DeepSeek lança V4.1 Flash e supera Kimi K3 em benchmark de IA
DeepSeek apresentou o modelo V4.1 Flash, que usa arquitetura Causal‑Encoder‑Decoder e supera concorrentes como Kimi K3 no Terminal‑Bench 2.1.
Em resumo
- DeepSeek lançou o modelo V4.1 Flash, que usa arquitetura Causal‑Encoder‑Decoder e design Mixture‑of‑Experts
- O modelo ativa apenas 8 bilhões de parâmetros para entrada e 16 bilhões para resposta, reduzindo o consumo de computação
- No Terminal‑Bench 2.1, V4.1 Flash marcou 90,6, superando GPT‑5.6 Sol, Kimi K3 e o próprio V4 Pro
DeepSeek, desenvolvedor chinês de IA, anunciou nesta quinta‑feira o modelo V4.1 Flash, o menor da nova série, que utiliza a arquitetura “Causal‑Encoder‑Decoder” e um design Mixture‑of‑Experts (MoE).
Em testes do benchmark Terminal‑Bench 2.1, o V4.1 Flash alcançou 90,6 pontos, ficando à frente do GPT‑5.6 Sol da OpenAI (88,8), do Kimi K3 da Moonshot AI (88,3) e do próprio V4 Pro (87,9).
O que aconteceu
O modelo foi construído sobre uma estrutura de 552 bilhões de parâmetros, mas, graças ao MoE, apenas 8 bilhões de parâmetros são ativados para processar a entrada e 16 bilhões para gerar a resposta, reduzindo drasticamente a potência computacional necessária por solicitação.
Além de ser o menor da série, o V4.1 Flash inclui compreensão visual multimodal nativa e superou o V4 Pro em avaliações de codificação, cibersegurança e tarefas de agentes autônomos.
No mesmo benchmark, a pontuação de 90,6 colocou o Flash à frente dos concorrentes citados, demonstrando vantagem tanto em desempenho quanto em eficiência.
“Além de ser o menor da série, o V4.1 Flash inclui compreensão visual multimodal nativa e superou o V4 Pro em avaliações de codificação, cibersegurança e tarefas de agentes autônomos.”
Por que importa
Com o aumento dos custos de hardware e restrições à exportação de chips, desenvolvedores chineses buscam modelos que entreguem raciocínio avançado a custos operacionais de frações de centavo. O V4.1 Flash, ao reduzir o número de parâmetros ativos, oferece essa combinação de alta capacidade e baixo consumo, podendo ampliar o acesso a aplicações exigentes sem elevar os gastos.
Essa eficiência pode influenciar a competição global de IA, já que modelos mais baratos e ainda poderosos permitem que empresas e usuários adotem soluções avançadas mesmo em ambientes com recursos computacionais limitados.
Em números
- O modelo foi construído sobre uma estrutura de552 bilhões de parâmetros
- mas, graças ao MoE, apenas8 bilhões de parâmetros
- são ativados para processar a entrada e16 bilhões
Trilha desta cobertura