O número que importa é 284 bilhões: os parâmetros dentro da espinha mixture-of-experts V4 Flash da DeepSeek, dos quais apenas cerca de 13 bilhões se ativam para cada requisição. Essa espinha é a base do V4 Flash Vision Exp, o modelo agente multimodal que a DeepSeek apresentou na sexta-feira em sua plataforma de desenvolvimento paga. A etiqueta "Exp" trabalha com honestidade: a empresa não publicou notas de arquitetura do novo modelo, e sua habitual entrega de pesos abertos não está confirmada, uma reversão notável para um laboratório cujos lançamentos costumam abrir com o checkpoint.
A folha de benchmarks do vendedor é específica. Contra o próprio antecessor, o Vision Exp vence seis de sete benchmarks de texto, com a única derrota no Cybergym, que mede a descoberta de vulnerabilidades de software. Os ganhos se concentram onde o nome diz: em quatro benchmarks visuais, o modelo melhora o V4 Flash em mais de 10 por cento em dois, e o SiliconANGLE reporta que ele também supera o Opus 4.8 da Anthropic no ALE, uma suíte de mais de 1.000 tarefas de várias etapas que exigem interagir com aplicativos, escrever código e interpretar mídia, e no ZeroBench, 100 tarefas de análise de imagens desenhadas para serem duras para modelos de fronteira. Nada disso foi avaliado independentemente ainda; tratem os gráficos como alegações até que corridas de terceiros cheguem.
Por baixo está a engenharia que a ficha do modelo V4 Flash documentou em abril: HCA e CSA, duas técnicas de compressão do cache KV que cortam em cerca de três quartos a computação necessária para requisições de um milhão de tokens, treinamento sobre 32 trilhões de tokens, e o otimizador Muon para acelerar a calibração das camadas ocultas. O maior V4 Pro da DeepSeek, com mais de cinco vezes os parâmetros, é o candidato óbvio para o mesmo tratamento de visão se o padrão do Vision Exp se confirmar.
Para quem constrói, a história é a direção preço-desempenho dos agentes de computer-use. Um modelo agente leitor de tela de um laboratório com a estrutura de custos da DeepSeek pressiona a suposição de que o trabalho sério de agentes visuais exige um orçamento carro-chefe; a cobertura da Canaltech descreve exatamente esse caso de uso, tarefas resolvidas olhando telas. Observem duas coisas: se benchmarks independentes confirmam as comparações com o Opus 4.8, e se os pesos chegam, porque um leitor de tela baixável com 13 bilhões de parâmetros ativos moveria de novo o nível dos agentes locais, duas semanas depois do Muse Glimmer e do Qwen 3.8.