Em 24 de abril de 2026, a DeepSeek lançou oficialmente sua nova série flagship DeepSeek-V4, em duas versões: V4-Pro e V4-Flash. A série foi disponibilizada como open source sob a licença MIT tanto no HuggingFace quanto no ModelScope, suporta contextos de até um milhão de tokens e lida com multimodalidade de forma nativa — um marco que muitos na indústria estão chamando de ponto de virada para os grandes modelos abertos.
O timing só aumentou o drama: a OpenAI havia lançado o GPT-5.5 um dia antes, e os lançamentos consecutivos foram imediatamente apelidados de “choque de titãs”. A eficiência extrema de engenharia do V4 e seu preço disruptivo o tornaram, instantaneamente, o centro das atenções nas comunidades de desenvolvedores do mundo inteiro.
A matriz de produtos: duas versões, todos os cenários
| Versão | Parâmetros totais | Parâmetros ativos | Contexto | Tokens de pré-treinamento |
|---|---|---|---|---|
| V4-Pro | 1,6T | 49B | 1M tokens | 33T |
| V4-Flash | 284B | 13B | 1M tokens | 32T |
Vale destacar: o V4-Flash não é uma destilação do V4-Pro. Trata-se de um modelo MoE treinado de forma independente, que compartilha a mesma arquitetura de atenção híbrida e a mesma lógica central de raciocínio do Pro.
A tecnologia central: Engram + mHC resolvem o problema do contexto longo
Até agora, contexto de um milhão de tokens era, na maior parte, uma especificação de papel — o inchaço do cache KV explodia o consumo de memória e a latência subia sem parar. A DeepSeek atacou essa dor com duas inovações. A arquitetura Engram, inspirada nos mecanismos de memória do hipocampo humano, comprime dinamicamente as informações históricas redundantes do cache KV em vetores de baixa dimensão armazenados em SSDs NVMe, recuperados sob demanda durante a inferência. Em medições em cenários de 1M de tokens, a ocupação do cache KV é de apenas 10 por cento em relação à do V3.2, e os FLOPs de inferência caem para 27 por cento. O framework mHC (multi-head compression) aplica gating adaptativo para suprimir experts de baixa contribuição e estabilizar o fluxo de gradientes, elevando a taxa de sucesso de convergência do modelo de 1,6 trilhão de parâmetros para 92 por cento.
Multimodalidade nativa: da compreensão de imagens ao raciocínio sobre vídeo
A maior evolução do V4 é o suporte multimodal nativo — não se trata mais de “um modelo de texto com um encoder de visão adaptado por fora”, mas de geração e compreensão cross-modal dentro de uma arquitetura unificada: imagens codificadas por um ViT-14B a 256 tokens visuais por imagem; vídeo amostrado a 1 fps, produzindo 256 tokens por segundo, com suporte a clipes de até 10 minutos; e os tokens de todas as modalidades compartilhando o mesmo backbone Transformer, com cross-attention integrado.
Preços: redefinindo a curva de custos
A precificação da API do V4 é a parte agressiva. O V4-Flash custa US$ 1,5 por milhão de tokens — um vinte e sétimo do preço do GPT-5.5 e mais de 99 por cento mais barato que o Claude Opus 4.6 — enquanto atinge 85-90 por cento do desempenho deles na maioria das tarefas de programação e perguntas e respostas. Toda a série suporta até 384K tokens de saída, o suficiente para ler e resumir um livro inteiro em uma única requisição.
Adaptação a hardware nacional: quebrando o monopólio da CUDA
Em um cenário de controles de exportação americanos sobre GPUs de alto desempenho, a adaptação do V4 a chips nacionais carrega peso estratégico: ele suporta clusters Huawei Ascend 910B com MindSpore 2.3, faz deploy direto em NPUs da Huawei e MLUs da Cambricon, e vem com um motor de inferência open source compatível com os formatos ONNX, GGUF e Safetensors. Segundo a empresa, assim que os supernós Huawei Ascend 950 chegarem ao mercado em volume no segundo semestre, os preços do Pro cairão ainda mais.
Aplicações e limites honestos
Os cenários de destaque: programação inteligente — compreensão de projetos multiarquivo, chamadas de toolchains e correção de bugs em circuito fechado, com Pass@1 de 78,3 por cento no HumanEval+, superando o GPT-4 Turbo — e o hub de conhecimento corporativo: recuperação em milhões de páginas de documentos, perguntas e respostas inteligentes e revisão de conformidade sem necessidade de slicing RAG complexo. As limitações são declaradas com a mesma franqueza: em raciocínio científico difícil (genética, química quântica), o V4 ainda fica 15-20 pontos atrás do GPT-5.5; a geração de imagens é limitada a 512x512; e o risco de alucinação aumenta além de aproximadamente 800K tokens de contexto.
O que o lançamento significa para o mercado
Lida estrategicamente, o V4 muda três equações ao mesmo tempo. Para desenvolvedores, a linha de custo-benefício se desloca tanto que as decisões de arquitetura se reabrem: cargas de trabalho que antes eram eliminadas pelo custo — análise de documentos longos, raciocínio sobre repositórios inteiros, compreensão de vídeo — voltam para a coluna das possibilidades, e o teto de saída de 384K tokens, em particular, viabiliza fluxos de trabalho em requisição única que antes exigiam orquestrar múltiplas chamadas. Para empresas, pesos sob licença MIT somados a deploy em hardware nacional tornam um modelo de fronteira self-hosted uma opção real de aquisição, e não apenas uma aspiração — o que importa tanto para o controle de custos quanto para jurisdições que ponderam requisitos de soberania de dados. E para a narrativa da indústria, o lançamento se encaixa na mudança mais ampla que esta publicação vem acompanhando: com os retornos do escalonamento de parâmetros diminuindo e o platô de esparsidade de 97 por cento já documentado, os diferenciais que restam são exatamente aqueles em que o V4 se concentrou — arquitetura de memória, economia de cache, estabilidade de treinamento e amplitude de hardware. A comunidade de pesos abertos ganha não apenas mais um checkpoint, mas um projeto de referência sobre como construir um.
As ressalvas merecem peso igual em qualquer decisão de adoção. Equipes que precisam de raciocínio científico de fronteira ainda vão recorrer aos flagships fechados. Produtos que dependem de imagens geradas vão considerar o teto de 512x512 desqualificante. E quem planeja prompts de um milhão de tokens deve orçar etapas de verificação, já que a deriva de alucinação documentada além de 800K tokens é o tipo de falha que chega silenciosamente dentro de um output plausível. A autoavaliação honesta do V4 sobre esses limites faz, ela mesma, parte da história — um sinal de maturidade de uma equipe confiante o suficiente para publicar suas fraquezas junto com suas conquistas.
Conclusão
O significado do DeepSeek-V4 não está no empilhamento de parâmetros. É a prova de que, sob restrições reais de computação, inovação algorítmica somada a uma otimização de engenharia implacável pode produzir infraestrutura de modelos de classe mundial, altamente disponível e de baixo custo. Ele não é um substituto do GPT-5.5 — é a vitória de uma rota técnica diferente, uma rota voltada para eficiência, facilidade de deploy, acessibilidade de preço e independência de ecossistema. Como diz o epígrafe que fecha o relatório técnico, extraído de Xunzi: não se abalar com elogios, não temer críticas — seguir o caminho e permanecer íntegro.
