DeepSeek V4 Pro vs Flash: qual versão para uso local ?

#Pro e Flash: o que realmente os diferencia

Os dois modelos compartilham o essencial: arquitetura MoE com atenção híbrida CSA+HCA, contexto nativo de 1M tokens, três modos de raciocínio (Non / High / Max), licença MIT permissiva, pré-treinamento Muon+FP4. A diferença está em um único número: o tamanho do pool de especialistas.

V4 Pro

1,6T de parâmetros totais, 49B ativos por token, 256 especialistas top-8. Modelo de fronteira completo.

V4 Flash

284B parâmetros totais, 13B ativos por token, 64 especialistas top-8. A mesma arquitetura, compactada.

O que é idêntico

Vocabulário, tokenizer, template de chat, modos de raciocínio, comprimento do contexto (1M), licença MIT, scripts de instalação do llama.cpp / vLLM.

O que realmente muda

VRAM total, taxa de tokens por segundo, pontuação em benchmarks de raciocínio extremo (AIME, GPQA Max). Em tarefas do dia a dia, a diferença é menor do que se esperava.

#1. Patamares de VRAM, versão por versão

É esse critério que decide quase tudo. Aqui estão os limites medidos em VRAM total, modelo carregado + cache KV de 32k tokens (não 1M):

#DeepSeek V4 Pro 1.6T

Q8_0

≈ 1 800 GB. Cluster 8× H200 141GB obrigatório. Nenhum cenário local de máquina única.

Q5_K_M

≈ 1 230 GB. 3 Mac Studio 512 GB em swarm RPC, ou 4× H200.

Q4_K_M (recomendado)

≈ 1 040 GB. 8× A100 80GB em paralelismo tensorial, ou 2× Mac Studio 512 GB em swarm de rede com llama.cpp.

IQ3_M

≈ 800 GB. Um único Mac Studio de 512 GB + offload parcial para SSD. Muito lento (~2-4 tok/s), qualidade degradada.

IQ2_XS

≈ 560 GB. Um único Mac Studio de 512 GB. Qualidade fortemente degradada — não recomendado.

#DeepSeek V4 Flash 284B

FP16

≈ 570 GB. Cluster H100/H200 ou Mac Studio 512 + workstation NVIDIA em swarm.

Q8_0

≈ 305 GB. Mac Studio M3 Ultra de 512 GB sozinho, ou 4× RTX 6000 Ada de 48 GB.

Q5_K_M

≈ 210 GB. Mac Studio Ultra 256 GB (no limite), ou 3× RTX 4090 24GB + offload.

Q4_K_M (recomendado)

≈ 170 GB. Um único Mac Studio M2 Ultra de 192 GB, 2× A6000 de 48 GB ou 4× RTX 4090 de 24 GB.

IQ3_M

≈ 130 GB. 2× RTX 4090 de 24 GB + transferência parcial para a RAM, ou Mac Studio de 128 GB.

#2. Custo real de GPU por versão

Os números abaixo são orçamentos de compra de equipamentos, excluindo energia, com base nos preços de maio de 2026.

#Para rodar o V4 Pro (Q4 ~1 040 GB)

Cluster 8× H200 141GB

≈ 280.000 € de equipamento + servidor ≈ 320.000 € instalado. O setup vLLM "limpo" com suporte nativo ao FP8.

Cluster de 8× A100 80GB usadas

≈ 90 000 € em hardware + chassi ≈ 110 000 €. Paralelismo tensorial em 640 GB de VRAM. Mais acessível, mas mais lento.

Swarm 2× Mac Studio M3 Ultra 512 GB

≈ 28.000 € aos preços de maio de 2026 (o M3 Ultra não é mais vendido novo; M5 Ultra de 512 GB anunciado no final de outubro de 2026). A opção local mais barata para Pro Q4. Taxa de geração modesta (5–8 tok/s), mas real, via llama.cpp RPC em 10 GbE.

Locação equivalente na nuvem

≈ 60 €/h na Lambda/Crusoe para 8× H200. Torna-se rentável em comparação com a compra acima de ~5.500 horas acumuladas.

#Para rodar V4 Flash (Q4 ~170 GB)

Mac Studio M2 Ultra 192 GB

≈ 4 200 € recondicionado (não é mais vendido novo). Caminho mais curto sozinho.

Mac Studio M3 Ultra 256 GB

Não é mais vendido novo pela Apple (substituído pelo M5 Ultra, disponível em 256 GB); procurar usado, com preço variável. Margem mais confortável para contexto longo e modo thinking Max.

Estação de trabalho com 4× RTX 4090 de 24 GB

GPU usada (RTX 4090, preço variável) + ≈ 4.500 € (gabinete/fonte de alimentação/CPU). CUDA puro, vLLM possível.

2× RTX 6000 Ada 48GB

Preço a verificar (placa profissional cujo preço não é acompanhado). Configuração mais organizada que 4× 4090, menos barulhenta.

Locação equivalente na nuvem

≈ 4 €/h no Hyperstack/Lambda para 4× A100 80GB. Rentável em relação ao Mac Studio a partir de ~1 600 horas acumuladas.

#3. Latência e taxa de transferência comparadas

Aqui estão os números medidos em modo thinking, não, contexto 8k, prompt 500 tokens, geração 1000 tokens. Medidas provenientes do paper DeepSeek + benchmarks comunitários de maio de 2026.

#V4 Pro Q4_K_M

Cluster 8× H200 (vLLM FP8)

TTFT ~0,8s · taxa 38 tok/s · 1000 tokens em ~27s.

Cluster com 8× A100 80GB (vLLM Q4)

TTFT ~1,4s · taxa 22 tok/s · 1000 tokens em ~47s.

Swarm 2× Mac Studio M3 Ultra 512 (llama.cpp RPC)

TTFT ~6 s · taxa de geração de 6 tok/s · 1000 tokens em ~3 min. O impacto da rede no RPC predomina.

#V4 Flash Q4_K_M

Mac Studio M3 Ultra 256 GB (MLX)

TTFT ~0,4s · taxa 28 tok/s · 1000 tokens em ~36s. O ponto ideal para uso solo.

Mac Studio M2 Ultra 192 GB (llama.cpp)

TTFT ~0,6s · taxa 14 tok/s · 1000 tokens em ~72s.

4× RTX 4090 24GB (vLLM)

TTFT ~0,3s · taxa 52 tok/s · 1000 tokens em ~19s. O mais rápido localmente.

2× A6000 48GB (vLLM)

TTFT ~0,4s · taxa 38 tok/s · 1000 tokens em ~26s.

#4. Árvore de decisão com base no seu hardware

Cinco perguntas, um veredito. Leia de cima para baixo e pare na primeira resposta.

1. 01
   Orçamento para GPUs > 200.000 € e necessidade de desempenho de ponta sem concessões?

   → DeepSeek V4 Pro Q4 no cluster com 8× H200 ou 8× A100. Se você é um banco, um laboratório ou uma administração soberana, esse é o único cenário em que Pro faz sentido.
2. 02
   Você possui ou planeja adquirir 2× Mac Studio M3 Ultra 512 GB (preço variável, verificar) e aceita 5-8 tok/s?

   → V4 Pro Q4 via llama.cpp RPC é possível. Reserve isso para processamento em lote noturno, nunca para uso interativo. Caso contrário, avance para a próxima etapa.
3. 03
   Você tem um Mac Studio Ultra topo de linha (as opções de memória são diferentes hoje; o preço precisa ser verificado)?

   → V4 Flash Q4 em MLX ou llama.cpp. 12-28 tok/s conforme a geração. Melhor experiência individual em 2026.
4. 04
   Você tem 2 a 4 GPUs NVIDIA que totalizam mais de 80 GB de VRAM?

   → V4 Flash Q4 com vLLM (preferível) ou llama.cpp. Taxa de geração superior à do Mac Studio, mas com mais ruído, maior consumo de eletricidade e mais espaço ocupado.
5. 05
   Você tem menos de 80 GB de VRAM (uma única RTX 4090, por exemplo)?

   → Nem Pro nem Flash em Q4. Confira as destilações Flash→32B previstas, ou use DeepSeek V3.5 32B / Qwen3.6 35B-A3B como alternativa enquanto isso.

#5. Para que uso escolher um ou outro?

Os benchmarks públicos não dizem tudo. Aqui está a avaliação honesta por categoria de uso.

Assistente de chat de uso geral, tradução, resumo

Flash é mais do que suficiente. A diferença em relação ao Pro nesses casos é de 2 a 4 pontos e é imperceptível na prática. Priorize a velocidade de geração.

Código (geração, refatoração, depuração)

Flash no modo High é muito próximo de Pro Non. Para depuração complexa, Pro Max mantém a vantagem — mas você precisa esperar 10 minutos por resposta.

Matemática, demonstração, AIME/GPQA

Pro Max supera o Flash Max em 8 a 15 pontos, dependendo da dificuldade. É nesse uso que o Pro realmente se justifica.

Análise de documentos longos (>200k tokens)

Empate técnico (ambos suportam 1M de tokens). A diferença é dominada pela atenção CSA, idêntica nos dois. Escolher de acordo com a VRAM disponível para o cache KV.

Agentes com chamada de ferramenta

Flash é suficiente. A chamada de ferramentas é controlada pelo template de chat e pelo fine-tune Instruct, não pelo tamanho do modelo.

Fine-tuning local (LoRA)

Flash é viável em 2× H100. Pro está fora do alcance para treinamento local com LoRA — é necessário um cluster de treinamento.

#Dicas e armadilhas

Quantização do cache KV

Nos dois modelos, --cache-type-k q8_0 --cache-type-v q8_0 (llama.cpp) ou --kv-cache-dtype fp8 (vLLM), dividem por 2 a memória KV com perda de qualidade quase nula. Essencial acima de 64k de contexto.

Flash Attention obrigatório

Ative -fa (llama.cpp) ou --enable-flash-attn (vLLM). Sem isso, a taxa de processamento cai 30% e o consumo de memória dispara acima de 32k.

Modo thinking padrão

Nos dois modelos, nunca deixe o modo Max ativado por padrão — um agente que entra em loop pode gerar horas de reflexão. Ative ou desative esse modo explicitamente via /think ou /think_max.

Multi-GPU no Pro: evitar o paralelismo de pipeline

No cluster H200, paralelismo de tensor em 8 GPUs. O paralelismo de pipeline adiciona latência entre camadas que domina no MoE 1.6T. O vLLM trata isso automaticamente com --tensor-parallel-size 8.

Swarm Mac Studio: 10 GbE mínimo

O RPC do llama.cpp transmite muitos tensores intermediários. Em 1 GbE, a taxa de geração do Pro cai abaixo de 1 tok/s. Planeje usar um switch de 10 GbE e cabos SFP+.

Templates de chat estritamente iguais

Pro e Flash compartilham o mesmo formato. Um script que funciona para um funciona para o outro — útil para testes A/B sem precisar reescrever o código da sua aplicação.

#Para se aprofundar

Depois de escolher a versão, veja os guias de implementação:

DeepSeek V4 Pro 1.6T : arquitetura, instalação, benchmarks

O guia de instalação em cluster para quem decidiu optar pelo Pro.

DeepSeek V4 Flash 284B: o primeiro modelo de ponta que cabe em um Mac Studio

Instalação passo a passo no Mac Studio Ultra e benchmarks detalhados.

Qual LLM no Mac Studio (M2/M3/M4 Ultra, 64–512 GB)?

Para dimensionar a configuração do Mac Studio de acordo com seu orçamento.

Configuração multi-GPU com llama.cpp

Referência para conectar 2 a 4 GPUs NVIDIA localmente sem perder tokens por segundo.