Qwen 3.6 Plus supera o DeepSeek V4 Pro em battle test em russo e sai mais barato

O novo battle test com seis LLMs lançadas em abril, aplicado a conteúdo em russo, trouxe um resultado inesperado: o DeepSeek V4 Pro, novo modelo de ponta da empresa, não ficou na liderança. O Qwen 3.6 Plus, que foi lançado antes e custa menos, teve desempenho melhor.

Quem ficou na frente

Esperava-se que o DeepSeek V4 Pro alcançasse o nível Tier S, ou seja, acima de 95 pontos em 100. A expectativa fazia sentido: o modelo é grande, recente, tem resultados fortes no AIME e no SWE-bench e foi construído com foco em arquitetura de reasoning. No teste prático com conteúdo em russo, porém, ele fez 89 pontos. É um resultado alto, mas não o que normalmente se espera de um lançamento que se apresenta como carro-chefe justamente para o mercado.

A comparação dentro da própria linha DeepSeek é ainda mais interessante. A versão Flash obteve 83 pontos, ou seja, ficou apenas 6 pontos atrás do Pro. Nesse contexto, a nova rodada do Qwen 3.6 Plus, lançado 22 dias antes, rendeu 92 pontos. Assim, o modelo mais antigo superou o lançamento mais recente da DeepSeek não só na qualidade do texto, mas também na utilidade geral para tarefas reais em russo.

Preço versus qualidade

A maior surpresa está não só nas notas, mas também na economia. Se o Pro supera o Flash por poucos pontos e custa 13 vezes mais, a decisão para produção deixa de ser óbvia. Para equipes que geram grandes volumes de conteúdo, essa diferença rapidamente vira um item relevante de custo. Nesse cenário, o que importa não é o recorde absoluto no teste, mas quanto resultado útil o modelo entrega para cada dólar gasto.

Na metodologia atualizada, o autor do comparativo dá ênfase justamente a esse ponto e propõe avaliar os modelos pelo score-per-dollar. Essa abordagem muda as conclusões mais do que um ranking comum por notas brutas. Um modelo pode perder um pouco em qualidade e, ainda assim, ganhar no uso real graças ao preço, à velocidade e a um comportamento mais previsível em respostas longas. Para redações e equipes de produto, isso é bem mais útil do que pagar às cegas pela opção mais cara.

• DeepSeek V4 Pro — 89 pontos, quando se esperava Tier S
• DeepSeek Flash — 83 pontos e uma economia bem mais favorável
• Qwen 3.6 Plus — 92 pontos e liderança no comparativo
• Diferença entre Pro e Flash — 6 pontos para uma diferença de 13 vezes no preço
• Indicador-chave para a escolha — não apenas o score, mas também o score-per-dollar

Por que o reasoning não salvou o modelo

Uma das principais hipóteses após o teste é que otimizar para reasoning não garante um bom resultado em narrative. Métricas como AIME e SWE-bench mostram bem a capacidade do modelo em matemática, código e raciocínio estruturado, mas preveem pior como ele vai escrever um texto vivo, coeso e convincente em russo. Em tarefas de conteúdo, importam o ritmo, a precisão das formulações, o senso de estrutura e o cuidado com as nuances do idioma, e não apenas a capacidade de decompor um problema em etapas.

Nesse contexto, as mudanças na metodologia parecem menos uma formalidade e mais uma tentativa de aproximar o teste da realidade de produção de forma mais honesta. Entre as alterações estão o ajuste de max_tokens, um re-test pago e uma avaliação mais rigorosa do valor prático da resposta. Em outras palavras, o que se compara agora não são apenas modelos "inteligentes", mas modelos que precisam resolver de forma estável uma tarefa editorial concreta dentro de um orçamento definido. Foi nessas condições que ficou claro que a novidade do lançamento, por si só, já não é uma vantagem.

O que isso significa

O mercado de LLMs se parece cada vez menos com uma corrida em que "quem é mais novo é melhor". Para tarefas de conteúdo em russo, vence não o modelo mais badalado, mas aquele que mantém melhor a qualidade do texto e se paga em produção. Para as equipes, o recado é revalidar com mais frequência os novos modelos de ponta em seus próprios cenários, em vez de escolhê-los apenas pelas manchetes de benchmark.