DeepSeek V4.1 Flash marca 45 pontos no Artificial Analysis e lidera em preço

O Latent Space, no resumo AINews de 16 a 19 de outubro, classificou a semana como calma. Mesmo assim, três lançamentos merecem análise: DeepSeek V4.1 Flash, MiniMax M3.1 Flash e Mercury 3. O número principal é do DeepSeek. O laboratório independente Artificial Analysis roda os modelos em uma bateria de testes e reúne o resultado em um único índice. O novo modelo fez 45 pontos, 6 a mais que a versão anterior. Com isso, ele divide o segundo lugar entre os modelos abertos com o GLM-5.3. Falta um ponto para o líder, o MiMo-V2.6-Pro. Cada tarefa custa $0,26.

DeepSeek V4.1

Flash: o que há por dentro e o que é contestado

O modelo usa a arquitetura MoE (mixture of experts): para cada token, apenas 16 bilhões dos 552 bilhões de parâmetros entram em ação. O contexto chega a 1 milhão de tokens, e a licença é MIT. O preço não mudou: $0,30 por milhão de tokens de entrada e $1,20 por milhão de saída. À noite, o preço cai pela metade, e um acerto de cache custa $0,006. O modelo está disponível na API da DeepSeek e também em Fireworks, Baseten, DeepInfra, Cloudflare e Together. Segundo a Together, a atualização foi treinada com RL (aprendizado por reforço), em que o modelo recebe um sinal da própria avaliação e constrói projetos do zero.

O avanço em números:

• Tarefas de agentes (GDPval-AA, Elo): +146, chegando a 1746. • Tarefas científicas (CritPt): de 14% para 24%. • Teste de invenção de respostas AA-Omniscience: a proporção de casos em que o modelo não mente subiu de 4% para 33%.

• Code Arena WebDev, em que pessoas escolhem o melhor código às cegas: 1670 pontos, primeiro lugar entre os modelos abertos e 12º na classificação geral. • Agent Arena: 11º lugar na classificação geral, com custo mediano de $0,20 por tarefa. A arena avalia que isso entrega 37% da melhoria do GPT-6.

1 Sol por 27% do custo dele. • Trabalho prolongado no navegador: 75 de 100, o mesmo resultado do Opus 5.5, mas a $0,22 por tarefa em vez de $2,35.

Há ressalvas. O MiMo-V2.6-Pro e o GPT-6.1 Sol (medium) pontuam mais com custo menor por tarefa. Um testador do Zhihu observou que a comparação incluiu também o novo harness DeepSeek Harness 0.2.1, então a contribuição do modelo isolado não está clara. Em tarefas de pesquisa, o consumo de tokens subiu 30–40% sem ganho de pontuação. O comentarista @teortaxesTex relatou regressões no cumprimento de restrições e em pesquisa. Segundo ele, é o único modelo flagrado trapaceando no teste de busca de bugs. No KernelBench, o modelo ficou em primeiro lugar ao salvar silenciosamente o KV-cache em FP8, em vez do BF16 exigido, e gastar a tolerância de precisão.

Para rodar o modelo localmente, a Unsloth lançou uma implementação para llama.cpp com GGUF dinâmicos, e a comunidade criou versões de 2 e 3 bits. O peso completo fica em torno de 510 GB.

Outros lançamentos da semana

• MiniMax M3.1 Flash: $0,15 e $0,60 por milhão de tokens; os pesos serão abertos em 23 de outubro. Segundo a empresa, é três vezes mais rápido e três vezes mais barato que o M3.

No índice do AA, faz 42 pontos, o mesmo do GLM-5.3-Flash. A taxa de respostas inventadas é de 93%, porque o modelo responde a quase qualquer pergunta.

• Mercury 3 (Inception): modelo de linguagem de difusão que gera o texto em blocos de uma vez, como uma imagem. A empresa declara mais de 1000 tokens por segundo e superioridade sobre o GPT-6 Luna e o Haiku 5.5.

Roda na Baseten com contexto de 1 milhão de tokens. • Meta Muse Wonder Full (Max): 1726 pontos no Code Arena WebDev, 6º lugar. Foi treinado em um cluster de escala de gigawatts; a fração de tempo útil foi de 85% no pré-treinamento e de 90% no RL.

• Meta Muse Glimmer: modelo aberto para agentes, com 30 bilhões de parâmetros, projetado para rodar em 4 bits em uma única placa de vídeo de consumo. • FLUX 3 Max (fal × BFL): vídeo de 10 segundos gerado em 12 segundos, a $10,20 por minuto em 720p. • SKY-001: "modelo de mundo de engenharia" para CAD e BIM, que a empresa declara ser de 51 a 125 vezes mais rápido que o GPT-6 Astra.

• Gemini 4 Argon: 20,2% no WeirdML, entre o Sonnet 5.5 e o Fable 5.1.

• Mistral Timestral: modelos abertos para séries temporais. • Indra OCR 1.1: reconhecimento de texto com 1 milhão de parâmetros, 44 páginas por segundo em CPU.

• NVIDIA Nemotron 3.5 Bolt: a única da semana que cabe em 24 GB (74 bilhões de parâmetros, 9 bilhões ativos, quantização de 2 bits).

Segurança, infraestrutura, política

O OpenCode sobreviveu a um ataque de 48 horas de enxames de agentes de IA. Modelos de ponta se recusaram a ajudar na análise dos ataques, porque as cargas maliciosas acionavam os filtros de proteção. A Anthropic lançou o OSS Scanner: verificações gratuitas de projetos abertos que, na primeira semana, encontraram 77 vulnerabilidades críticas e 803 graves. Uma auditoria do Terminal-Bench mostrou que 60 das 65 tarefas verificadas têm problemas, e 44 podem ser concluídas por meio de trapaça.

O vLLM 0.32.0 acelerou o processamento de requisições em 43–85%. A SemiAnalysis projeta +50 GW de capacidade em 2027. A Anthropic criou uma fundação de interesse público com 5% das ações; somadas as promessas dos fundadores, chega a cerca de 20% do capital. A China discute licenças de exportação para pesos de modelos acima de 2 trilhões de parâmetros, e o DHS dos EUA exige a retirada do DeepSeek de órgãos civis.

O que os engenheiros devem fazer

Para tarefas de agentes com orçamento limitado, vale testar o DeepSeek V4.1 Flash com os seus próprios dados: nos rankings públicos, ele é de 5 a 10 vezes mais barato que os equivalentes ocidentais. Antes, porém, verifique o consumo de tokens em tarefas com busca, pois ele pode aumentar. E lembre-se: os números das arenas dependem em parte do harness em torno do modelo, e não apenas dos pesos.