A DeepSeek lançou, em 17 de outubro de 2026, o DeepSeek-V4.1-Flash-1017, uma atualização do modelo V4.1 Flash. Os pesos estão abertos no Hugging Face com licença MIT, e o modelo também está disponível por API.
A empresa descreve a versão como uma atualização menor, mas os números que ela divulga mostram saltos grandes em programação e tarefas de agente. Ela diz ainda que o modelo gasta menos tempo e escreve respostas mais curtas.
Neste artigo você vê o que mudou, os números reportados, o preço e os cuidados para interpretar os resultados. Os dados vêm das páginas do modelo no Hugging Face e no OpenRouter.
O que é o V4.1 Flash 1017
O nome vem do dia do lançamento, 1017, ou seja, 17 de outubro. Segundo o OpenRouter, é um retrato (snapshot) do V4.1 Flash servido pela DeepSeek com o nome de modelo deepseek-flash na API.
O V4.1 Flash é um modelo do tipo mistura de especialistas esparsa (sparse mixture-of-experts). Em termos simples, o modelo tem um conjunto enorme de parâmetros, mas só uma parte deles trabalha em cada passo, o que reduz o custo por token.
A descrição técnica cita um modelo de 552 bilhões de parâmetros no total, com 8 bilhões ativos na entrada e 16 bilhões ativos na saída. Ele aceita imagens de forma nativa e tem janela de contexto de 1 milhão de tokens.
Os números que a DeepSeek divulgou
A página do Hugging Face traz uma tabela de benchmarks comparando a versão nova com a anterior e com outros modelos. A tabela abaixo reproduz alguns resultados selecionados, em pontos.
| Benchmark | V4.1 Flash 1017 | V4.1 Flash anterior | Opus 5 |
|---|---|---|---|
| Terminal-Bench 4.0 | 42,3 | 31,2 | 51,8 |
| DeepSWE v1.1 | 77,0 | 74,2 | 74,0 |
| ProgramBench | 29,1 | 20,3 | 37,0 |
| NL2Repo-Bench | 68,2 | 65,4 | 75,3 |
| HLE sem ferramentas | 42,6 | 36,8 | 56,3 |
| Automation-Bench v1.0.6 | 60,5 | 54,8 | 50,3 |
Em relação à versão anterior, todos os resultados subiram. O maior salto aparece no Terminal-Bench 4.0, que passou de 31,2 para 42,3 pontos.
Na comparação com o Opus 5, o modelo da DeepSeek fica à frente no DeepSWE e no Automation-Bench, e atrás nos demais da tabela acima. A própria DeepSeek avisa que usou o ambiente (harness) do Claude Code no Terminal-Bench e o Mini-SWE-V2 no DeepSWE.
Quanto custa
O OpenRouter lista o preço de US$ 0,10 por milhão de tokens de entrada e US$ 0,50 por milhão de tokens de saída. A janela de contexto informada é de 1 milhão de tokens.
Para quem ainda não está familiarizado com a unidade, token é um pedaço de texto, algo como uma sílaba ou uma palavra curta. Temos um guia simples sobre o que é token em IA.
Em reais, o valor depende do câmbio do dia, então faça a conta com a cotação atual. O que vale destacar é a proporção: a saída custa cinco vezes mais que a entrada, e agentes de código produzem bastante saída.
A DeepSeek também afirma que o cache compactado reduz a memória usada a cerca de um quarto da geração anterior do Flash, o que tende a baixar o custo em tarefas longas de agente.
O foco em agentes e tarefas longas
A descrição no OpenRouter indica que o modelo é indicado para agentes de código, de terminal e de uso de computador, além de tarefas longas que precisam rodar até o fim em muitos passos.
A DeepSeek afirma que o modelo supera o V4 Pro em desempenho, velocidade e tempo de conclusão de tarefas. É uma afirmação da própria empresa, e ainda não vimos avaliações independentes extensas.
O Artificial Analysis, que aparece na página do OpenRouter, mede o V4.1 Flash no modo máximo com índice de inteligência de 39,5. No Terminal-Bench 4.0 a medição deles foi de 26,8%, bem abaixo dos 42,3 da DeepSeek, porque cada avaliador usa um ambiente de teste diferente.
Essa diferença é um bom lembrete: o mesmo modelo pode pontuar de formas bem distintas conforme o ambiente. Compare números só quando o método de teste for o mesmo.
Dá para rodar no seu computador?
Os pesos são abertos, mas o tamanho pesa. O repositório no Hugging Face soma cerca de 510 GB em arquivos, usando formatos de precisão reduzida como FP8 e inteiros de 8 bits.
Isso está muito acima do que cabe em um notebook comum ou em uma placa de vídeo doméstica. Para a maioria das pessoas, o caminho realista é usar a API ou um provedor que hospede o modelo.
A DeepSeek informa que o repositório inclui instruções de inferência local e uma biblioteca em Rust, a deepseek-recipe, que cuida do formato de prompt e da leitura da resposta, incluindo chamadas de ferramentas.
Os parâmetros de amostragem recomendados são temperatura 1,0 e top_p 1,0, com max_tokens de pelo menos 256 mil. Se você hospedar o modelo, comece por essas configurações.
O que isso muda para quem usa IA
Para quem desenvolve, a notícia confirma uma tendência: modelos abertos de custo baixo estão ficando competitivos em tarefas de programação. Isso aumenta a concorrência e pressiona os preços de todos.
Para quem é só usuário, o efeito aparece com o tempo, em aplicativos que passam a usar esses modelos por baixo. Vale prestar atenção ao termo “pesos abertos” e à licença: a MIT, usada aqui, é uma das mais permissivas.
Quer entender melhor a base desses modelos? Veja o nosso guia para iniciantes sobre o que é um LLM, e acompanhe também a cobertura do Muse Spark Open, da Meta.
Perguntas frequentes
O DeepSeek V4.1 Flash 1017 é gratuito?
Os pesos são abertos sob licença MIT, então você pode baixá-los. O uso por API é pago, com preço listado de US$ 0,10 por milhão de tokens de entrada e US$ 0,50 por milhão de saída no OpenRouter.
O que significa a sigla MoE?
É a mistura de especialistas. O modelo é dividido em blocos, e apenas alguns trabalham em cada passo, o que mantém o custo de cada resposta mais baixo do que o tamanho total sugere.
Ele é melhor que o Opus 5?
Depende do teste. Na tabela da própria DeepSeek, ele supera o Opus 5 em dois benchmarks e perde nos outros. Os números são da empresa e precisam de confirmação independente.
Ele entende imagens?
Sim. Segundo o OpenRouter, a compreensão de imagens é nativa da arquitetura, com texto e imagem treinados juntos desde o início do pré-treinamento.
Conclusão
O DeepSeek-V4.1-Flash-1017 traz ganhos claros sobre a versão anterior, preço baixo e licença aberta. Os resultados divulgados são da própria DeepSeek, então trate-os como ponto de partida.
Consulte a página oficial do modelo no Hugging Face e leia outros artigos do Iazando sobre modelos abertos, como o do LFM2.5-24B-A2B para agentes locais.