Deepseek lança V4.1-Flash-1017 e reduz drasticamente custos em tarefas de programação agêntica

A empresa chinesa de inteligência artificial Deepseek lançou o Deepseek-V4.1-Flash-1017, uma versão atualizada de seu modelo leve projetada para oferecer grandes ganhos de desempenho em tarefas de programação e de agentes autônomos, ao mesmo tempo em que reduz consideravelmente os custos de inferência.

O modelo já está disponível no site oficial, no aplicativo e na API da Deepseek. A empresa também disponibilizou os pesos abertos do modelo no Hugging Face e no ModelScope.

Treinamento com autofeedback e desenvolvimento ponta a ponta

Em comparação com seu antecessor direto, o Deepseek-V4.1-Flash-1017 executa tarefas com mais rapidez e gera respostas mais concisas. A Deepseek define este lançamento como uma melhoria de Pareto no equilíbrio entre desempenho e custos computacionais.

Para lidar com o desenvolvimento de software ponta a ponta a partir do zero, o modelo foi treinado usando Reinforcement Learning with Self-Feedback (RLSF) (aprendizado por reforço com autofeedback). Sob esse método de pós-treinamento, o próprio sistema se avalia usando pontuações internas de confiança e críticas autogeradas, em vez de depender de anotadores humanos ou de modelos de recompensa separados.

De acordo com a Deepseek, essa arquitetura impulsiona a geração de projetos de ciclo completo em diversos casos de uso, incluindo programação de jogos, modelagem 3D, tarefas de design e animação de vídeos explicativos curtos. O modelo também foi otimizado para ambientes de desenvolvimento, incluindo Tencent CodeBuddy, WorkBuddy e Deepseek Harness (com recomendação da versão v0.2.1-rc.1 ou posterior).

Ganhos em benchmarks e redução de custos

Em benchmarks internos, o Deepseek-V4.1-Flash-1017 superou seu antecessor e modelos concorrentes de maior porte, incluindo Claude Opus 5, GPT 5.6-Sol, Kimi K3 e GLM 5.3, em múltiplos testes comparativos de programação e de agentes.

As respostas mais curtas e concisas do modelo se traduziram diretamente em economia de custos no benchmark DeepSWE:

• Top Setting: Atingiu uma pontuação de 77,0% com um custo médio inferior a US$ 0,20 por tarefa.

• Low Setting: Alcançou 72,0% de precisão por aproximadamente US$ 0,10 por tarefa.

• Comparação com o antecessor: O V4.1-Flash anterior obteve 74,2% a cerca de US$ 0,50 por execução.

Em contrapartida, sistemas rivais como GPT-6 Astra, Gemini 3.8 Flash e Claude Opus 5 registraram custos por tarefa variando de US$ 2 a mais de US$ 10 no mesmo gráfico de benchmark, sem igualar a precisão do modelo menor. No entanto, avaliações independentes ainda não verificaram essas métricas internas, e as impressões dos desenvolvedores em relação à qualidade do código em cenários do mundo real podem variar.

APIs de busca proprietárias e ventos contrários regulatórios

Paralelamente ao lançamento do modelo, a Deepseek abriu sua infraestrutura proprietária de busca na web para desenvolvedores por meio das novas Search and Fetch APIs. O mecanismo de busca subjacente já processa centenas de milhões de consultas diariamente.

Os endpoints têm preço fixado em US$ 0,75 por 1.000 chamadas. Usuários da Deepseek API podem acessar os recursos gratuitamente por meio de ferramentas no lado do servidor no Deepseek Harness, Claude Code e Codex até 31 de outubro de 2026, às 16h UTC.

Apesar do lançamento, um cenário mais amplo de incerteza paira sobre a distribuição de modelos de pesos abertos na China. Relatórios indicam que o governo chinês avalia regulamentações mais rígidas ou potenciais proibições ao lançamento de modelos com pesos abertos, com escrutínio voltado especialmente a sistemas posicionados entre os 10 modelos de IA mais avançados.