DeepSeek atualiza modelo Flash com foco em agentes e ganho de 35% no terminal

O modelo funciona como uma evolução direta do DeepSeek-V4.1-Flash anterior, mantendo a arquitetura compatível com a biblioteca transformers. Os pesos chegam divididos em 48 arquivos no formato safetensors, com suporte a quantização em 8-bit e fp8. A janela de contexto aceita até 1 milhão de tokens de entrada, com geração máxima de pelo menos 256 mil tokens. As recomendações oficiais de amostragem mantêm temperature em 1.0 e top_p em 1.0.

Benchmark avança em código e tarefas visuais

Nos testes de engenharia de software do DeepSWE v1.1 usando o harness Mini-SWE-V2, o modelo registrou 77,0 pontos contra 74,2 da edição prévia. A pontuação no ProgramBench subiu de 20,3 para 29,1, superando os 23,0 do GPT-5.6 Sol e os 17,5 do K3. Em avaliação de raciocínio complexo sem ferramentas pelo HLE, o modelo marcou 42,6 pontos no total e 44,0 no subconjunto textual. No exame Automation-Bench v1.0.6, o índice avançou de 54,8 para 60,5 pontos.

As avaliações multimodais também registraram saltos numéricos em tarefas com uso de ferramentas externas. O índice no BabyVision subiu de 89,6 para 92,5 pontos, aproximando o resultado dos 94,1 obtidos pelo Opus 5. No Chartography, a pontuação alcançou 83,0 frente aos 78,9 do modelo base. Já no ZeroBench-main com ferramentas, o índice foi de 49,0 para 51,0 pontos. No teste Agents’ Last Exam, a marca subiu de 31,8 para 35,4.

Formato dispensa Jinja e exige infraestrutura pesada

A publicação distribui 48 arquivos de pesos que exigem infraestrutura com GPUs dedicadas e nós de datacenter para carregamento e inferência local. O dossiê não lista os gigabytes totais dos arquivos nem fixa um mínimo de VRAM em placas comerciais. Desenvolvedores comuns não conseguem subir o modelo inteiro em estações de trabalho sem cluster especializado. A pasta inference detalha a conversão dos pesos e os procedimentos de execução local.

Quem integra o sistema em esteiras de software encontra uma mudança no formato de envio de dados: a equipe removeu o template Jinja tradicional de chat. A DeepSeek incluiu na pasta encoding o script Python encoding.py para lidar com chamadas de ferramentas, raciocínio em múltiplos passos e imagens intercaladas. Para ambientes de produção, o time lançou a biblioteca Rust com bindings em Python chamada deepseek-recipe. Ela faz a conversão de requisições de APIs no formato Messages e Chat Completions diretamente para os prompts do V4.1.

A licença MIT cobre tanto o código do repositório quanto os pesos disponibilizados pela organização. Isso libera o uso comercial irrestrito, sem travas corporativas para times que constroem produtos proprietários a partir do modelo. A permissão ampla coloca os pesos abertos como alternativa direta a provedores proprietários fechados. Equipes que operam servidores próprios podem auditar o fluxo e integrar pipelines de automação sem pagar licenças por token.