Desenvolvedor trocou Claude Code por Qwen e DeepSeek locais: ciclo ficou 3–4 vezes mais longo

Quando tiram de você sua ferramenta favorita, restam dois caminhos: procurar uma alternativa na nuvem ou testar do que são capazes os modelos que rodam debaixo da sua mesa. Após o terceiro bloqueio da conta no Claude Code, o autor desta história escolheu o segundo. Ele não quis fornecer os dados do passaporte para verificação e migrou para modelos chineses locais com pesos abertos. A seguir, analisamos os resultados e o que pode servir para o seu trabalho.

Qual é a configuração e como ela funciona

O hardware foi cedido pelo empregador, uma empresa que aluga NVIDIA DGX Spark. O Qwen 3.8 Flash Next roda em um Spark com contexto de 256K. O DeepSeek-V4.1-Flash-1017 roda com quantização EXL3 em dois Spark, com contexto de 512K. Nos dois casos, o motor de inferência é o TensorFold.

O autor encarregou o próprio Qwen de implantar o DeepSeek. No Spark ao lado, o modelo inspecionou as máquinas, levantou os requisitos e escreveu playbooks do Ansible. O trabalho levou cerca de um dia útil, e o DeepSeek funcionou na primeira tentativa. Foi um bom teste para o próprio Qwen: ele resolveu uma tarefa de infraestrutura de forma autônoma.

Para orquestrar os agentes, o autor usa o minimalista Pi como harness no WSL e criou um plugin para o PhpStorm para facilitar o uso. Subagentes ajudam a poupar o contexto da sessão principal. As tarefas são reais: PHP com Symfony, Go e Kubernetes.

Os números: geram rápido, leem devagar

O autor escreveu seu próprio benchmark: 10 medições por tamanho de contexto, de 2K a 128K, com prompts únicos e um salt aleatório para impedir que o cache de prefixo ajudasse. Os resultados foram os seguintes.

• O Qwen em um Spark entrega 70–80 tokens/s. O DeepSeek em dois entrega 99–109 tokens/s.
• Por Spark, a situação se inverte: 70–80 tokens/s no Qwen contra 49–55 no DeepSeek. Dobrar o hardware aumenta a velocidade em apenas 1,36–1,5 vezes.
• O prefill do Qwen fica em 2,3–2,5 mil tokens/s; o do DeepSeek, em 1,7–2,3 mil tokens/s.

Isso resulta em um tempo até o primeiro token de 57 segundos no Qwen e 73 segundos no DeepSeek com contexto de 128K, embora o DeepSeek gere mais rápido. Com 32K, são 13–21 segundos; com 64K, 27–36 segundos. Também há valores atípicos: no DeepSeek, houve requisições com TTFT de 4,8 s em 2K e 10,2 s em 8K.

Uma ressalva importante: essas medições processam o prompt completo sem cache. No ciclo de agentes, o contexto cresce aos poucos, o prefixo fica em cache e as latências reais são consideravelmente menores.

O fluxo de trabalho com dois modelos

A principal descoberta do autor está no processo, não na velocidade. Para uma tarefa grande, os dois modelos escrevem planos separadamente. Depois, cada um lê o plano do “colega” e decide qual usar como base. Na maioria dos casos, os dois concordaram em adotar o plano do DeepSeek. Só uma vez ambos escolheram o plano do Qwen.

Depois vem a implementação. Na versão simples, o DeepSeek cuida dela com subagentes e um commit separado para cada etapa, enquanto o autor revisa os commits em paralelo e reúne observações. Em seguida, o DeepSeek faz uma revisão com contexto novo, e o Qwen faz outra. Na versão complexa, os dois modelos trabalham em paralelo em worktrees diferentes, e o autor escolhe a melhor solução. Os testes seguem a mesma lógica: dois planos de testes e2e são combinados, os modelos se alternam na execução e na correção de bugs, e depois vêm a verificação manual obrigatória, o staging e o release.

Limitações e conclusão

O preço dessa liberdade é alto. Pela avaliação preliminar do autor, o ciclo de desenvolvimento ficou 3–4 vezes mais longo do que com o Claude Code. Ele atribui parte disso à falta de familiaridade e à duplicação do trabalho nos dois modelos, e pretende ficar com apenas um. Na sua percepção, o DeepSeek é cerca de 20% mais inteligente e atento que o Qwen, mas exige dois Spark. É a avaliação de uma única pessoa, sem verificação formal de qualidade, e deve ser tratada como subjetiva.

Um teste paralelo também é revelador. Em uma hora, o DeepSeek configurou a execução de Hogwarts Legacy em VR: encontrou um injetor, baixou perfis e escreveu um script com instruções. Quando não funcionou na primeira tentativa, diagnosticou o problema sozinho em mais meia hora. O autor está certo de que o Opus 5.5 teria resolvido tudo várias vezes mais rápido, mas o nível dos modelos abertos já basta para muitas tarefas.

A conclusão prática para as equipes: uma stack local serve como proteção contra bloqueios e como opção para ambientes fechados, nos quais o código não pode ser enviado para a nuvem. Mas é preciso prever a espera pelo prefill, o tempo para ajustar o processo e os recursos de hardware. Se você tem um Spark, escolha Qwen; se tem dois, experimente DeepSeek. O próximo passo do autor será testar o GLM 5.3 Flash em dois Spark.