DeepSeek abre pesos do V4-Flash-Vision-Exp com licença MIT

A DeepSeek publicou os pesos completos do DeepSeek-V4-Flash-Vision-Exp no Hugging Face sob licença MIT. O repositório foi criado em 31 de agosto de 2026 e recebeu seus últimos ajustes de documentação em 1º de setembro. É o primeiro modelo multimodal experimental da família V4 do laboratório chinês, e chega com liberação de pesos irrestrita, em um momento em que os principais concorrentes do país têm migrado para licenças proprietárias com cláusulas comerciais.

O modelo já estava disponível via API desde 21 de agosto, conforme o anúncio publicado na documentação oficial da empresa. A novidade das últimas semanas, portanto, não é o modelo em si, mas o fato de os pesos terem sido abertos para execução própria e uso comercial.

O que o modelo faz

Segundo o cartão do modelo, o V4-Flash-Vision-Exp parte da arquitetura do DeepSeek-V4-Flash e incorpora módulos visuais, seguidos de treinamento continuado para desbloquear a compreensão de imagens. A proposta declarada é ganhar capacidade multimodal sem perder desempenho em tarefas de texto.

No Hugging Face, ele está classificado na tarefa image-text-to-text: recebe texto e imagens misturados e devolve texto. Os casos de uso indicados pela empresa são compreensão de documentos e gráficos, resposta a perguntas visuais e fluxos de trabalho de agentes que intercalam texto e imagem.

Os números divulgados

A comparação publicada pela DeepSeek coloca o novo modelo ao lado de seu antecessor apenas textual, o V4-Flash-0731, e do Opus-4.8 como referência externa. Todos os valores são autorrelatados pelo laboratório.

Capacidades de agente em texto

Capacidades de agente multimodal

* Nas duas primeiras linhas, o V4-Flash-0731 ignora os elementos multimodais da entrada, por não ter visão. A comparação nesses casos mede o quanto se ganha ao enxergar a imagem, não uma disputa entre iguais.

A leitura mais defensável desses dados é comedida. Em texto, o salto sobre o antecessor é modesto, de um a seis pontos na maioria das linhas, e há inclusive uma regressão no Cybergym, de 76,7 para 75,3. Em multimodalidade, o ganho é o esperado para um modelo que passou a enxergar. Frente ao Opus-4.8, o novo modelo fica atrás na maior parte dos itens, com margens grandes em NL2Repo (12 pontos) e DSBench-Hard (8,1 pontos), e à frente em três: DeepSWE, Agents Last Exam e ZeroBench.

Cabe a ressalva metodológica que a própria empresa registra: os modelos DeepSeek foram avaliados no modo mínimo do DeepSeek Harness como framework de agente, com nível máximo de esforço de raciocínio, temperatura 1,0 e top_p 0,95. Resultados de agente são sensíveis ao arcabouço usado, e comparações entre laboratórios com harnesses diferentes não são diretamente equivalentes.

O que a configuração revela

Além do cartão do modelo, é possível inspecionar o arquivo de configuração publicado no repositório, uma fonte primária que não depende do texto de divulgação. Ele mostra:

• Arquitetura declarada como DeepseekV4ForCausalLM, tipo de modelo deepseek_v4.
• Mistura esparsa de especialistas: 256 especialistas roteados, 6 ativados por token, mais 1 especialista compartilhado; dimensão intermediária de 2.048.
• 43 camadas ocultas, dimensão oculta de 4.096, vocabulário de 129.280 tokens.
• Contexto nativo de 1.048.576 tokens, ou seja, 1 milhão.
• Quantização FP8 no formato e4m3, com escalonamento dinâmico de ativações e blocos de peso de 128 por 128.
• Parâmetros de Hyper-Connections e de um indexador esparso de atenção, coerentes com a linha arquitetural que a DeepSeek vem seguindo na família V4.

Os metadados do repositório contabilizam 304,6 bilhões de parâmetros no total, a maior parte armazenada em inteiros de 8 bits, com uma fração em FP8 e cerca de 1,95 bilhão em BF16. Catálogos de terceiros listam algo próximo de 13 bilhões de parâmetros ativos por token, mas a DeepSeek não publica esse número em seu cartão de modelo, e a informação não pôde ser confirmada em fonte primária. O que está documentado é a estrutura de roteamento: 6 especialistas de 256, mais o compartilhado.

Um detalhe merece registro por honestidade técnica: o arquivo de configuração não traz uma seção dedicada à visão, e a arquitetura declarada é a de um modelo causal de linguagem. O cartão do modelo explica por quê. O repositório inclui uma implementação mínima de inferência em PyTorch que cobre o codificador visual, o alinhador, a atenção DFlash, a mistura de especialistas, as Hyper-Connections e o caminho DSpark. Os módulos visuais, portanto, vivem no código de referência do repositório, não na configuração padrão do Transformers.

A licença é o ponto principal

O repositório declara licença MIT. É a licença mais permissiva em uso corrente: permite uso comercial, modificação, redistribuição e execução privada, exigindo apenas a manutenção do aviso de copyright.

Esse detalhe pesa mais do que parece no contexto atual. Os grandes laboratórios chineses vêm se afastando de licenças irrestritas. O Qwen3.8-Flash-Next, da Alibaba, foi liberado em agosto sob a Qwen Community License 1.0, que exige licenciamento separado para negócios de modelo como serviço e para assistentes de trabalho acima de determinados patamares de usuários e receita. O MiniMax H3 saiu com licença que exclui territórios inteiros. A DeepSeek segue sendo o principal laboratório chinês de fronteira a publicar pesos sob MIT, como já havia feito com o V4-Pro 0813, em agosto.

Para quem constrói produto, a diferença é concreta: com MIT não há revisão jurídica sobre limites de usuários, de receita ou de tipo de aplicação, nem risco de mudança de termos em versão futura afetando um serviço já em produção.

O que é preciso para rodar

Aqui está a principal limitação prática. O cartão do modelo indica servir o modelo com vLLM em um nó com quatro GPUs GB300, e menciona suporte a SGLang adicionado em 1º de setembro. Um modelo de 304,6 bilhões de parâmetros, mesmo com pesos majoritariamente em 8 bits, não é executável em hardware de consumo nem em uma única GPU de datacenter comum.

Na prática, pesos abertos aqui significa liberdade jurídica e auditabilidade, não acessibilidade universal. Quem não dispõe de um nó multi-GPU dessa classe continuará dependendo da API da DeepSeek ou de provedores de inferência terceirizados. Pela API, imagens são tarifadas em até 384 tokens cada, no preço do V4-Flash, e podem ser enviadas em base64, por URL externa ou pela Files API.

O repositório também inclui a referência de codificação de prompt, aceitando tanto blocos de conteúdo em JSON no estilo OpenAI quanto uma notação compacta de texto, com os dois formatos produzindo prompts e identificadores de token idênticos, segundo a documentação.

O que observar a seguir

O sufixo Exp no nome é um aviso do próprio laboratório: trata-se de um modelo experimental, o primeiro multimodal da família V4. Historicamente, a DeepSeek usa lançamentos assim para validar componentes que depois migram para as versões estáveis. Foi o caso do V3.2-Exp, em 2025, antes do V3.2.

Três pontos merecem acompanhamento. O primeiro é se a capacidade visual chegará às linhas Pro e Flash estáveis, e sob qual licença. O segundo é a validação independente dos números: até agora os benchmarks são autorrelatados, e o repositório já recebeu resultados de avaliação da comunidade para DeepSWE e Terminal Bench 2.1 — replicações externas são o que dará confiança às tabelas acima. O terceiro é o comportamento em fluxos reais de agente com imagem, terreno em que benchmarks costumam divergir da experiência de produção.

Para pesquisadores e empresas brasileiras, o que muda no curto prazo é a existência de um modelo multimodal de fronteira, com pesos auditáveis e licença sem amarras, disponível para quem tiver infraestrutura para hospedá-lo, ou para quem precise apenas inspecionar como ele foi construído.

Fontes e referências

• Hugging Face — Cartão do modelo deepseek-ai/DeepSeek-V4-Flash-Vision-Exp, com benchmarks, layout do repositório e licença MIT
• Hugging Face — Arquivo config.json do repositório, com arquitetura, especialistas, contexto e quantização
• DeepSeek API Docs — DeepSeek-V4-Flash-Vision-Exp Release: Multimodal API Now Live, de 21 de agosto de 2026
• DeepSeek API Docs — API Guides: Vision