DeepSeek V4 Flash e V4.1 Flash para programação: benchmarks oficiais, max_tokens, preço e ferramentas

Quem pesquisa “deepseek v4 flash benchmark official” normalmente precisa de algo mais útil do que a afirmação de que o modelo é rápido ou barato. A intenção é confirmar quais resultados o DeepSeek realmente publicou, em quais condições eles foram obtidos e o que dizem sobre programação no dia a dia. Já “deepseek v4 max_tokens” é uma busca de parâmetro: qual é a janela de contexto, quanto uma resposta pode gerar e que valor deve ser enviado à API?

A primeira distinção é essencial: DeepSeek V4 Flash, V4 Flash 0731 e o atual DeepSeek V4.1 Flash são versões diferentes. O V4 Flash original usava uma arquitetura MoE de 284 bilhões de parâmetros, com cerca de 13 bilhões ativos por token. O V4.1 Flash passou para um backbone MoE de 552 bilhões, com aproximadamente 8 bilhões ativos no prefill e 16 bilhões na decodificação. Misturar a arquitetura antiga, o model ID atual e pontuações de vários releases gera uma ficha bonita, mas impossível de reproduzir.

Status em 18 de setembro de 2026: o model ID atual na API do DeepSeek é deepseek-flash. Os aliases antigos de V4 Flash e Vision estão em uma fase de compatibilidade e podem ser redirecionados temporariamente para o V4.1. Em avaliações de produção, registre model ID, data, provedor, nível de raciocínio e parâmetros da requisição.

Especificações principais

Especificação	DeepSeek V4 Flash / 0731	DeepSeek V4.1 Flash
Status	Release histórico; alias legado pode ser redirecionado	Release Flash atual
Janela de contexto	1.000.000 tokens	1.000.000 tokens
Arquitetura	284B MoE, cerca de 13B ativos	552B MoE; cerca de 8B ativos no prefill e 16B no decode
Orientação para saída longa	Configurações locais high/max recomendavam comprimento máximo de 384K	A API oficial atual permite até 384K; para reproduzir avaliações locais, recomenda-se max_tokens >= 256K
Modalidade de entrada	Texto	Texto e imagens
Controle de raciocínio	Configurações anteriores high/max	API aceita controles como reasoning_effort
Model ID atual	deepseek-v4-flash segue o padrão antigo	deepseek-flash

Os valores 384K e 256K não representam um limite rígido e universal para qualquer API hospedada. São recomendações de versões e formas de execução diferentes. Provedor, SDK, gateway ou política da conta podem impor um teto menor. Antes de planejar uma tarefa longa, verifique a capacidade do endpoint que será realmente usado.

O que max_tokens controla de fato?

max_tokens limita a quantidade máxima de tokens que a resposta pode gerar. Ele não redimensiona a janela de contexto. O orçamento de contexto normalmente inclui entrada, histórico, resultados de ferramentas e espaço reservado para a resposta. Suportar contexto de 1M não significa que toda chamada precise gerar 256K ou 384K.

Pontos de partida práticos:

• max_tokens=4096 para explicar código, corrigir uma função, escrever SQL curto ou depurar configuração.
• max_tokens=16384 para planos envolvendo vários arquivos, relatórios maiores de testes ou migrações.
• max_tokens=32768 ou mais para análise de repositório, trajetórias longas de agentes ou geração extensa, apenas após confirmar o limite e a utilidade real.

Um valor baixo demais pode cortar o patch antes dos testes ou da conclusão. Um valor alto sem necessidade aumenta o pior cenário de custo e latência. Para agentes de programação, costuma ser mais seguro limitar cada saída e repetir o ciclo ler–editar–testar do que pedir a solução inteira do repositório em uma única resposta.

Também não confunda tokens visíveis, tokens de raciocínio e tokens faturáveis. A contabilização varia entre APIs. Use os campos de usage e a fatura do endpoint chamado.

Benchmarks oficiais: versão, modo e harness precisam coincidir

Uma pontuação oficial responde a uma pergunta restrita: o que o modelo conseguiu em um ambiente documentado. Ela não garante o mesmo resultado no seu repositório. As tabelas a seguir mantêm os releases separados e preservam os nomes originais para não fundir testes ou níveis de raciocínio diferentes em uma nota artificial.

Resultados representativos do model card do V4 Flash original

Benchmark	Pontuação	Como interpretar
GPQA Diamond (Pass@1)	88.1	Resultado reportado com raciocínio high/max
LiveCodeBench (Pass@1)	91.6	Geração de código
SWE-bench Verified (Resolved)	79.0	Resolução de issues em repositórios reais
Terminal-Bench 2.0 (Acc)	56.9	Tarefas de agente no terminal
HumanEval Base (Pass@1)	69.5	Modelo Base; não é comparação direta com Max

Esses números vêm do model card oficial do DeepSeek, não de uma única repetição independente e uniforme. A linha HumanEval Base usa uma configuração diferente das linhas com raciocínio alto. Portanto, subtrair 69.5 de 91.6 não mede uma diferença válida de capacidade. A tabela é mais útil para entender quais áreas foram avaliadas.

Comparação oficial da família: 0731, V4 Pro e V4.1 Flash

Benchmark	V4 Flash 0731	V4 Pro	V4.1 Flash
GPQA Diamond	89.9	92.4	90.9
Terminal-Bench 2.1	82.7	87.9	90.6
Terminal-Bench 4.0	7.0	12.4	31.2
DeepSWE v1.1	54.4	62.7	74.2
NL2Repo-Bench	54.2	61.5	64.0

A conclusão útil não é que todas as métricas ficaram maiores sem exceção. O ponto é que o V4.1 Flash avançou bastante em agentes de terminal, engenharia de software no nível de repositório e criação de projetos a partir de linguagem natural. O Terminal-Bench 4.0 também é muito mais difícil que o 2.1; as duas linhas não são versões intercambiáveis da mesma escala.

V4.1 Flash contra modelos de fronteira na tabela oficial

Benchmark	V4.1 Flash	GPT-5.6 Sol	Opus-5.0	GLM-5.3
GPQA Diamond	90.9	94.1	93.4	88.1
Terminal-Bench 2.1	90.6	88.8	89.1	88.2
Terminal-Bench 4.0	31.2	39.9	51.8	37.9
DeepSWE v1.1	74.2	73.0	74.0	66.9
NL2Repo-Bench	64.0	56.8	75.3	58.0

Essa comparação foi publicada pelo próprio DeepSeek no model card do V4.1. Portanto, trate-a como dados reportados pelo fornecedor, e não como um ranking totalmente neutro. Compare modelos dentro da mesma linha e do mesmo harness, depois valide o padrão em fontes independentes e nas suas tarefas. O V4.1 é forte no Terminal-Bench 2.1 e no DeepSWE v1.1, mas não lidera todas as linhas, especialmente Terminal-Bench 4.0 e NL2Repo-Bench.

O HumanEval ainda serve como verificação rápida de geração de funções, porém é limitado para agentes modernos. SWE-bench, DeepSWE, Terminal-Bench e NL2Repo se aproximam mais do trabalho real: ler repositório, usar ferramentas, editar arquivos, executar testes e se recuperar de falhas.

Como interpretar benchmarks corretamente

1. Confirme a versão do harness. Terminal-Bench 2.0, 2.1 e 4.0 têm tarefas e dificuldades diferentes.
2. Registre nível de raciocínio e orçamento de saída. low, high e max podem alterar sucesso, latência e consumo.
3. Converta preço por requisição em custo por tarefa aceita. Um modelo barato com três tentativas pode custar mais do que outro que conclui na primeira.
4. Priorize um teste no seu repositório. Instalação de dependências, duração dos testes, permissões, quantidade de arquivos e convenções afetam o agente.

Benchmarks oficiais ajudam a montar uma lista curta. Eles não substituem testes de aceitação para produção, compra ou roteamento.

Preço: token barato não garante tarefa barata

Em 18 de setembro de 2026, as tarifas-base oficiais do DeepSeek para deepseek-flash eram:

Medição	Preço de pico	Preço fora do pico
Entrada com cache hit	$0.006 / 1M tokens	$0.003 / 1M tokens
Entrada sem cache hit	$0.30 / 1M tokens	$0.15 / 1M tokens
Saída	$1.20 / 1M tokens	$0.60 / 1M tokens

Essas são tarifas-base oficiais do DeepSeek, não um preço garantido da BetterToken. O catálogo da BetterToken é atualizado pela API de preços ao vivo; grupos de acesso, cache, unidade mínima e repetição podem variar. Confira a tarifa vigente, salve a data e calcule com o usage real:

request_cost =
  cache_hit_input / 1_000_000 * cache_hit_rate
+ cache_miss_input / 1_000_000 * cache_miss_rate
+ output_tokens / 1_000_000 * output_rate

cost_per_accepted_task = sum(request_costs) / accepted_tasks

Para programação, os indicadores mais úteis costumam ser aprovação dos testes na primeira tentativa, média de repetições, tokens totais por patch aceito, tempo até os testes ficarem verdes e minutos de retrabalho humano. Preço por milhão é apenas uma variável.

O Artificial Analysis oferece outra perspectiva ao combinar tamanho da avaliação, volume de saída, velocidade e custo estimado. A metodologia não é idêntica a uma fatura de provedor, mas ajuda mais do que comparar somente preços de tabela.

Exemplo de API em Python

O exemplo abaixo usa SDK compatível com OpenAI, a Base URL do BetterToken e o model ID atual. Um orçamento de 4K é suficiente para validar conexão e qualidade básica. Não envie o repositório inteiro apenas para “usar” o contexto de 1M.

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["BETTERTOKEN_API_KEY"],
    base_url="https://www.bettertoken.ai/v1",
)

response = client.chat.completions.create(
    model="deepseek-flash",
    messages=[
        {"role": "user", "content": "Revise esta função Python, descubra por que o teste falha e proponha a menor correção possível. Não refatore código não relacionado."}
    ],
    max_tokens=4096,
    reasoning_effort="low",
)

print(response.choices[0].message.content)

reasoning_effort="low" é um bom padrão para iteração rápida. Compare high ou max em regressões difíceis, dependências entre arquivos ou várias rodadas de ferramentas. Se a versão instalada do SDK não expuser o campo, envie-o em parâmetros adicionais ou siga a documentação atual do gateway.

Cursor, Cline, Aider, OpenCode e outras ferramentas

• Cursor / Cline / Aider / OpenCode: escolha um provedor compatível com OpenAI, informe https://www.bettertoken.ai/v1 como Base URL, use deepseek-flash e armazene a chave em variável de ambiente ou cofre seguro.
• Codex e agentes externos: só funciona quando a ferramenta aceita endpoint OpenAI personalizado. Confira se ela adiciona /v1 automaticamente para não duplicar o caminho.
• Claude Code: usa nativamente o protocolo Anthropic. A Base URL compatível do BetterToken é https://bettertoken.ai, e os campos da requisição são diferentes. Não copie a configuração Python de OpenAI sem adaptação.
• Agentes de longa duração: defina orçamento, timeout, máximo de tentativas e condição de parada. Suporte a ferramentas não justifica permissões ilimitadas.

Depois de configurar, faça três testes pequenos: listar modelos, enviar uma mensagem curta e corrigir um arquivo com teste. Passe para tarefas de repositório somente quando os três funcionarem. Isso separa falhas de autenticação, model ID e protocolo de problemas de qualidade.

Faça um teste reproduzível com suas tarefas

Selecione de 20 a 50 tarefas cujo resultado correto já seja conhecido. Elas devem representar o trabalho real, e não exemplos escolhidos depois de descobrir qual modelo os resolve.

1. Fixe commit, runtime, cache de dependências e permissões.
2. Use o mesmo prompt, timeout e política de repetição em todos os modelos.
3. Avalie low, high e max separadamente.
4. Registre entrada, cache hit/miss, saída visível, repetições e tempo total.
5. Considere sucesso apenas o patch que passe nos testes e em uma revisão humana breve.

Campo	Registro recomendado
Model ID	deepseek-flash
reasoning_effort	low, high ou max
max_tokens	4K / 16K / 32K fixos por classe de tarefa
Critério de aceitação	Testes passam, sem alterações alheias, requisitos atendidos
Uso de tokens	input, cache hit/miss, output, retries
Tempo	primeira resposta, testes verdes, minutos de retrabalho

Execute pelo menos duas rodadas para que cache frio, erro temporário de ferramenta ou oscilação curta do serviço não dominem o resultado. Mostre juntos taxa de sucesso, custo por tarefa aceita e tempo de conclusão.

Como escolher low, high ou max

• low: perguntas diárias, explicações, pequenos patches e automação em volume. Normalmente deve ser o padrão.
• high: depuração complexa, alterações em vários arquivos e tarefas que exigem mais planejamento. Mantenha se o ganho de sucesso pagar o custo extra.
• max: tarefas mais difíceis de agentes, migrações de arquitetura ou trabalho raro de alto valor. Aplique orçamento e timeout explícitos.
• Política de escalada: comece em low; se falhar, preserve logs e testes e tente high; use max apenas quando houver evidência de raciocínio insuficiente, e não ambiente quebrado.

Se uma dependência não instala, o comando de teste está errado, faltam arquivos ou não há permissão de escrita, aumentar o raciocínio geralmente só aumenta a conta.

Conclusão

O valor da família DeepSeek V4 Flash não está em uma única pontuação chamativa, mas na combinação de contexto longo, baixo preço por token e capacidade crescente de engenharia de software. Para novas integrações, concentre-se no V4.1 Flash e em deepseek-flash; trate V4 e 0731 como referências históricas.

A ordem confiável é: verificar release e parâmetros, comparar resultados oficiais em condições equivalentes e então medir no seu repositório a taxa de sucesso, o tempo e o custo por tarefa aceita. Isso informa melhor do que escolher apenas pelo milhão de tokens mais barato ou pelo primeiro lugar em um benchmark.

Perguntas frequentes

Qual é a janela de contexto do DeepSeek V4 Flash?

Os model cards oficiais de V4 Flash, 0731 e V4.1 Flash indicam 1.000.000 de tokens. Um endpoint hospedado pode oferecer menos, e entrada, histórico, resultados de ferramentas e saída reservada compartilham o orçamento.

Que valor usar em max_tokens?

Comece com 4K em tarefas curtas, 16K em mudanças maiores e considere 32K ou mais para repositórios após checar o limite. A API oficial atual do DeepSeek informa saída de até 384K, enquanto o model card V4.1 recomenda max_tokens >= 256K para reproduzir benchmarks localmente. Não são limites universais para todo gateway ou conta.

Qual model ID usar agora?

A API atual do DeepSeek usa deepseek-flash. Um alias antigo pode apontar temporariamente para V4.1, mas produção deve usar o ID vigente e registrar provedor e data.

Benchmarks oficiais preveem o desempenho no Cursor ou Aider?

Não diretamente. Prompt, implementação de ferramentas, estrutura do repositório, rede, permissões, duração de testes e política de repetição também influenciam. Avalie com suas próprias tarefas.

DeepSeek V4.1 Flash é bom para programação?

Os resultados oficiais em Terminal-Bench 2.1, DeepSWE v1.1 e NL2Repo-Bench indicam boa capacidade de engenharia de software. Ele também oferece contexto de 1M e controles de raciocínio. A adequação final depende de sucesso, latência, custo e revisão de código no seu ambiente.

Fontes

• Model card oficial do DeepSeek V4 Flash
• Model card oficial do DeepSeek V4 Flash 0731
• Model card oficial do DeepSeek V4.1 Flash
• Anúncio oficial do DeepSeek V4.1 Flash
• Documentação do DeepSeek sobre thinking mode
• Preços oficiais do DeepSeek
• Artificial Analysis: DeepSeek V4.1 Flash
• Documentação da API BetterToken
• Preços da BetterToken