DeepSeek V4.1-Flash-1017: token, busca e o custo real por tarefa

A conta por tarefa ganhou uma linha que o cache não desconta

A DeepSeek publicou em 17 de outubro o V4.1-Flash-1017, com pesos MIT e as APIs de Search e Fetch a US$ 0,75 por 1.000 requisições bem-sucedidas por endpoint (anúncio oficial, consultado em 2026-10-20). A tarifa vale de 31 de outubro, às 16h UTC. Até lá, só quem chama Search e Fetch por server-side tools não vê a segunda linha no extrato.

O corte cai num sábado, às 13h em Brasília. É o tipo de data que passa despercebida: quem opera agente de código em produção não está lendo extrato no fim de semana, e a fatura de novembro chega com uma linha que ninguém orçou. A DeepSeek não lançou o modelo como o mais barato do mercado. Lançou como melhora simultânea de desempenho e custo, e colocou a busca própria dentro da mesma fatura.

A pergunta que interessa ao CTO não é quanto custa o token. É quanto custa a tarefa. E quantas linhas ela tem.

O que a DeepSeek publicou em 17 de outubro

O anúncio descreve o 1017 como melhora simultânea de desempenho e custo sobre o V4.1-Flash de setembro: pesos abertos em licença MIT, 1M de tokens de contexto, saída recomendada de pelo menos 256K e as APIs de Search (busca) e Fetch (extração de página) do motor de busca da própria DeepSeek.

Os pesos estão no repositório deepseek-ai/DeepSeek-V4.1-Flash-1017 no Hugging Face, com o campo license: mit, e o release está espelhado no ModelScope. O repositório traz inferência de referência: conversão de checkpoint, torchrun com tensor parallel 8 e dtype fp4 para os experts. Serve para rodar em hardware próprio, e está longe de ser receita de produção.

A janela de contexto recomendada é de 1M de tokens. Para saída, o model card recomenda max_tokens de pelo menos 256K, e a palavra importa: é piso, não teto.

Na API, o nome é deepseek-flash, e ele já é servido pelo 1017 sem mudança na chamada. Os nomes anteriores, deepseek-v4-flash e deepseek-v4-flash-vision-exp, continuam aceitos, roteados para o 1017 e cobrados como Flash. Para o Harness, o anúncio recomenda a versão v0.2.1-rc.1 ou superior. A rc.2 saiu no mesmo dia, às 08:16 UTC, 2h54 depois, e é a que adiciona suporte ao 1017 e às APIs de Search e Fetch.

O bloco de benchmarks é do fornecedor, e o harness viaja com o número

No DeepSWE v1.1, o 1017 marca 77,0 contra 74,2 do V4.1-Flash de setembro, 74,0 do Opus 5, 73,0 do GPT-5.6 Sol e 67,5 do K3, todos rodando no Mini-SWE-V2 declarado pelo card. No Terminal-Bench 4.0, com harness Claude Code, o 1017 marca 42,3 e o Opus 5, 51,8. No NL2Repo-Bench, 68,2 contra 75,3 do Opus 5, as duas comparações do card em que o 1017 perde. No Automation-Bench v1.0.6, 60,5.

A ressalva não é formalidade. O relatório técnico do V4.1-Flash informa que o treino por RL com self-feedback rodou em scaffolds heterogêneos, incluindo Claude Code, Pi e o próprio DeepSeek Harness em dois modos. Modelo treinado dentro de harness e medido dentro de harness carrega o harness no número: comparar com outro modelo exige que esse outro tenha sido medido com a mesma configuração de passos e de orçamento de tokens, e o card não afirma isso.

Por que isso muda a conta por tarefa

Porque a unidade de cobrança deixa de ser só token. Com Search e Fetch no mesmo provedor, uma tarefa de agente passa a ter duas linhas com dinâmicas opostas: token cai com cache e saída mais curta, chamada de ferramenta é preço fixo por requisição. Na tarefa modelada nesta análise, as 14 requisições somam 36% da conta. O motor de busca pesa antes de o modelo entrar na conta, como a comparação de busca web por motor e profundidade já mostrava.

A conta de token tem três comportamentos que a tarifa não compartilha. Entrada em cache custa 2% do preço cheio, com o desconto de 98% que a Artificial Analysis registra para este modelo. Saída é cobrada por token gerado. Chamada de ferramenta não tem cache. Não recebe desconto por volume e o preço por requisição não cai quando o modelo fica mais eficiente: custa US$ 0,75 por 1.000 requisições bem-sucedidas, por endpoint, e o parâmetro count não altera o preço.

Com o número de chamadas por tarefa constante, todo ganho de eficiência do modelo empurra a conta de token para baixo e deixa a linha de ferramenta parada no mesmo lugar. A condição não é retórica: parte do ganho de um modelo agêntico aparece justamente como menos chamadas por tarefa, com menos rodadas de busca, menos reformulação e menos retry, e aí a linha de ferramenta cai junto. O que decide a fatia da ferramenta é chamadas por tarefa, não a qualidade do modelo. Com 14 chamadas fixas, o ganho anunciado age sobre os 64% que vêm de token, a maior e a única parte da conta com desconto de cache, e não toca nos 36% que vêm de ferramenta. O card do 1017 não publica chamadas por tarefa nem taxa de sucesso de tool calling, então a contagem de 14 é premissa, não medição.

A âncora externa para custo por tarefa é a Artificial Analysis, leitura de 2026-10-20: Intelligence Index 45, segunda posição entre 121 modelos, 216,5 tokens de saída por segundo, US$ 0,30 por 1M de entrada e US$ 1,20 por 1M de saída, e custo médio de US$ 0,26 por tarefa do próprio índice.

Esse US$ 0,26 não é o número desta análise, e confundir os dois é o erro mais fácil de cometer. Ele é calculado só sobre token, sem tarifa de ferramenta, e por isso subestima exatamente a linha que esta análise diz que ninguém orça: o único número independente de custo por tarefa disponível no mercado não enxerga a segunda linha. Ele também mede a tarefa média do Intelligence Index, com outro comprimento e outra densidade de ferramenta, e serve como ordem de grandeza do que um terceiro mediu. A metodologia de custo por tarefa na decisão de rota já separava esses dois usos do número.

A posição desta análise é direta: orçar agente por token não é estimativa conservadora, é subestimação estrutural, e o erro cresce nos fluxos que mais dependem de busca. Quem já mediu o custo real de uma aplicação de IA além do preço por token reconhece o padrão: a linha que decide não está na tabela do provedor.

A conta, linha por linha

A conta tem três premissas nomeadas e uma tabela. Com o preço de token da Artificial Analysis e a tarifa oficial de ferramenta, a tarefa de referência custa US$ 0,0291 depois de 31 de outubro e US$ 0,0186 na janela gratuita. A alta de 56% não vem de token.

A isenção que produz esse antes e depois tem escopo, e o escopo decide quem vê a diferença. Ela cobre chamadas de Search e Fetch feitas por server-side tools no DeepSeek Harness, no Claude Code e no Codex até 31 de outubro, às 16h UTC. Quem chama as APIs de Search e Fetch direto já paga US$ 0,75 por requisição bem-sucedida hoje, e para esse fluxo não há janela: a conta começa em US$ 0,0291.

As três têm nome para poderem ser trocadas.

P1, forma da tarefa. 8 turnos, 120 mil tokens de entrada acumulados, 90% de cache hit, 12 mil tokens de saída e 14 chamadas de ferramenta, sendo 8 de Search e 6 de Fetch. É modelagem, não medição de cliente.

P2, preço de token. US$ 0,30 por 1M de entrada e US$ 1,20 por 1M de saída, com desconto de cache de 98%, o que dá US$ 0,006 por 1M de entrada em cache hit. Fonte: Artificial Analysis, leitura de 2026-10-20.

P3, preço de ferramenta. US$ 0,75 por 1.000 requisições bem-sucedidas, cada endpoint. Fonte: anúncio oficial e guia de Search, consultados em 2026-10-20. Requisição com erro, resultado vazio ou timeout não é cobrada.

A diferença entre as duas últimas linhas é o antes e o depois de 31 de outubro, e ela vale para quem usa Search e Fetch por server-side tools no Harness, no Claude Code ou no Codex. Esse agente, com o mesmo código e o mesmo volume, passa de US$ 0,0186 para US$ 0,0291 por tarefa, alta de 56%. A 100 mil tarefas por mês, a linha nova soma US$ 1.050.

A linha de ferramenta da tabela é um piso, e não o custo da ferramenta. Cada resultado de Search ou Fetch volta para o contexto e é cobrado como token de entrada novo, sem cache, e a conta acima trata a chamada como US$ 0,00075 e ignora o que ela traz de volta. Com uma premissa explícita de 40 mil tokens de retorno distribuídos nas 14 chamadas, o retorno custa 0,040M × US$ 0,30, ou US$ 0,012, mais que a própria tarifa de US$ 0,0105, e o total vai a US$ 0,0411, 41% acima do número de capa. Não é preciso fixar o tamanho do retorno para fechar o argumento: a linha tem um terceiro componente, o token ingerido, e por isso os 36% de participação são piso, não teto.

A unidade que um comprador usa também não é a tentativa, é a tarefa resolvida. Com taxa de sucesso de 70%, premissa nomeada e ilustrativa porque o card publica DeepSWE, Terminal-Bench e NL2Repo em outra distribuição de tarefa, o custo por tarefa bem-sucedida sai de US$ 0,0291 para US$ 0,0416, e a tarifa de ferramenta é paga também nas tentativas que falham. Dividir os dois lados pela mesma taxa não move o cruzamento do self-host, o que é contraintuitivo e vale registrar: se as duas rotas falham na mesma proporção, a razão entre elas fica igual. O cruzamento muda quando a taxa difere entre as rotas, e a diferença não é neutra: um nó sem alta disponibilidade e sem plantão tem taxa de sucesso menor, e cada falha extra reduz a tarefa resolvida por hora.

Nas duas linhas de self-host, a coluna traz o custo total da rota, com a tarifa incluída quando a busca continua na API, e não o custo operacional do nó: são números de nó saturado, sem ociosidade, sem redundância e sem plantão. A 1.200 tarefas por hora, o melhor caso da tabela, o self-host ganha da API por 7%. A última linha não é uma rota e não deveria ser lida como uma: ela marca o ponto em que o custo do nó empata com o custo total da API, que é onde a decisão de migrar começa a existir.

Três premissas mexem no resultado mais do que as outras.

Se o cache hit cair de 90% para zero, a entrada passa a custar US$ 0,036 e o total vai a US$ 0,0609, pouco mais que o dobro. O cache hit é a premissa mais frágil da conta: depende de o agente reaproveitar contexto entre turnos, e fluxo que reescreve o prompt a cada passo não reaproveita.

Duas coisas ficam fora da P2 e empurram o custo para cima. Se o provedor cobra prêmio para gravar o cache, o primeiro turno de cada prefixo custa mais que o preço cheio de entrada; e o cache tem TTL, que esta análise não modela. Com 8 turnos e pausas longas entre eles, parte do prefixo pode expirar e voltar a preço cheio. O preço de leitura em cache também é leitura de terceiro: os US$ 0,006 por 1M vêm da Artificial Analysis, não de tabela oficial da DeepSeek confirmada até 2026-10-20.

Se a saída dobrar para 24 mil tokens, o total vai a US$ 0,0435. Se as chamadas de ferramenta dobrarem para 28, o total vai a US$ 0,0396. Tarefa sem chamada de ferramenta custa US$ 0,0186, o mesmo número da janela gratuita de Search e Fetch. A tarifa nova não muda a conta de quem não usa busca, e a maior parte dos fluxos de código usa.

Quando o self-host fecha a conta

A conta do nó próprio só fecha com a tarifa de busca somada, porque a API não deixa de cobrar a ferramenta quando o modelo sai dela. Ignorar essa parcela dá 687 tarefas por hora. Somando os US$ 0,0105 de Search e Fetch, a US$ 20 por hora de nó, o cruzamento fica em cerca de 1.073 tarefas por hora.

A fórmula tem duas parcelas, e a segunda é a que costuma desaparecer da conta. Custo por tarefa no nó próprio é o custo do nó por hora dividido pelas tarefas que ele entrega por hora, mais a tarifa de Search e Fetch quando a busca continua na API da DeepSeek. O equilíbrio contra os US$ 0,0291 da API aparece quando sobram US$ 0,018648 para o nó depois de pagar US$ 0,0105 de tarifa, e a US$ 20 por hora isso exige 1.072,5 tarefas por hora.

A comparação que ignora a tarifa encontra um ponto em que o nó, sozinho, custa o mesmo que a API inteira. Isso não é o ponto em que o self-host empata com a API, porque a busca continua sendo cobrada nos dois lados. A barra sobe 56%. Se o self-host também substituir a busca, entra o custo de uma pilha de busca própria, hoje zero nesta conta, e o cruzamento sobe mais.

Os US$ 20 por hora são de um nó de 8 GPUs, e a premissa vem do repositório: a inferência de referência roda torchrun com tensor parallel 8, o que espalha o modelo por oito aceleradores. É preço de nó em faixa agressiva, plausível para essa classe de hardware, e não preço de GPU-hora. Se o leitor ler os US$ 20 como preço de GPU-hora, o nó de 8 GPUs custa US$ 160 por hora e o cruzamento sai da casa do milhar baixo para a do milhar alto: 8,6 mil tarefas por hora quando a tarifa entra na conta, 5,5 mil na leitura generosa que a ignora. É o mesmo cálculo em unidades diferentes, e esta análise fixa a dela. Nó de 8 GPUs a US$ 20 por hora, com o preço como variável do leitor.

Sustentar 1.072,5 tarefas por hora, 24 horas por dia, é o problema. A 12 mil tokens de saída por tarefa, um fluxo saturado entrega cerca de 65 tarefas por hora, então o equilíbrio pede uns 17 fluxos em paralelo, sem pausa para prefill, sem espera de ferramenta e sem vale de madrugada.

Os 216,5 tokens por segundo da Artificial Analysis são de fluxo único, e tok/s de fluxo único não é capacidade em nenhuma direção. Sob batching contínuo, a taxa por fluxo cai e a taxa agregada do nó pode ser várias vezes maior, de modo que 17 fluxos nunca chegam a 216,5 tokens por segundo cada um no mesmo nó. Capacidade se mede com varredura de concorrência, olhando throughput agregado e p95 de TTFT na concorrência alvo, e nenhuma das fontes consultadas publica essa varredura. Latência é o outro lado que a tabela de preço não mostra: uma API grande absorve fila e gerencia cache de prefixo, enquanto um nó próprio saturado com 17 fluxos concorrentes não tem essa folga.

Carga real chega em pico, espera retorno de busca e fica ociosa à noite, e cada folga dessas empurra as tarefas por hora para baixo do que o hardware entregaria em teoria. A 300 tarefas por hora, o nó entrega US$ 0,0667 e a conta fecha em US$ 0,0772 com a tarifa, duas vezes e meia os US$ 0,0291 da API, e o nó passou a ser a opção cara.

Falta a operação, que a GPU não cobre. Um nó único não tem alta disponibilidade, e disponibilidade real pede dois, o que dobra o custo por tarefa ou corta o equilíbrio pela metade. Somam-se armazenamento dos pesos, egress de saída, plantão de SRE, que custa por mês mais que o nó, e o ciclo de atualização: cada snapshot novo exige revalidar a inferência, rodar eval de regressão e trocar o serving, trabalho que se repete a cada release, e o Harness publicou duas no mesmo dia. O custo do nó por hora é o piso do custo operacional, não o custo operacional.

Há também o trabalho de serving. O repositório traz conversão de checkpoint e inferência de referência com torchrun em tensor parallel 8, e o anúncio de setembro diz que a DeepSeek vai trabalhar com a comunidade em opções de deploy. Não há, nas fontes primárias consultadas em 2026-10-20, receita oficial de vLLM ou SGLang para o 1017. Existe o caminho, e ele passa por engenharia de inferência.

O dimensionamento começa por uma pergunta que o repositório não fecha: a metadata traz 763B de parâmetros, e a Artificial Analysis e o anúncio de setembro informam 552B totais com 16B ativos. A divergência não está reconciliada em fonte pública, e por isso esta análise não usa contagem de parâmetros em nenhuma conta. A decisão de rodá-lo é de capacidade e governança antes de ser de preço.

O que fazer antes de 31 de outubro

Duas medições, uma decisão e dois ajustes, todos executáveis em uma semana. O objetivo não é prever a fatura de novembro, é saber quantas chamadas de ferramenta cada tarefa sua consome hoje, porque esse número decide a ordem de grandeza do aumento.

1. Conte chamadas de ferramenta por tarefa no seu trace, separando Search de Fetch e contando só as que retornaram resultado.
2. Recalcule o custo por tarefa com e sem a tarifa usando o seu preço de token e a sua taxa de cache hit, não os desta análise.
3. Decida se a busca é interna ou de terceiro. Dado público em volume alto transforma o custo por chamada em decisão de arquitetura, e existe método para medir benchmark de busca web para agentes antes de contratar.
4. Revise budget por chave e por projeto para incluir a linha de ferramenta, com teto separado do de token: as duas crescem por motivos diferentes.
5. Marque 31 de outubro de 2026, 16h UTC, no calendário de revisão de preço. Não 1º de novembro. E não no horário de Brasília sem converter.

Perguntas frequentes

O V4.1-Flash-1017 é open source? Os pesos estão publicados com licença MIT, no Hugging Face e no ModelScope, e MIT é licença de código aberto aprovada. O que o repositório não traz são os dados de treino.

Quanto custa a busca depois de 31 de outubro? US$ 0,75 por 1.000 requisições bem-sucedidas, cobrado por endpoint, com Search e Fetch contados separadamente. A isenção vale até 31 de outubro, às 16h UTC, e só para chamadas por server-side tools no DeepSeek Harness, no Claude Code e no Codex: chamada direta às APIs de Search e Fetch já é cobrada por requisição bem-sucedida. O parâmetro count, que define quantos resultados voltam, não altera o preço, e requisição com erro não é cobrada.

Posso rodar o modelo em vLLM ou SGLang? Não há receita oficial para o 1017 nessas duas pilhas nas fontes primárias consultadas em 2026-10-20. O repositório publica inferência de referência com torchrun em tensor parallel 8, e o anúncio de setembro diz que a DeepSeek pretende trabalhar com a comunidade em suporte de inferência. Self-host com essas pilhas é trabalho de engenharia, não configuração.

77,0 no DeepSWE significa que o modelo é melhor que o Opus 5? Não como afirmação geral. O número é do fornecedor, medido no Mini-SWE-V2, e o relatório técnico informa treino de RL em scaffolds heterogêneos. No NL2Repo-Bench, o mesmo card dá 75,3 para o Opus 5 contra 68,2 do 1017, direção contrária. Benchmark único com harness declarado mede aquele harness.

Referências

• Anúncio do DeepSeek V4.1-Flash-1017, consultado em 2026-10-20.
• Repositório DeepSeek-V4.1-Flash-1017 no Hugging Face, consultado em 2026-10-20.
• Guia das APIs de Search e Fetch, consultado em 2026-10-20.
• Releases do DeepSeek Harness, consultado em 2026-10-20.
• Artificial Analysis, DeepSeek V4.1-Flash-1017, leitura de 2026-10-20.

O que observar nas próximas semanas

Três coisas: o volume de chamadas depois de 31 de outubro, se a DeepSeek publica receita de serving para o 1017, e se aparece configuração de inferência validada pela comunidade que mude o custo do self-host.

O preço de token deste modelo já é baixo o suficiente para a linha de ferramenta deixar de ser ruído. O Nexforce Router não vê as 14 chamadas individuais de Search e Fetch, porque server-side tool roda dentro da API do provedor: o gateway vê uma requisição de chat completions e, no máximo, o uso que o provedor devolve, e itemizar chamada de ferramenta exige que esse uso traga a contagem, ou que o cliente use tool calling do lado dele. O que o Router garante é o controle em volta da chamada de modelo: uma API e uma chave para vários modelos, roteamento por custo, desempenho, latência e contexto, failover entre provedores, budget por chave e por projeto, e trace de cada chamada de modelo. Contar 14 requisições por tarefa continua sendo trabalho do seu próprio trace, no cliente. Sem esse controle, a fatia de 36% aparece pela primeira vez na fatura fechada, quando já não há o que decidir.

Publicado em 2026-10-20. Preços, benchmarks e latências com data de leitura de 2026-10-20, sujeitos a mudança do fornecedor.