Não se apresse em All-in DeepSeek V4, primeiro confira a sinceridade desses 10 profissionais do setor

nulo

Texto｜Zhou Xinyu Wang Yuchan

Edição｜Yang Xuan

A análise do relatório técnico do DeepSeek V4 é uma das atividades coletivas mais fervorosas da indústria de IA destes dias.

V4 é forte? Na dimensão de otimização de engenharia, a resposta é indiscutível. No passado, todos acreditavam na “estética da violência das leis de escalonamento” — ou seja, aumentar mais poder de cálculo de alta qualidade e maior escala de parâmetros para melhorar o desempenho do modelo. E o V4 trilha um caminho completamente diferente, ele define uma “estética de moderação no treinamento de modelos”:

Ele não depende de acumular loucamente poder de cálculo e parâmetros, mas sim através de uma série de otimizações combinadas e reconstruções:

Mecanismo de atenção (ensina o modelo a “captar o foco”, como quando uma pessoa lê um artigo longo e automaticamente foca nas frases-chave)

Arquitetura MoE (modelo de especialistas mistos, que pode ser entendido como “diferentes especialistas responsáveis por diferentes tipos de problemas, ativando apenas alguns de cada vez, economizando tempo e esforço”)

Pós-treinamento (reforço direcionado após o treinamento inicial do modelo)

Engenharia do sistema de inferência (otimização da eficiência de cada etapa na operação real)

O resultado dessa abordagem é que o V4-Pro, ao lidar com contextos longos de cerca de um milhão de tokens (aproximadamente dezenas de milhares de palavras), requer apenas 27% do poder de cálculo que a geração anterior, V3.2, precisava, enquanto o cache KV (que funciona como “papel de rascunho” para guardar o contexto da conversa temporariamente) foi comprimido para 10% do original.

Porém, engenharia é engenharia, rankings são rankings.

Ao avaliar um modelo, não queremos apenas olhar para os parâmetros na teoria, mas discutir seu valor em cenários reais de implantação, desenvolvimento e investimento. Para isso, convidamos cerca de 10 desenvolvedores, empreendedores de aplicações e investidores para uma experiência e testes ao longo de três dias.

Começando por uma conclusão contraintuitiva: o impacto do DeepSeek na camada de aplicação talvez seja maior do que na camada de modelo.

Além de admirar a otimização de engenharia extrema, como o próprio DeepSeek admite no relatório técnico do V4: sua trajetória de desenvolvimento fica aproximadamente 3 a 6 meses atrás dos modelos fechados de ponta — o que é como fazer um pacto com o diabo: alongar a capacidade de raciocínio e agentes inteligentes, ao custo de sacrificar um pouco de precisão.

Fabricantes de modelos fechados podem respirar aliviados por enquanto. Para o mundo comercial que valoriza estabilidade e precisão, o V4 claramente não é um modelo pronto para produção.

O principal cientista-chefe da Pine AI, Li Bojie, e o fundador de um importante agente de codificação, Chillin, nos disseram diretamente que a estabilidade na chamada “chamada de ferramentas” (harness, ou seja, o “cinto de segurança” que regula o comportamento do agente para reduzir erros) e a taxa de alucinações precisam ser reforçadas — a implementação do V4 depende de uma “andaime”.

Por outro lado, a direção de evolução do cérebro inteligente costuma influenciar o ecossistema de aplicações downstream. Empreender em IA enfrentará testes mais severos de tecnologia e capital.

“O desempenho do modelo base ainda está evoluindo rapidamente” — esse consenso na indústria também significa que as aplicações podem ser facilmente subvertidas por novos modelos a qualquer momento. Um investidor de fundo de moeda dupla citou vários exemplos de “obras do passado”: “Workflow, Coding…”

Fundada por Chen Weipeng, CEO da empresa de IA “Yueyue”, ele resume: a barreira para aplicações de IA no futuro será organizar o modelo, agente, cenário de produto e feedback de dados em um sistema de produção confiável, de baixo custo e escalável.

Destaque: não apenas capacidade de textos longos e programação, mas alta capacidade com baixo custo

Prévia: vantagem central — código e capacidade de agentes

Em várias avaliações-chave de código e engenharia de software, o V4-Pro mostrou o nível mais alto entre os modelos de código aberto atuais, quase equiparado aos melhores modelos fechados. Os principais dados estão organizados assim:

IA para desenho

🧑‍🏫 Co-fundador e CTO da PingCAP, Huang Dongxu

Estou migrando meu fluxo de trabalho Hermes para o DeepSeek V4. Antes, eu usava bastante Claude Opus e GPT5.4 para agentes, mas percebi que a maioria das tarefas diárias não requer uma capacidade de codificação tão avançada.

Tarefas diárias, incluindo: (a) organização de emails; (b) redação de artigos; (c) gerenciamento de calendário; (d) resumos de conteúdo; (e) navegação na web.

Agora, já troquei totalmente para o DeepSeek V4. O desempenho é melhor do que eu esperava, provavelmente por otimizações específicas para o chinês, com uma capacidade linguística geral que supera Opus e GPT, mais alinhada ao uso de falantes nativos de chinês.

Minha primeira conclusão: se você atualmente usa modelos mais caros como assistentes diários, pode migrar com confiança para o DeepSeek V4 Pro.

Sua capacidade está aproximadamente entre Claude Sonnet 4.5 e 4.6, mas com custo inferior a um quarto dos principais modelos. Agora, não preciso mais me preocupar tanto com o custo do agente.

O artigo do DeepSeek V4 sempre enfatizou um contexto de 1 milhão de tokens, mas na minha opinião isso não é tão relevante, pois os modelos SOTA atuais já suportam pelo menos esse limite, apenas alcançando a paridade.

O verdadeiro diferencial está em:

1. custo realmente muito baixo;

2. ser um modelo open source.

Não preciso me preocupar com o risco de a Anthropic ou OpenAI interromperem o fornecimento, pois já aconteceu antes. Com o DeepSeek V4, tenho maior segurança.

Depois, na capacidade de programação. Como o teste foi curto, ainda não desenvolvi aplicações muito complexas.

Mas, com alguns milhares de linhas de código, ou para aplicações pequenas, ou cenários com chamadas a sistemas externos (como conectar a Supabase ou TiDB Cloud, lendo documentação para integrar uma ferramenta pouco familiar), minha sensação é que o desempenho é satisfatório.

Em escala de algumas milhares a dez mil linhas, a taxa de sucesso do V4 em uma única rodada (fornecendo exemplos e instruções de uma vez, sem ajustes adicionais) ainda é bastante alta.

Portanto, se você faz apenas sites simples ou aplicações pequenas, a capacidade de programação do DeepSeek certamente é muito superior à da geração anterior.

Porque meu framework Harness não é muito complexo, mais dependente da colaboração do próprio modelo (usando Slock.ai).

Resumindo:

1. consegue colaborar com agentes usando outros modelos;

2. realiza tarefas simples ou específicas.

Assim, se modelos mais avançados (como GPT5.5) orientarem o V4 Pro, e ele for responsável pela execução, esse modo pode reduzir bastante o custo de engenharia do Harness.

🧑‍🏫 Vice-presidente do Centro de Tecnologia e Produto Zero One Wanwu

DeepSeek V4 não é “o mais completo”, mas é “o mais confiável” — compromisso firme com open source, relatório técnico completo, custo de inferência extremamente baixo, toda a pilha tecnológica nacional, tornando-o a melhor escolha de modelo básico para o mercado B2B.

O que mais me impressiona no V4 são duas coisas.

Primeiro, a inovação na arquitetura de baixo nível. Manter alta qualidade de inferência com janela de contexto de 1 milhão de tokens, graças à inovação na atenção híbrida. Essa mecânica pode ser entendida como: “leitura grosseira” para captar o significado geral, “leitura detalhada” para entender os detalhes.

Especialmente na compressão de contexto, a pesquisa é avançada, e o DeepSeek divulgou detalhes sem reservas no relatório técnico. Essa transparência e espírito open source são extremamente valiosos na indústria competitiva de grandes modelos.

Segundo, a adaptação completa ao stack de computação nacional. DeepSeek conseguiu adaptar-se ao Ascend 910B/950 da Huawei, com trabalho detalhado em quantização, mecanismos de esparsidade, otimizações específicas de domínio.

Isso significa que, desde o chip até o software de baixo nível, treinamento e inferência, a solução nacional está avançando na direção certa. Ainda que não completamente livre da dependência do ecossistema Nvidia, já aponta para o caminho correto. A dificuldade e o significado dessa conquista não podem ser subestimados.

🧑‍🏫 Cientista-chefe da Pine AI, Li Bojie

O mais impressionante é que o DeepSeek conseguiu fazer rodar, na escala de 1.6T (1,6 trilhão de parâmetros), uma série de inovações arquitetônicas como MoE, CSA+HCA, mHC, Muon, FP4QAT — uma longa lista de inovações.

É como juntar várias tecnologias avançadas, muitas delas que falham em pequenas escalas, em um motor gigante que funciona de forma estável. Testamos mais de 20 arquiteturas diferentes, e quase todas só funcionam em 7 bilhões de parâmetros, caindo ou tendo efeito reverso ao escalar.

A maioria das inovações de outros modelos também trava nesse ponto. Conseguir fazer várias delas funcionarem juntas na maior escala mostra que o DeepSeek tem uma base técnica profunda, com uma experiência de treinamento avançada. Uma tecnologia, “mHC”, por exemplo, amplificou o sinal de 27B em quase 3000 vezes na nossa experiência, e a compressão foi reduzida para cerca de 1,6 vezes, tornando o treinamento mais estável e controlável.

🧑‍🏫 Vice-presidente da Lenovo, Diretor de Investimentos da Lenovo Venture Capital, Sócio Sênior Song Chunyu

DeepSeek prova que “custo-benefício de IA” pode se tornar uma vantagem estrutural proativa.

27% de uso de memória, apenas 10% de consumo de memória. Mesmo com 1,6T de parâmetros, ativando apenas 49B por vez, a eficiência é altíssima.

Essa redução de custos, combinada com a API do V4-Flash a 1 yuan por milhão de tokens, faz do “contexto ultra longo acessível ao público” um novo padrão para aplicações de IA.

🧑‍🏫 Fundador e CEO da Yongyue, Chen Weipeng

O que mais me anima no V4 não é apenas a melhora pontual, mas o fato de que o modelo nacional já entrou na fase de “participar da competição de sistemas Agent em cenários complexos”.

Antes, o foco era se o modelo respondia, raciocinava ou escrevia código; hoje, o mais importante é se o modelo consegue completar tarefas complexas de forma estável, com baixo custo e alta eficiência, integrando-se a sistemas reais de produto.

Lamentavelmente: para uma implementação real, o V4 ainda precisa de alguns “andaimes”.

Prévia: desvantagens — conhecimento factual e raciocínio extremo

A equipe oficial do DeepSeek e plataformas de avaliação apontaram algumas fraquezas evidentes do V4-Pro. Para maior clareza, organizamos os principais pontos fracos na tabela abaixo:

IA para desenho.

🧑‍🏫 Cientista-chefe da Pine AI, Li Bojie

Minha principal utilização é em tarefas de código e agentes. Nesse tipo de trabalho:

A capacidade de chamada de ferramentas e o conhecimento geral do mundo do V4-Pro estão aproximadamente no nível de uma versão intermediária de modelos de ponta (equivalente a Claude 4.6 Sonnet);

Porém, a estabilidade na chamada de ferramentas e a taxa de alucinações ainda são pontos críticos — esses aspectos precisam ser reforçados na camada de harness (como validações, retries automáticos, uso de bancos de dados externos para “grounding”, regras de uso de ferramentas bem definidas), caso contrário, em tarefas de cadeia longa, erros se amplificam;

Se esses dois problemas forem resolvidos na camada de harness, o custo de inferência geral pode ser reduzido várias vezes em relação aos modelos de ponta. Essa é a verdadeira alavanca.

Outra linha de desenvolvimento é o V4-Flash, que funciona muito bem como um “microajuste vertical”. O que é microajuste vertical? É usar dados especializados de um setor específico para “reforçar” o modelo, tornando-o um especialista na área.

Modelos de mais de 1,6 trilhão de parâmetros para pós-treinamento (SFT/RL) são muito caros, a maioria das empresas não consegue arcar; modelos entre 200 e 300 bilhões de parâmetros são o padrão de mercado para pós-treinamento. Nosso experimento com o modelo de 235B (235 bilhões de parâmetros) mostrou que o efeito do pós-treinamento é inferior ao do V4-Flash na mesma escala.

O Flash já alcançou o desempenho do modelo de código aberto de última geração de trilhões de parâmetros, superando o V3.2 de 600B+ e versões antigas como Kimi. O Flash será a base preferencial para microajustes de negócios.

🧑‍🏫 Fundador de Coding Agent, Chillin

Nossa avaliação interna é que, na aplicação de Coding Agent, o V4-Plus está no nível de Claude de mais de um ano atrás.

O problema pode estar em dois aspectos: tamanho do parâmetro e dados. Ainda há uma diferença significativa entre o DeepSeek e a Anthropic.

Para uma implementação real, o V4 ainda precisa de alguns “andaimes” específicos, como SWE-Agent (agente de engenharia de software), OpenHands (um agente de codificação open source), Claude Code, OpenClaw. Esses requerem configuração adicional por parte do desenvolvedor.

🧑‍🏫 Fundador e CEO da Yongyue, Chen Weipeng

Com base no uso do Loopit (produto de conteúdo interativo de IA da Yongyue, focado em codificação), é possível observar que, na prática, o V4 ainda apresenta alguma diferença em estabilidade e taxa de sucesso na execução de tarefas longas e complexas, em comparação com os principais modelos fechados internacionais.

A capacidade dos principais modelos nacionais está se aproximando. Isso indica que a competição de modelos está entrando em uma nova fase: na era dos agentes, a habilidade de entender contextos longos, adaptar-se a estruturas complexas, completar tarefas longas de forma estável e com custos aceitáveis será igualmente importante.

A verdadeira diferença não está apenas no modelo em si, mas na integração de modelo, pós-treinamento, framework de agentes, sistema de avaliação e eficiência de engenharia.

🧑‍🏫 Vice-presidente da Lenovo, Diretor de Investimentos da Lenovo Venture Capital, Sócio Sênior Song Chunyu

O lançamento do V4 não incluiu uma versão multimodal nativa (que processa texto, imagens, som, etc.), o que é uma pena no cenário atual.

Porém, considerando sua estratégia de total adoção de computação nacional, provavelmente essa decisão foi para concentrar recursos na resolução do núcleo de hardware de IA.

🧑‍🏫 Vice-presidente do Centro de Tecnologia e Produto Zero One Wanwu, Zhao Binqiang

Chamar de “abaixo das expectativas” é um pouco rigoroso.

Mas, do ponto de vista do mercado consumidor (ToC), o produto ainda não está suficientemente amadurecido — a versão Flash, que envolve tarefas criativas e de programação, ainda é limitada; a versão Pro, embora próxima do topo de modelos fechados, exige alto poder de cálculo inicial, criando uma barreira de entrada.

Impacto: IA não fica cada vez mais barata de forma simples

🧑‍🏫 Fundador e CEO da Yongyue, Chen Weipeng

Uma tendência importante é que a IA não está simplesmente ficando mais barata.

Os custos de chamada dos modelos mais avançados no mundo estão na verdade aumentando, pois eles suportam tarefas mais complexas, contextos mais longos e maior valor agregado. O que está realmente ficando mais barato são os modelos intermediários, open source e de implantação própria.

Portanto, no futuro, as empresas de aplicação não vão mais perguntar “qual modelo é o mais forte”, mas sim montar um sistema de orquestração de modelos: quais tarefas precisam do modelo mais potente, quais podem usar modelos de bom custo-benefício, e onde o framework de agentes e engenharia pode complementar.

O significado do V4 do DeepSeek é que ele enriquece ainda mais a oferta de modelos.

Para as empresas, ele não é apenas uma substituição de um modelo estrangeiro, mas uma ferramenta que permite uma orquestração mais flexível, implantação própria e otimização de custos.

O futuro das aplicações de IA não será apenas uma chamada a um modelo, mas a organização de modelos, agentes, cenários de produto e feedback de dados em um sistema de produção confiável, de baixo custo e escalável.

Para o Loopit, essa tendência é fundamental. Nosso foco é conteúdo interativo de IA, onde a capacidade do modelo define o limite da criatividade, e o custo e velocidade determinam se a produção pode ser escalada.

Somente quando diferentes camadas de modelos estiverem suficientemente disponíveis e bem orquestradas, a criatividade de usuários comuns poderá ser gerada, interagida e disseminada em tempo real. O avanço do V4 do DeepSeek acelerará esse processo.

🧑‍🏫 Cientista-chefe da Pine AI, Li Bojie

No mercado de microajuste vertical, modelos de base de 200-300B, como Qianwen, Llama, estão sendo substituídos sistematicamente pelo sistema V4-Flash.

Todos os times que treinarem modelos nessa escala irão reavaliar; o efeito do Flash na mesma escala supera os anteriores, com frameworks de inferência compatíveis (SGLang/vLLM/TileLang), e em 6 meses deve se tornar o padrão de referência para modelos verticais open source nacionais.

O ecossistema de inferência do Huawei Ascend 950 SuperNode está oficialmente em fase inicial, desafiando o valor premium dos chips Nvidia.

Este é o primeiro projeto completo de “chip nacional + modelo open source nacional de ponta” (sem uma adaptação inicial do V4 por Nvidia/AMD), e após a grande escala de produção do 950 no segundo semestre, uma onda de substituição de inferência totalmente local deve ocorrer em cenários de longo contexto de agentes.

Essa mudança impacta indiretamente na reavaliação do valor da Nvidia no mercado chinês — não por queda de vendas, mas por redução do poder de barganha.

O custo total de uso de agentes capazes de realizar tarefas complexas de longo prazo caiu drasticamente.

O custo por token do V4-Pro, com cache não atingido, já foi reduzido para cerca de 1,74 dólares na entrada e 3,48 dólares na saída, com KV de 1 milhão de tokens e MegaMoE, chegando a 1/6 a 1/7 do custo de modelos de ponta.

Desde que a camada de harness do setor melhore a estabilidade na chamada de ferramentas e reduza a alucinação (com validadores, grounding externo, schemas rigorosos, votação de consistência), aplicações de múltiplas etapas, agentes de código longo e buscas profundas que antes eram inviáveis por custo poderão sair do demo e entrar na produção real ainda neste semestre. O ponto de inflexão da economia de agentes está nesta onda.

Além disso, fabricantes fechados de ponta não vão reduzir preços — seus produtos continuam líderes, e o V4 não ameaça essa liderança de preço.

🧑‍🏫 Vice-presidente do Centro de Tecnologia e Produto Zero One Wanwu, Zhao Binqiang

A proposta central para aplicações empresariais de IA é: garantir o efeito desejado com controle de custos ao longo de todo o ciclo. A chegada do V4 do DeepSeek oferece uma solução altamente competitiva.

O sistema Flash cobre tarefas simples, o Pro cobre cenários de alta complexidade, e o custo total é significativamente menor do que as soluções fechadas líderes, permitindo que a Zero One Wanwu entregue soluções com melhor relação custo-benefício.

Mais importante, o compromisso do DeepSeek com open source é firme e inabalável, sem surpresas de fechamento repentino que desvalorize o investimento. Essa postura sólida fornece uma grande segurança para a escolha tecnológica empresarial.

A Zero One Wanwu já iniciou avaliações e validações de capacidades baseadas no DeepSeek V4, focando em desempenho em agendamento de produção, escritório inteligente, gestão de investimentos e outros cenários empresariais críticos. Após validação, considerará substituir modelos atuais, levando mais setores a usar grandes modelos nacionais de ponta.

Após o lançamento do V4, acredito que o setor passará por três mudanças principais:

1. Soluções completas de tecnologia nacional avançam, e a substituição local passa de “sonho” para “realidade”

A adaptação bem-sucedida do DeepSeek ao Huawei Ascend demonstra que a indústria de IA doméstica está avançando na direção de uma cadeia tecnológica completa — chips, frameworks, modelos e aplicações.

Para clientes governamentais e corporativos com requisitos de conformidade, isso é uma necessidade real. A substituição local no mercado B2B acelerará claramente.

2. Modelos open source forçam modelos fechados a baixar preços, reduzindo a dependência de modelos fechados na aplicação

DeepSeek, com preço muito inferior ao de modelos fechados de ponta, alcança desempenho próximo ao deles, e seu efeito de demonstração elevará o padrão de desempenho de modelos open source.

Isso pressionará fabricantes como Anthropic e OpenAI a ajustarem suas estratégias de preço. O foco do setor migrará de modelos básicos para aplicações específicas de setor, beneficiando o desenvolvimento de IA a longo prazo.

3. Modelos open source ≠ aplicação empresarial, a capacidade de harness será o novo divisor de águas

A redução da barreira de entrada com open source não garante adoção empresarial — a capacidade de harness, que inclui eliminação de alucinações, conformidade com instruções, validações, injeção de especialização, é o que determina o sucesso.

Cada setor tem suas necessidades específicas, e nenhuma harness universal serve para tudo. Essa é a vantagem central da Zero One Wanwu: com avaliação automática, feedback, melhorias automáticas e injeção de especialização, constrói rapidamente sistemas de harness específicos para cada setor, fazendo os grandes modelos realmente serem utilizados nos negócios.

🧑‍🏫 Vice-presidente da Lenovo, Diretor de Investimentos da Lenovo Venture Capital, Sócio Sênior Song Chunyu

Primeiro, o contexto de um milhão de tokens se torna padrão na aplicação, impulsionando a explosão de agentes: o V4 leva a capacidade de contexto ultra longo para uma infraestrutura acessível.

Segundo, a competição setorial muda de “competição de modelos” para “competição de aplicações e dados”: quando modelos open source de ponta se aproximam do desempenho de modelos fechados, e os custos caem bastante, o foco de investimento e competição será quem consegue usar esses modelos para criar ciclos de dados e aplicações em setores de alto valor como saúde, finanças e direito, formando uma barreira de mercado.

Terceiro, a cadeia de valor de computação nacional ganha uma oportunidade de investimento gigante: o sucesso do V4 prova que grandes modelos também podem brilhar na computação doméstica. Isso deve gerar uma demanda concreta por hardware nacional, impulsionando investimentos em chips, servidores e cloud.

Acreditamos que “a computação nacional de hoje é o que era a estrangeira no ano passado”, e essa tendência será forte na economia e no mercado de capitais.

Vamos concentrar recursos em projetos que possam se transformar rapidamente em negócios, tenham impacto setorial e possam criar barreiras de produto, enquanto mantemos investimentos de longo prazo em infraestrutura e hardware.

🧑‍🏫 Investidor de fundo de moeda dupla

Meu desejo este ano é que o portfólio de modelos baseados em modelos de base (portfólio de modelos) seja bem-sucedido na abertura de capital.

Após o início do financiamento do DeepSeek, certamente ele atrairá uma grande quantidade de capital do mercado primário (especialmente de fundos estatais). Para as empresas de modelos de base que ainda não abriram capital, continuar a rodar rodadas de financiamento não é sustentável.

Tenho uma visão mais pessimista: este ano, o financiamento na camada de aplicação será difícil.

A capacidade de modelos ainda está evoluindo rapidamente, o que significa que muitas aplicações podem ser subvertidas por novos modelos. Como no ano passado, com Coding e Workflow, o mercado primário já não fala mais tanto nisso.

🧑‍🏫 Fundador de Coding Agent, Chillin

Open source é uma coisa boa, e o DeepSeek V4 pode impulsionar ainda mais a troca de ideias e melhorias. Mas o tempo de maturação ainda é longo, o que causa uma certa frustração.

O V4 vai forçar os fabricantes de modelos a enfrentarem de forma mais direta os problemas de escala e dados, que são extremamente difíceis de resolver — são questões de capital.

Também reforça os limites das Scaling Laws. Melhorar desempenho por engenharia é limitado, e todos terão que buscar soluções mais profundas. O caminho é longo e difícil.

Bônus: Guia prático do DeepSeek V4

Para que serve?

Programação e aprendizado de código: se você é iniciante ou precisa criar scripts pessoais, o DeepSeek V4 é uma das melhores opções atuais. Consegue entender contextos, gerar códigos de alta qualidade e fazer debugging com alta confiabilidade.

Criação de conteúdo em chinês e CJK (chinês, japonês, coreano): seja escrevendo artigos, revisando textos ou traduzindo, o V4 tem desempenho excelente nesses idiomas.

Leitura e análise de textos longos: suporta até 1 milhão de tokens de contexto. Você pode passar um livro inteiro, relatórios extensos ou grandes códigos de uma só vez, e ele ajuda a resumir ou extrair informações-chave.

Para que não serve?

Busca e verificação de fatos objetivos: o V4 é um “modelo de raciocínio”, não uma “enciclopédia”. Sua memória de fatos (como detalhes históricos ou informações específicas de entidades) é fraca, e tende a gerar alucinações. Especialmente na versão V4-Flash, que pontuou apenas 34,1% em testes de perguntas factuais. Recomendo não usá-lo como buscador ou para checar fatos — utilize outros AI com busca integrada ou verifique manualmente.

Processamento de imagens ou formatação de documentos: o DeepSeek V4 é um modelo de texto puro, sem suporte a entrada ou saída de imagens (No Vision). Para análise de gráficos ou fotos, use modelos multimodais como GPT-5.4 Mini.

Escrita criativa avançada em inglês: embora possa escrever em inglês, às vezes o estilo fica artificial (stilted). Para conteúdos altamente naturais, autênticos ou criativos em inglês, prefira outros modelos ocidentais.

Outras notas importantes:

Permitir espaço para reflexão: se usar a versão Pro com cadeia de raciocínio explícito (CoT), ao enfrentar problemas difíceis, incentive o modelo a “pensar mais passos” ou ativar o modo “Think Max”. Quanto mais profundo o raciocínio, mais preciso será o resultado.

Tolerar alguma redundância: avaliações indicam que o V4 é relativamente “verbose” e mais lento. Para respostas curtas, peça explicitamente “responda em uma frase” ou “seja breve”.

Participe da troca!

Participe da troca!