A DeepSeek apresentou o V4.1-Flash-1017, atualização de seu modelo de linguagem que chega prometendo superar concorrentes de porte maior em tarefas de programação e de agentes ao custo de US$ 0,20 por execução. O lançamento, de 17 de outubro de 2026, reúne dois movimentos: a liberação dos pesos do sistema em regime aberto e a abertura do motor de busca interno da companhia para desenvolvedores externos.
Um modelo aberto com três ganhos simultâneos
O V4.1-Flash-1017 está acessível pelo site, aplicativo e API da DeepSeek, e seus pesos foram publicados no Hugging Face e no ModelScope, repositórios que permitem baixar o sistema e rodá-lo em infraestrutura própria. Diante do antecessor imediato, a atualização acumula vantagens em três frentes: notas superiores em benchmarks, execução mais veloz e saídas mais curtas. A desenvolvedora descreve o resultado como melhora de Pareto — termo que indica progresso em todos os eixos avaliados sem sacrifício em nenhum deles.
A conta que separa o modelo dos rivais
No gráfico de custo do benchmark DeepSWE, o V4.1-Flash-1017 atinge o pico de 77,0% de acurácia gastando, em média, pouco abaixo de US$ 0,20 por tarefa. Na configuração econômica, ainda passa de 72% por cerca de US$ 0,10. O V4.1-Flash anterior ficou em 74,2%, mas ao custo aproximado de US$ 0,50 por rodada.
| Modelo | Acurácia (DeepSWE) | Custo por tarefa |
|---|---|---|
| V4.1-Flash-1017 (topo) | 77,0% | ~US$ 0,20 |
| V4.1-Flash-1017 (modo leve) | acima de 72% | ~US$ 0,10 |
| V4.1-Flash (antecessor) | 74,2% | ~US$ 0,50 |
Nesse mesmo levantamento, concorrentes como GPT-6 Astra, Gemini 3.8 Flash e Claude Opus 5 aparecem entre US$ 2 e mais de US$ 10 por execução, e nenhum deles iguala a precisão do modelo menor da DeepSeek. Um ponto de cautela: são medições internas. Sem benchmark independente publicado até agora, a vantagem alegada ainda não passou por verificação externa — e a percepção de qualidade de código entre desenvolvedores costuma divergir bastante dos números de laboratório.
Treinamento com autocrítica no lugar de avaliadores humanos
O ajuste fino do modelo usa uma técnica que a DeepSeek chama de aprendizado por reforço com autocrítica (RLSF, na sigla em inglês). Nesse formato, o próprio sistema emprega escores internos de confiança ou críticas que ele mesmo gera como sinal de recompensa, dispensando avaliadores humanos e modelos externos de recompensa. Segundo a empresa, a abordagem melhora a entrega de projetos completos de software, de programação de jogos a modelagem 3D e design, e permite até animar vídeos explicativos curtos. O ajuste mira ambientes como o DeepSeek Harness (versão v0.2.1-rc.1 ou mais recente), o Tencent CodeBuddy e o WorkBuddy.
A busca interna vira produto para terceiros
Junto com o modelo, a DeepSeek liberou suas ferramentas de busca na web — as APIs Search & Fetch — para qualquer desenvolvedor. A empresa afirma que o serviço opera sobre um motor próprio que já processa centenas de milhões de consultas por dia no mundo. Cada endpoint custa US$ 0,75 por mil chamadas. Quem já usa a API da DeepSeek tem acesso gratuito por meio de ferramentas de servidor no DeepSeek Harness, Claude Code e Codex, oferta válida até 31 de outubro de 2026, às 16h UTC.
O contrapeso regulatório chinês
O anúncio chega com um freio do lado de casa. O governo da China pretende endurecer as regras para a publicação de modelos de pesos abertos e pode até barrar lançamentos, segundo informações divulgadas. Um dos critérios que pesariam na decisão é o de o sistema figurar entre os dez modelos mais capazes — parâmetro que colocaria justamente os lançamentos de ponta na mira. Uma regra nesses termos atingiria o eixo que tornou a DeepSeek relevante: distribuição aberta com custo baixo.
O que isso significa para o investidor
Acurácia elevada combinada a custo por tarefa na casa dos centavos reforça uma tendência que já vinha remodelando a economia do setor de IA: capacidade de fronteira cada vez mais barata e mais acessível a cada nova rodada de lançamento. Para quem investe, o efeito aparece em duas pontas. De um lado, o barateamento da inferência — o processamento de cada resposta gerada pelo modelo — tende a acelerar a adoção corporativa e a multiplicar casos de uso. De outro, comprime a margem de quem cobra caro pelo acesso a modelos fechados e desloca valor para a infraestrutura que sustenta esse volume: chips, nuvem e energia.
Dois pontos merecem acompanhamento. O primeiro é a ausência de benchmarks independentes, sem os quais a vantagem anunciada segue no campo da promessa. O segundo é o risco regulatório chinês, capaz de restringir a circulação de pesos abertos e mexer no cálculo de quem aposta na adoção desses sistemas.