
O lançamento dual do DeepSeek V4 é estruturado para segmentar dois nichos principais de aplicação. O V4-Pro foi otimizado para programação e tarefas complexas de agentes, enquanto o V4-Flash prioriza velocidade e custos operacionais reduzidos. A estratégia de preços implementada pela DeepSeek estabelece um novo benchmark de economia. Para o V4-Pro, a empresa cobra US$ 1,74 por milhão de tokens de entrada e US$ 3,48 por milhão de tokens de saída. O modelo V4-Flash é ainda mais competitivo, custando cerca de US$ 0,14 por milhão de tokens de entrada e US$ 0,28 por milhão de tokens de saída, posicionando-o como uma das opções de inferência de ponta mais baratas disponíveis.
| Modelo | Token de Entrada (milhões) | Token de Saída (milhões) | Janela de Contexto (Tokens) |
|---|---|---|---|
| DeepSeek V4-Pro | US$ 1,74 | US$ 3,48 | 1 milhão |
| DeepSeek V4-Flash | US$ 0,14 | US$ 0,28 | 1 milhão |
Em benchmarks de performance, o DeepSeek V4-Pro demonstra capacidade de competir com os principais modelos de código fechado, apresentando resultados comparáveis ao Claude-Opus-4.6 da Anthropic, GPT-5.4 da OpenAI e Gemini-3.1 do Google. Entre os modelos de código aberto, como Qwen-3.5 da Alibaba e GLM-5.1 da Z.ai, o V4 supera os concorrentes em áreas de programação, matemática e problemas de STEM. Uma pesquisa interna com 85 desenvolvedores experientes indicou que mais de 90% incluíram o V4-Pro entre suas principais escolhas para tarefas de programação.
Mecanismo de Atenção e Eficiência de Memória
A inovação arquitetural central do DeepSeek V4 reside em seu mecanismo de atenção redesenhado, crucial para lidar com sua extensa janela de contexto de 1 milhão de tokens. O modelo implementa uma abordagem seletiva para o processamento de informações, comprimindo dados mais antigos no contexto e concentrando-se nas partes com maior probabilidade de relevância para o momento presente, mantendo texto próximo em sua forma integral para preservação de detalhes. Esta técnica reduz drasticamente os requisitos de computação e memória.
Em um contexto de 1 milhão de tokens, o V4-Pro utiliza apenas 27% do poder de computação exigido por seu predecessor, o V3.2, enquanto reduz o uso de memória para 10%. A otimização no V4-Flash é ainda mais pronunciada, exigindo apenas 10% do poder de computação e 7% da memória. Esta eficiência permite a construção econômica de ferramentas que exigem processamento de grandes volumes de dados, como assistentes de programação que analisam bases de código inteiras ou agentes de pesquisa que processam arquivos extensos de documentos.
Hardware Ascend da Huawei e Desvinculação da Nvidia
O DeepSeek V4 representa um marco estratégico na indústria de IA da China, sendo o primeiro modelo da empresa otimizado explicitamente para chips domésticos, particularmente a série Ascend da Huawei. Este movimento é parte de uma iniciativa mais ampla para reduzir a dependência da infraestrutura de hardware da Nvidia, em resposta aos controles de exportação dos EUA que limitam o acesso aos chips mais poderosos. A Huawei anunciou que seus produtos de supernó, baseados na série Ascend 950, darão suporte ao DeepSeek V4, facilitando a execução de versões modificadas do modelo em hardware local.
A adaptação completa, entanto, apresenta desafios técnicos substanciais. O ecossistema de software e ferramentas construído ao redor dos chips da Nvidia é uma vantagem competitiva significativa. A migração para os chips Ascend requer adaptação de código do modelo, reconstrução de ferramentas e validação da estabilidade dos sistemas. O relatório técnico da DeepSeek indica que os chips chineses estão sendo utilizados para a fase de inferência do modelo. A análise de especialistas sugere que partes do processo de treinamento podem ainda depender de hardware da Nvidia, e que chips chineses, como os da Huawei e Cambricon, podem ser mais adequados para inferência que para treinamento em sua fase atual de desenvolvimento.
A DeepSeek vinculou a futura redução de custos do V4-Pro diretamente à escalada da produção dos supernós Ascend 950 da Huawei, prevista para o segundo semestre deste ano. Se esta transição tecnológica se concretizar com eficácia, o DeepSeek V4 poderá servir como um indicador pioneiro da construção de uma infraestrutura paralela de IA autossuficiente na China.