DeepSeek V4-Pro 0813 chega com licença MIT e foco em agentes

A DeepSeek publicou em 13 de agosto de 2026, no Hugging Face, os pesos do DeepSeek V4-Pro em sua versão oficial, identificada como 0813. O lançamento substitui a versão prévia do mesmo modelo e chega sob licença MIT — uma escolha que, entre os grandes modelos chineses, continua sendo exceção.

A distinção importa. Boa parte das liberações recentes de pesos abertos vem acompanhada de licenças próprias, com restrições de uso comercial, limites de usuários, obrigações de atribuição na interface ou cláusulas de exclusão territorial. A MIT não impõe nenhuma dessas condições: permite uso comercial, modificação e redistribuição, exigindo apenas a preservação do aviso de licença.

O modelo referencia o artigo técnico “DeepSeek-V4: Towards Highly Efficient Million-Token Context Intelligence”, registrado no arXiv sob o identificador 2606.19348.

O que mudou em relação à versão prévia

Segundo o cartão do modelo publicado pela própria empresa, o DeepSeek V4-Pro-0813 mantém a estrutura da versão prévia e acrescenta um módulo de decodificação especulativa chamado DSpark. A descrição da empresa aponta capacidades agênticas bastante ampliadas e ganhos de desempenho descritos como especialmente pronunciados em ambientes de produção.

Decodificação especulativa é uma técnica de aceleração de inferência: um componente menor propõe vários tokens de uma vez e o modelo principal os verifica em bloco, o que reduz o número de passagens completas necessárias. Na configuração publicada aparece uma camada dedicada à predição do próximo token adiante, compatível com esse mecanismo.

Outra mudança prática está no controle de deliberação. O parâmetro de esforço de raciocínio agora aceita três níveis — baixo, alto e máximo — permitindo ajustar quanto o modelo pensa antes de responder. Também é relevante para quem for integrar: esta versão não inclui um template de conversa no formato Jinja. A empresa distribui, em lugar disso, uma pasta com scripts em Python e casos de teste que demonstram como codificar mensagens em formato compatível com a API da OpenAI e como interpretar a saída do modelo.

A arquitetura, segundo o arquivo de configuração

Os números abaixo vêm diretamente do arquivo de configuração publicado no repositório.

Trata-se, portanto, de uma arquitetura de mistura de especialistas com roteamento esparso: apenas 6 dos 384 especialistas roteados são ativados por token, além do especialista compartilhado que atua sempre. Esse desenho é o que permite manter capacidade alta com custo de inferência proporcionalmente menor.

A janela de contexto de pouco mais de um milhão de tokens é coerente com o título do artigo técnico associado. Cabe a ressalva usual: janela declarada não é o mesmo que desempenho útil ao longo de toda a janela, e o cartão do modelo não apresenta, no material que revisamos, medições de recuperação de informação em contexto longo.

A quantização FP8 nativa merece atenção de quem for planejar infraestrutura, porque reduz substancialmente a memória necessária em relação a formatos de 16 bits — mas exige aceleradores com suporte adequado ao formato.

Os resultados divulgados

A tabela a seguir reproduz parte dos resultados publicados pela DeepSeek no cartão do modelo. São números autodeclarados pelo fornecedor, e não verificações independentes. O Plugged Ninja não executou os benchmarks.

A leitura mais defensável desses dados é comparativa dentro da própria família: o salto em relação à versão prévia é grande e consistente em tarefas agênticas e de programação — o caso mais extremo é o DeepSWE, que vai de 12,8 para 62,7. Isso sustenta a afirmação da empresa de que o foco desta versão foi capacidade agêntica.

Já a comparação com modelos de terceiros exige mais cautela. As condições de avaliação são as escolhidas pela DeepSeek: para as tarefas de agente de código, o modelo foi avaliado com o modo mínimo do arcabouço próprio da empresa, no nível máximo de esforço de raciocínio, com temperatura 1,0 e top_p 0,95. Arcabouço, andaime e parâmetros afetam fortemente resultados agênticos, e não há garantia de que os concorrentes tenham sido avaliados sob condições equivalentes. Dois dos conjuntos citados no cartão são internos da empresa, o que os torna não reproduzíveis por terceiros.

O que isso muda na prática

Para equipes brasileiras, o efeito combinado de licença MIT, pesos publicados e quantização FP8 nativa é o de reduzir barreiras concretas. Uma licença permissiva elimina a análise jurídica caso a caso que licenças proprietárias de modelos costumam exigir, e permite execução em infraestrutura própria — o que, dependendo do setor, resolve restrições de residência de dados e de sigilo que inviabilizariam o uso de uma API externa.

Há limitações igualmente concretas. Um modelo desse porte não roda em hardware modesto: exige um conjunto significativo de aceleradores com memória adequada, ainda que a esparsidade e o FP8 melhorem a conta. A ausência de template de conversa em formato padrão adiciona trabalho de integração. E a decodificação especulativa depende de suporte do mecanismo de inferência utilizado.

Vale registrar o que não está estabelecido. Não há, no material público revisado, avaliação independente de segurança do modelo, medição de comportamento em português ou dados sobre desempenho real em contexto longo. Licença permissiva também não é o mesmo que transparência completa: dados de treinamento e procedimento de alinhamento não são divulgados, o que mantém a distinção — apontada por pesquisadores da área — entre “pesos abertos” e “código aberto” no sentido pleno.

O que observar a seguir

Três pontos merecem acompanhamento. Primeiro, se avaliações independentes confirmam a posição do V4-Pro-0813 frente aos concorrentes citados, especialmente nas tarefas agênticas em que os ganhos declarados são maiores. Segundo, se a DeepSeek mantém a licença MIT em lançamentos futuros ou migra para uma licença própria, como fizeram outros laboratórios chineses. Terceiro, se o módulo DSpark ganha suporte nos principais mecanismos de inferência de código aberto, o que determinaria se o ganho de velocidade prometido chega a quem executa o modelo fora da infraestrutura da empresa.

Fontes e referências

• Hugging Face — deepseek-ai/DeepSeek-V4-Pro-0813 (cartão do modelo e arquivo de configuração)
• arXiv — DeepSeek-V4: Towards Highly Efficient Million-Token Context Intelligence, arXiv:2606.19348
• Open Source Initiative — Texto da licença MIT
• DeepSeek — Site oficial