Deepseek lança V4.1 Flash 1017 e reduz custo de agente de código para US$ 0,10 por tarefa

Deepseek lança a versão mais barata do Flash para tarefas de agente

A Deepseek, startup chinesa de inteligência artificial, lançou em 17 de outubro de 2026 o modelo Deepseek V4.1 Flash 1017, disponível pelo site, pelo aplicativo e pela API da empresa. Os pesos do modelo também foram publicados como código aberto no Hugging Face e no ModelScope, o que permite baixar, rodar localmente ou hospedar em infraestrutura própria. A informação é do site The Decoder, publicada em 17 de outubro de 2026.

Segundo a Deepseek, a atualização resolve tarefas mais rápido, produz respostas mais curtas e tem desempenho melhor em desenvolvimento de software de ponta a ponta e em tarefas de agente (sistemas que executam várias etapas sozinhos, como escrever código, testar e corrigir erros, sem intervenção humana a cada passo). A empresa chama o resultado de "melhoria de Pareto": o modelo ficou melhor e mais barato ao mesmo tempo, sem a troca habitual entre qualidade e custo.

O número que interessa pra quem paga a conta: custo por tarefa

Nos benchmarks internos divulgados pela Deepseek, o V4.1 Flash 1017 supera seu antecessor direto e também modelos maiores como Claude Opus 5, GPT 5.6-Sol, Kimi K3 e GLM 5.3 em várias categorias de código e de agente. O dado mais relevante pra quem roda agentes em produção, porém, não é o placar: é o custo por tarefa.

No benchmark DeepSWE, que mede a capacidade de um agente de resolver tarefas reais de engenharia de software do início ao fim, a Deepseek divulgou os seguintes números:

Ou seja: o novo Flash custa entre dez e cinquenta vezes menos por tarefa do que os rivais citados, segundo os números publicados pela própria Deepseek. Pra quem monta um agente que roda centenas ou milhares de vezes por dia (triagem de tickets, revisão de pull request, geração de testes), essa diferença de custo é o que decide se o projeto sai do papel.

Vale uma ressalva: são benchmarks internos, sem avaliação independente publicada até agora. Impressões de desenvolvedores sobre qualidade de código no dia a dia costumam divergir de resultado de benchmark, e isso vale tanto pra Deepseek quanto pra qualquer concorrente.

Como o modelo aprendeu a gastar menos: RLSF

Pra treinar o V4.1 Flash 1017 em projetos completos de software (do zero até o produto funcionando), a Deepseek usou uma técnica chamada RLSF, sigla em inglês para aprendizado por reforço com autoavaliação. Na prática, o modelo usa sua própria confiança nas respostas, ou críticas que ele mesmo gera sobre o próprio trabalho, como sinal de recompensa durante o treino. Isso elimina a necessidade de um avaliador humano ou de um segundo modelo externo julgando cada resposta, o que reduz custo e tempo de treinamento.

A empresa diz que essa abordagem melhorou o desenvolvimento de projetos completos em tarefas que vão de programação de jogos a modelagem 3D e design. O modelo também consegue animar vídeos explicativos curtos, recurso parecido com o que a Anthropic lançou no Opus 5.5.

A Deepseek recomenda rodar o modelo em ambientes de desenvolvimento ajustados especificamente pra ele: Deepseek Harness (na versão v0.2.1-rc.1 ou mais recente), Tencent CodeBuddy e WorkBuddy. Quem já usa Deepseek Harness em versão anterior vai precisar atualizar pra aproveitar os ganhos de velocidade e custo anunciados.

A Deepseek abre o próprio buscador pra quem constrói agentes

Junto com o modelo, a Deepseek lançou duas APIs novas: Search e Fetch, que dão acesso externo ao buscador que a empresa já usa internamente. Segundo a empresa, esse buscador processa centenas de milhões de consultas por dia no mundo todo. Pra quem monta agente que precisa pesquisar na web em tempo real (responder pergunta sobre evento recente, checar preço, buscar documentação atualizada), isso é uma alternativa a contratar busca de terceiros separadamente.

Cada chamada às novas APIs custa US$ 0,75 por 1.000 chamadas. Até 31 de outubro de 2026, às 16h UTC, usuários da API da Deepseek podem usar os dois endpoints de graça através das ferramentas server-side do Deepseek Harness, do Claude Code e do Codex, segundo o anúncio da empresa.

O risco que mora do lado de fora do modelo

Um dia antes do lançamento do V4.1 Flash 1017, o The Decoder noticiou que o governo chinês planeja apertar as regras pra publicação de modelos de peso aberto, podendo até bloquear o lançamento de alguns. Um dos critérios citados é se o modelo está entre os dez mais capazes do mundo, segundo rankings públicos.

Isso é relevante pra quem está avaliando depender de modelo chinês de peso aberto em produção: não é um risco técnico, é um risco regulatório. Um modelo que hoje está disponível pra download pode, em tese, ter lançamentos futuros da mesma linha bloqueados ou atrasados por decisão do governo chinês, especialmente se continuar subindo nos rankings de capacidade.

O que muda pra quem constrói agente no Brasil

Pra times de TI e desenvolvedores que já usam ou avaliam Deepseek, três pontos práticos saem desse lançamento:

• Custo de agente despenca de novo. Se os números do DeepSWE se confirmarem em uso real, rodar um agente de codificação pode sair de centavos de dólar por tarefa, o que muda a conta de produtos que dependiam de orçamento por chamada de API.
• Peso aberto facilita teste e auto-hospedagem. Com o modelo disponível no Hugging Face e no ModelScope, dá pra rodar localmente ou em nuvem própria, sem depender da API da Deepseek, embora o ganho de velocidade e custo divulgado seja medido na infraestrutura da própria empresa.
• A API de busca é uma peça a mais no ecossistema de agente. Enquanto durar o período gratuito (até 31 de outubro), vale testar as APIs Search e Fetch em ambiente de desenvolvimento antes de decidir se compensa pagar US$ 0,75 por mil chamadas depois.

Nenhum desses números tem validação independente ainda. Antes de migrar um fluxo de produção pra V4.1 Flash 1017, o caminho mais seguro é rodar o próprio conjunto de tarefas que o agente vai executar e medir custo e qualidade nesse cenário específico, em vez de confiar só no benchmark publicado pelo fabricante.

Fonte: The Decoder