DeepSeek V4.1 Flash 1017: 30/30 tarefas de código sem thinking

Com thinking desativado, o DeepSeek V4.1 Flash 1017 resolveu nossas 30 tarefas pequenas de edição e teste de código por $0.0042 por tarefa resolvida, 36% menos que no nível padrão de thinking ($0.0066). Mesmo sem a ferramenta de execução de testes, resolveu 28 de 30. Desativar thinking não funcionou para outro tipo de trabalho: perguntas que exigem calcular a resposta em uma única chamada, como contagens com restrições. Nesse conjunto, acertou 11 de 39. Thinking é o raciocínio interno que o modelo faz antes de responder, cobrado como tokens de saída. O parâmetro reasoning_effort define quanto raciocínio usar (low, high por padrão ou max), e thinking: {"type": "disabled"} o desativa. Medimos todas as configurações dois dias após o lançamento de 17 de outubro, usando o preço de tabela da DeepSeek no horário de pico: $0.30 por milhão de tokens de entrada e $1.20 por milhão de tokens de saída.

TL;DR

• O DeepSeek V4.1 Flash 1017 custa $0.30/$1.20 por milhão de tokens no pico e metade disso fora do pico; o pico ocupa 35 das 168 horas da semana.
• Em tarefas pequenas de programação executadas por um agente, o DeepSeek V4.1 Flash 1017 resolveu 30 de 30 em todas as configurações: $0.0042 por tarefa sem thinking, $0.0066 no padrão high e $0.0099 em max.
• Em 13 tarefas de raciocínio de resposta única, sem thinking acertou 11 de 39, enquanto todos os níveis de thinking acertaram 39 de 39.
• O DeepSeek V4.1 Flash 1017 recuperou um fato oculto em três posições de um prompt com 1,001,531 tokens.

O que mudou em 17 de outubro e quanto custa o 1017?

O DeepSeek V4.1 Flash 1017 substituiu o V4.1 Flash de setembro na API da DeepSeek, pelo mesmo preço. A nota de lançamento afirma que ele “conclui tarefas mais rápido e produz saídas mais curtas que a versão anterior”. Também traz um gráfico da taxa de aprovação no DeepSWE v1.1 (correção de problemas em repositórios reais) em função do custo por tarefa e atribui a melhora no trabalho de ponta a ponta em projetos ao “aprendizado por reforço com autofeedback”. Os pesos são abertos: você pode baixá-los no Hugging Face e hospedar o modelo por conta própria. Para colocar o modelo em produção, estes são os detalhes de nome, preço, horários de pico e tokenizador:

• Na API da DeepSeek, mudou o modelo por trás do nome que você usa. O identificador da DeepSeek é deepseek-flash, e a página de preços informa que os nomes antigos deepseek-v4-flash e deepseek-v4-flash-vision-exp agora usam o 1017. Quem chama a DeepSeek diretamente está usando um modelo novo mesmo sem ter alterado uma linha de código, então rode suas avaliações novamente. A Synthorai manteve os identificadores antigos nas versões antigas, como explicado na última seção.
• O preço não mudou. Os valores estão em dólares por milhão de tokens. Um acerto de cache corresponde a uma entrada que o servidor já recebeu em uma requisição anterior, como um system prompt repetido:

• A maior parte da semana fica fora do pico. O pico vai de 01:00 a 04:00 e de 06:00 a 10:00 UTC nos dias úteis (09:00 a 12:00 e 14:00 a 18:00 no horário de Pequim). Fins de semana e feriados nacionais chineses ficam fora do pico o dia inteiro.
• O tokenizador não mudou. As mesmas amostras em inglês, chinês, Python e JSON produziram contagens idênticas de tokens no 1017, no V4.1 Flash de setembro e no V4 Pro. Os orçamentos de tokens continuam válidos.

No ranking da Artificial Analysis, consultado em 19 de outubro, o 1017 na configuração máxima marca 45.1, contra 39.5 da versão de setembro. O índice reúne benchmarks de agentes, programação, conhecimento e ciência executados pela própria Artificial Analysis. A DeepSeek também disponibilizou as APIs Search e Fetch em sua plataforma. Elas retornam, respectivamente, resultados de busca para uma consulta e o conteúdo de uma URL, por $0.75 a cada 1,000 chamadas em cada API. Chamadas feitas pelo Claude Code, Codex e DeepSeek Harness com uma chave de API da DeepSeek são gratuitas até 31 de outubro de 2026 às 16:00 UTC. Essas condições valem apenas para a API da DeepSeek. Não testamos essas APIs nem as alegações sobre projetos grandes. O restante deste artigo mede apenas o 1017, por configuração de thinking.

Qual nível de thinking usar para raciocínio de resposta única?

Nas nossas tarefas, low basta; desativar thinking não. O 1017 executou nosso conjunto padrão de 13 tarefas: contagem com restrições, aplicação de uma regra 200 vezes, problema da mochila, aritmética modular e problemas semelhantes com uma única resposta verificável. Fizemos três execuções por tarefa e configuração, com uma requisição por execução. O custo por resposta correta é o gasto total dividido pelo número de acertos, usando o preço de tabela no pico:

Sem thinking, o modelo errou 28 de 39 respostas. Em 17 desses erros, a resposta era apenas um número de cinco tokens ou menos, sem demonstrar o cálculo. Todos os níveis de thinking acertaram todas as respostas, então a única diferença foi o volume de texto produzido.

Em 12 das 13 tarefas, max escreveu mais que low, com 1.96x o total de tokens de saída. Verificamos isso com um teste dos sinais, que conta em quantas tarefas uma configuração escreveu mais, e uma correção de Holm, que ajusta o resultado por fazermos cinco comparações desse tipo ao mesmo tempo. A diferença se sustenta (p = 0.002). high produziu 1.51x os tokens de low e escreveu mais em 11 das 13 tarefas, mas, após a correção, isso indica uma tendência, não uma diferença comprovada (p = 0.09). Sem enviar reasoning_effort, comportamento que a DeepSeek documenta como equivalente a high, o total ficou 14% abaixo da execução com high explícito. Isso dá uma ideia de quanto duas execuções idênticas podem variar.

Os dois controles e os campos da resposta de onde saem as medições:

import os
from openai import OpenAI

client = OpenAI(base_url="https://synthorai.io/v1", api_key=os.environ["SYNTHORAI_API_KEY"])
prompt = "How many positive integers below 1000 are divisible by 3 or 5 but not by 15?"
resp = client.chat.completions.create(
    model="deepseek-v4.1-flash-1017",
    messages=[{"role": "user", "content": prompt}],
    reasoning_effort="low",                          # "low" | "high" (default) | "max"
    # extra_body={"thinking": {"type": "disabled"}}, # thinking off instead
)
u = resp.usage
reasoning = u.completion_tokens_details.reasoning_tokens  # billed as output
cache_hits = u.prompt_tokens_details.cached_tokens         # billed at 2% of the input price
thinking_text = resp.choices[0].message.reasoning_content

Agentes de programação precisam de thinking?

Nossas tarefas de programação não precisaram, mas eram simples: todas as configurações resolveram 30 de 30, e as mais baratas foram thinking desativado e low. Aqui, o ciclo do agente consiste em trabalhar por turnos, chamar ferramentas e ler seus resultados até considerar a tarefa concluída. O 1017 recebeu um pacote Python pequeno e três tarefas baseadas em bugs que inserimos: corrigir um erro na interpretação de valores monetários; adicionar dois formatos de entrada; corrigir uma verificação de saldo negativo e um relatório mensal. As quatro ferramentas disponíveis permitiam listar arquivos, ler um arquivo, escrever em um arquivo e executar os testes visíveis. Uma execução só contava como resolvida se os arquivos deixados pelo modelo passassem nos testes ocultos, nunca exibidos a ele. Cada tarefa foi executada 10 vezes por configuração, com limite de 30 turnos e execução do código em um sandbox isolado. Turnos, tokens de saída e segundos são medianas por execução. O custo por tarefa resolvida é o gasto total dividido pelo número de tarefas resolvidas, usando o preço de tabela no pico:

O número de turnos quase não mudou entre os níveis. O que cresceu foi o raciocínio por turno: de zero com thinking desativado para 72% da saída em max. Comparamos as 10 execuções de cada tarefa com um teste de Mann-Whitney, que verifica se os custos de uma configuração ficam consistentemente acima dos da outra, e aplicamos a correção de Holm às 12 comparações. high custou mais que low nas três tarefas, entre 1.24x e 1.70x, e max custou mais que high em duas das três. Não foi possível distinguir thinking desativado de low.

As duas últimas linhas são um controle: as mesmas tarefas, mas sem a ferramenta de execução de testes, deixando o modelo sem feedback antes da avaliação. Mesmo sem thinking, resolveu 28 de 30, uma queda sem significância estatística (teste exato de Fisher, que compara duas contagens de sucesso, p = 0.49). Portanto, o feedback dos testes não foi necessário para o sucesso sem thinking nesse caso. As tarefas de resposta única em que desativar thinking falhou exigiam várias etapas de cálculo ou busca em uma só resposta. Já estas tarefas de programação exigiam ler e editar poucos arquivos, algo que o 1017 fez sem thinking.

As tarefas são pequenas de propósito: poucos arquivos, bugs identificáveis pela leitura do código e menos de 30 turnos. Trabalhos mais difíceis com agentes, como funcionalidades que envolvem muitos arquivos, sessões longas de depuração ou uma base de código desconhecida, podem precisar de um nível mais alto. É justamente esse tipo de trabalho em projetos que a DeepSeek destaca ao apresentar o 1017. Não o testamos. Um ponto de partida razoável é desativar thinking ou usar low em tarefas simples com ferramentas e passar para high quando a tarefa for complexa ou quando as execuções começarem a falhar.

Quando thinking está ativado e a requisição inclui tools, o guia do modo thinking da DeepSeek exige o reenvio de reasoning_content de todos os turnos anteriores do assistente e documenta um erro 400 caso isso não seja feito:

msg = resp.choices[0].message
messages.append({
    "role": "assistant",
    "content": msg.content or "",
    "tool_calls": msg.tool_calls,
    "reasoning_content": msg.reasoning_content,  # required with tools in thinking mode
})

Quanto o cache e o horário fora do pico economizam?

Nas execuções com agentes, o cache reduziu a conta em mais da metade, e o horário fora do pico corta o restante pela metade. Cada turno do agente reenvia toda a conversa. Por isso, a entrada representou 90% dos tokens nas 120 execuções com a ferramenta de testes, e 82% dessa entrada foi cobrada como acerto de cache, a 2% do preço de entrada. Pelo preço de tabela no pico, as 120 execuções custaram $0.75. Sem o desconto de cache, os mesmos tokens teriam custado $1.66. Com o cache aplicado, a saída respondeu por 71% da conta e a entrada sem cache por 27%. Assim, o nível de thinking é o principal ajuste restante para reduzir o custo de um agente com 1017. Fora do pico, os mesmos tokens custariam $0.38.

O cache é automático na API da DeepSeek: não há cobrança de escrita nem conteúdo que precise ser marcado. Na nossa verificação, enviamos duas vezes um prompt de 6,069 tokens; na segunda requisição, 6,016 tokens foram cobrados como acertos de cache. Mantenha o início do prompt estável: primeiro o system prompt e as definições de ferramentas, e por último o que muda a cada requisição.

A janela de contexto de 1M funciona mesmo?

A janela inteira pode ser usada para recuperar informações. Escondemos uma frase com um código de sete dígitos em um texto de preenchimento com frases variadas e pedimos o código, com thinking desativado, em três posições do prompt:

Uma requisição de 1.15 milhão de tokens falhou com HTTP 400 e uma mensagem indicando o limite de 1,048,568 tokens. Portanto, uma requisição grande demais falha antes de começar, sem truncamento silencioso. Esse teste mede a recuperação de um único fato explícito. Raciocinar sobre vários fatos espalhados por um prompt longo é um teste mais difícil, que não fizemos.

Qual configuração usar em cada carga de trabalho?

Nenhuma configuração de thinking substitui uma suíte de testes ou um validador que o agente possa executar. Sem a ferramenta de testes, o modelo ainda resolveu 28 de 30 tarefas com thinking desativado, mas nada detectou as outras duas falhas antes da avaliação. Programe também uma rodada de testes de regressão após 17 de outubro se você usa deepseek-v4-flash ou deepseek-flash na API da DeepSeek, pois o modelo por trás desses nomes mudou.

Como a Synthorai trata essa mudança

Na Synthorai, o 1017 tem um identificador próprio, deepseek-v4.1-flash-1017. Para preservar o comportamento das integrações existentes, não redirecionamos os identificadores antigos como a DeepSeek fez em sua API: deepseek-v4.1-flash continua sendo o V4.1 Flash de setembro, e a migração para o 1017 exige alterar o identificador do modelo. Em /v1/chat/completions, os preços por milhão de tokens são $0.30 para entrada, $1.20 para saída e $0.006 para leitura de cache, os mesmos da tabela da DeepSeek. reasoning_effort e thinking: {"type": "disabled"} são repassados, chamadas com thinking retornam reasoning_content, e os acertos de cache aparecem em usage.prompt_tokens_details.cached_tokens. Todos os custos deste artigo usam o preço de tabela da DeepSeek no pico, para que você possa aplicar os horários da sua carga de trabalho.

Perguntas frequentes

O DeepSeek V4.1 Flash 1017 é um modelo diferente do deepseek-v4-flash?

Na API da DeepSeek, ele agora é o modelo por trás desse nome. A página de preços da DeepSeek informa que os identificadores antigos deepseek-v4-flash e deepseek-v4-flash-vision-exp usam o DeepSeek V4.1 Flash 1017, com cobrança pelo preço do Flash. deepseek-flash também aponta para ele. O V4.1 Flash de setembro não está mais na API da DeepSeek, embora provedores terceiros ainda disponibilizem seus pesos abertos. Na Synthorai, os identificadores antigos continuam nas versões antigas, e o 1017 usa deepseek-v4.1-flash-1017.

Vale a pena desativar thinking no DeepSeek V4.1 Flash 1017?

Desative em tarefas simples de programação e uso de ferramentas: no nosso ciclo de agente, o 1017 resolveu 30 de 30 tarefas pequenas de programação sem thinking, por $0.0042 cada, e 28 de 30 mesmo sem a ferramenta de testes. Mantenha thinking ativado em low para perguntas de resposta única que exigem várias etapas de cálculo ou planejamento. Nelas, sem thinking o modelo acertou 11 de 39, contra 39 de 39 em low. Considere high para trabalho complexo com agentes, que não testamos.

O DeepSeek V4.1 Flash 1017 realmente tem uma janela de contexto de 1M de tokens?

Sim: o 1017 recuperou um fato oculto nas posições de 10%, 50% e 90% de um prompt de 1,001,531 tokens, em cerca de 25 segundos e por $0.30 por requisição no preço de tabela de pico. Uma requisição acima de 1,048,568 tokens retornou HTTP 400.

Relacionados: Custo do DeepSeek V4.1 Flash, DeepSeek V4 Pro: versão estável vs. prévia, Controles de raciocínio em LLMs, Custo de escrita no cache de prompts, Faixas de preço para contexto longo.

Medições feitas em 19 de outubro de 2026 pelo gateway da Synthorai, com o identificador deepseek-v4.1-flash-1017: 195 chamadas de resposta única (13 tarefas, cinco configurações, três execuções), 180 execuções de agente (três tarefas, seis configurações, incluindo as duas sem ferramenta de testes, 10 execuções) e 11 requisições de contexto longo. Custos pelo preço de tabela da DeepSeek no pico; dados da Artificial Analysis consultados em 19 de outubro de 2026.

← Voltar ao blog