DeepSeek V4.1-Flash abre pesos e corta o cache KV em 4 vezes

A DeepSeek publicou em 10 de setembro de 2026 os pesos abertos do DeepSeek-V4.1-Flash, um modelo multimodal de mistura de especialistas com janela de contexto de até 1 milhão de tokens. O repositório no Hugging Face foi criado às 2h17 (UTC) daquele dia, recebeu o commit de inicialização às 4h07 e o relatório técnico às 5h51. Como nos lançamentos anteriores da casa, a licença é a MIT, aplicada tanto ao repositório quanto aos pesos.

O subtítulo escolhido pela própria equipe resume a aposta: “levando ao limite a compressão do cache KV”. O cache de chaves e valores é a memória que um modelo de linguagem mantém para não recalcular a atenção sobre tokens já processados. Ele cresce com o tamanho do contexto e, em cargas longas, passa a dominar o custo de inferência — é ele que faz um pedido de 500 mil tokens custar caro mesmo quando a resposta é curta.

O anúncio dá continuidade a uma sequência rápida: o Plugged Ninja cobriu em 4 de setembro a liberação dos pesos do V4-Flash-Vision-Exp e, em 20 de agosto, a do V4-Pro 0813. O V4.1-Flash não é um ajuste desses modelos: é uma arquitetura diferente, registrada no código como deepseek_v41.

Uma arquitetura de codificador-decodificador causal

A mudança central é o que a DeepSeek chama de Causal Encoder-Decoder (CED). Os 40 blocos do modelo são organizados como um codificador causal de 20 camadas seguido de um decodificador de 20 camadas. Em vez de cada camada do decodificador derivar seu próprio cache a partir dos próprios estados ocultos, o cache KV global do decodificador é projetado a partir dos estados finais do codificador.

O efeito disso aparece na contabilidade de parâmetros ativos: 8 bilhões por token na fase de leitura do prompt (prefill) e 16 bilhões na geração (decode). Para comparação, o V4-Flash ativa 13 bilhões e o V4-Pro, 49 bilhões. A assimetria entre prefill e decode é deliberada e favorece cargas de trabalho agênticas, em que a entrada é longa e a saída é curta.

Sobre essa base a DeepSeek empilha três mecanismos de redução de cache:

• SWA Bounded Replay — reconstrói estados de atenção em janela deslizante reproduzindo apenas os tokens mais recentes, em vez de manter esses estados persistidos em disco. A empresa afirma que isso reduz a pegada persistente do cache a cerca de 1/8 da do V4-Flash.
• CSA2 (Compressed Sparse Attention 2) — atribui a cada camada de atenção um de três modos fixos: Full, Reindex ou Reuse, compartilhando o KV principal entre camadas e reaproveitando os índices de atenção esparsa. No decodificador, um indexador esparso hierárquico limita as camadas de indexação posteriores a um conjunto de candidatos montado pela primeira camada em modo Full, o que impede que o custo do indexador cresça com o contexto.
• Cache KV principal em FP4 — formato E2M1 com uma escala E4M3 a cada 16 canais.

Combinados, esses recursos levam o cache KV global a 890 bytes por token. A DeepSeek apresenta esse número como uma redução de aproximadamente 4 vezes em relação ao V4-Flash e de 437 vezes em relação ao DeepSeek-V1.

Os componentes menos convencionais

O modelo carrega ainda três peças que fogem do padrão dos MoE atuais. A primeira é o Engram, descrito como memória condicional de 196 bilhões de parâmetros acessada de forma esparsa por consulta baseada em tokens. O arquivo de configuração mostra um vocabulário de n-gramas de 16 milhões de entradas, n-gramas de até 4 elementos, 8 cabeças e dimensão 256 por cabeça.

A segunda é o DSpark, mecanismo de decodificação especulativa com geração de rascunho semiautorregressiva e verificação agendada por confiança, com blocos de 5 tokens e 128 especialistas próprios roteados, aplicados nas três últimas camadas. A terceira é o Single-Pass mHC, uma revisão da mistura do fluxo residual acompanhada de um kernel dedicado.

A camada MoE propriamente dita usa 1 especialista compartilhado e 384 roteados, com 6 roteados ativados por token. O modelo também prevê 3 camadas de predição de múltiplos tokens.

Na parte visual, a DeepSeek treinou do zero um codificador próprio, o DeepSeek-ViT, com RoPE bidimensional e redução por pixel-unshuffle 3×3, ligado ao modelo de linguagem por um projetor MLP de duas camadas. São 32 camadas, dimensão oculta de 1.024, patches de 14 pixels e no máximo 1.024 tokens por imagem. As imagens entram junto com o texto desde o início do pré-treinamento, e não como um módulo acoplado depois.

Treinamento e o tamanho real do modelo

O pré-treinamento usou um corpus multimodal de 45 trilhões de tokens. A atenção esparsa foi treinada com sequências de 64 mil tokens e o contexto foi estendido para 1 milhão na marca de 34 trilhões de tokens.

No pós-treinamento, a DeepSeek afirma explicitamente que não houve mudança algorítmica: o encadeamento é o convencional — ajuste supervisionado, aprendizado por reforço e destilação em política. As mudanças, segundo a empresa, estão todas no pipeline de dados, com síntese automatizada em larga escala de tarefas e ambientes para agentes. O modelo expõe ainda um controle contínuo de esforço de raciocínio, um inteiro de 1 a 100 que troca custo de inferência por acurácia.

Há um ponto que merece registro cuidadoso. O cartão do modelo declara 552 bilhões de parâmetros de backbone, mas o índice safetensors do repositório soma 484,6 bilhões de elementos, distribuídos entre BF16, F32, FP8 (E4M3) e inteiros de 8 bits. A configuração indica que os especialistas são armazenados em FP4, e a diferença entre os dois números é compatível com o empacotamento de dois valores FP4 por byte — mas essa é uma leitura do Plugged Ninja a partir dos arquivos publicados, e não uma explicação confirmada pela DeepSeek.

O que os benchmarks mostram — e o que não mostram

Todos os resultados a seguir são autorreportados, medidos no arreio interno da própria DeepSeek. A empresa informa temperatura 1.0 e top_p 0.95, esforço de raciocínio no máximo, e o uso de arreios diferentes conforme o benchmark, incluindo arreios de terceiros em alguns casos. Comparações entre modelos avaliados por equipes distintas devem ser lidas com essa ressalva.

A leitura honesta da tabela é que o V4.1-Flash não é um modelo de fronteira uniforme. Ele lidera em programação competitiva, em resolução de issues de software e no Terminal-Bench 2.1 — tarefas em que o ganho sobre o V4-Flash é grande e vem com uma fração dos parâmetros ativos. Mas fica bem atrás do Opus-5.0 nas versões mais recentes e mais difíceis do Terminal-Bench e no Humanity’s Last Exam, onde o resultado é inclusive marginalmente inferior ao do V4-Flash.

Na comparação entre modelos base, o V4.1-Flash chega a 74,1 no MMLU-Pro, acima do V4-Pro (73,5), que tem 1,6 trilhão de parâmetros. Em conhecimento factual, porém, a distância permanece: 42,3 contra 55,2 no SimpleQA-Verified. Ativar menos parâmetros tem custo, e ele aparece onde se exige memória de fatos.

Impactos e limitações

Para quem opera infraestrutura, a métrica relevante deste lançamento não é a pontuação em benchmark, e sim os 890 bytes por token. Cache menor significa mais requisições simultâneas na mesma GPU, contexto longo economicamente viável e menor pressão sobre memória — o gargalo prático de quem hospeda modelos abertos. A licença MIT mantém a DeepSeek como o grande laboratório chinês com o licenciamento mais permissivo do mercado, sem cláusulas de território ou gatilhos de receita.

As limitações são reais. Nenhum dos números foi verificado de forma independente até o fechamento desta matéria, e o repositório tinha poucas horas de vida. A arquitetura CED, o Engram e o DSpark são suficientemente novos para exigir suporte específico em servidores de inferência; até que vLLM e SGLang publiquem caminhos otimizados, rodar o modelo fora do código de referência tende a ser trabalhoso. O modelo também não traz avaliação pública de segurança ou alinhamento no cartão. E o custo de execução — 484 bilhões de parâmetros em disco, ainda que quantizados — mantém o V4.1-Flash fora do alcance de quem não tem cluster.

Conclusão

O V4.1-Flash é menos um salto de capacidade e mais um exercício de engenharia de custo, o que combina com o nome da linha. A DeepSeek escolheu atacar o cache KV, que é onde a conta de inferência realmente é paga, e entregou uma redução de quatro vezes sobre a própria geração anterior sem perder terreno em tarefas agênticas.

O que observar nas próximas semanas: as avaliações independentes, especialmente em contexto de 1 milhão de tokens; o suporte dos servidores de inferência de código aberto; as quantizações e destilações da comunidade; e se os números do relatório técnico se sustentam fora do arreio da casa. Até lá, os resultados devem ser tratados como o que são — afirmações do fabricante sobre o próprio produto.

Fontes e referências

• DeepSeek-AI — Cartão do modelo DeepSeek-V4.1-Flash no Hugging Face (10 de setembro de 2026)
• DeepSeek-AI — arquivo config.json e índice safetensors do repositório DeepSeek-V4.1-Flash, consultados via API do Hugging Face
• DeepSeek-AI — DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression, relatório técnico publicado no próprio repositório
• DeepSeek-AI — histórico de commits do repositório, usado para datar a liberação dos pesos
• Plugged Ninja — DeepSeek abre pesos do V4-Flash-Vision-Exp com licença MIT
• Plugged Ninja — DeepSeek V4-Pro 0813 chega com licença MIT e foco em agentes