DeepSeek V4 Flash 284B : o 1º frontier que funciona no Mac Studio

#DeepSeek V4 Flash em resumo

Data de lançamento

24 de abril de 2026, com lançamento simultâneo ao do V4 Pro. Disponível no HuggingFace: deepseek-ai/DeepSeek-V4-Flash.

Arquitetura

MoE com 284B no total, 13B ativos por token. 128 especialistas por camada, roteamento top-8. Variantes Base + Instruct disponíveis.

Inovações herdadas do Pro

Atenção CSA+HCA, mHC, otimizador Muon, treinamento misto FP4+FP8.

Contexto

1 milhão de tokens nativos (igual ao Pro).

Modos de pensamento

3 níveis Non / High / Max — alternáveis no prompt.

Licença

MIT, igual ao Pro. Sem restrições ao uso comercial nem restrições geográficas.

#1. Por que isso é um marco

Antes de 24 de abril de 2026, rodar um modelo de fronteira localmente exigia ou um cluster de GPU com custo de 80 k€+, ou aceitar uma qualidade degradada de um modelo de 70B. DeepSeek V4 Flash muda isso: 170 GB em Q4 cabem em configurações de 4 a 8 k€ de segunda mão.

Mac Studio M3 Ultra 256 GB

7.299 € no catálogo até setembro de 2026, agora disponível usado (o M5 Ultra de 256 GB o substitui na Apple). 170 GB para o modelo + 30 GB para o contexto = cabe com folga. ~10-12 tok/s em Q4.

2× RTX 5090 32 GB (64 GB VRAM)

≈ 11 400 €. Insuficiente — faltam ~110 GB. Possível com offload para a CPU, mas lento (3-5 tok/s).

4× RTX A6000 48 GB (192 GB VRAM)

~12.000 € no mercado de usados. O modelo cabe com folga, ~18-25 tok/s.

Workstation 2× Mac Studio Max 64 GB

Insuficiente isoladamente. Com llama.cpp RPC swarm e 4× Mac Studio: possível, ~5 tok/s.

#2. Arquitetura (variante eficiente de V4)

V4 Flash é uma redução proporcional do V4 Pro: ~5,7× menos especialistas, ~3,8× menos parâmetros ativos, mas com o mesmo esqueleto CSA+HCA + Muon + FP4/FP8. É essa homogeneidade que permite que o V4 Flash herde a qualidade do Pro com um custo muito menor.

Especialistas por camada

128 (vs 256 para Pro). Roteamento Top-8 idêntico.

Parâmetros ativos

13B (vs 49B para o Pro). Velocidade de inferência ~3,8× maior com o mesmo número total de parâmetros.

Camadas

61 (Pro: 76). Redução moderada para preservar a profundidade de raciocínio.

Cabeças de atenção

Igual ao Pro (CSA+HCA configurados de forma idêntica). Sem reduzir os recursos dedicados à atenção para preservar a qualidade em contextos longos.

Pré-treinamento

Foco em « raciocínio eficiente »: 18T tokens (vs 32T para Pro), com mistura de dados otimizada para matemática + código.

#3. Hardware por quantização

#4. Configuração do Mac Studio Ultra com 256/512 GB

# 1. Relever la mémoire GPU allouable
sudo sysctl iogpu.wired_limit_mb=240640    # 256 Go : 235 Go GPU
# Ou pour Mac Studio 512 Go :
# sudo sysctl iogpu.wired_limit_mb=491520

# Persistant
echo "iogpu.wired_limit_mb=240640" | sudo tee -a /etc/sysctl.conf

# 2. llama.cpp avec Metal + Flash Attention
git clone https://github.com/ggerganov/llama.cpp && cd llama.cpp
make GGML_METAL=1 LLAMA_METAL_EMBED_LIBRARY=1

# 3. Téléchargement Q4_K_M (~170 Go split en chunks)
huggingface-cli download deepseek-ai/DeepSeek-V4-Flash-GGUF \
  --include "*Q4_K_M*.gguf" \
  --local-dir ./models

# 4. Lancement avec optimisations max
./build/bin/llama-server \
  -m ./models/DeepSeek-V4-Flash-Q4_K_M-00001-of-00004.gguf \
  -ngl 99 -fa \
  -ctk q8_0 -ctv q8_0 \
  -c 65536 \
  --host 0.0.0.0 --port 8080

#5. Configuração multi-GPU NVIDIA

#Opção A — vLLM 4× RTX A6000 (48 GB × 4 = 192 GB)

pip install vllm>=0.7

vllm serve deepseek-ai/DeepSeek-V4-Flash \
  --tensor-parallel-size 4 \
  --quantization fp8 \
  --max-model-len 1000000 \
  --enable-prefix-caching \
  --port 8000

#Opção B — llama.cpp com offload parcial

./build/bin/llama-server \
  -m ./models/DeepSeek-V4-Flash-Q4_K_M-00001-of-00004.gguf \
  -ngl 50 \
  --tensor-split 0.5,0.5 \
  -ctk q8_0 -ctv q8_0 \
  -c 32768

#6. Benchmarks e tokens por segundo medidos

#7. Modos de raciocínio e contexto longo

O V4 Flash herda os três modos de raciocínio do V4 Pro com qualidade ligeiramente inferior, mas com custo de inferência muito menor. É uma boa escolha para agentes que precisam raciocinar sem monopolizar uma infraestrutura.

Modo Non

Resposta direta. Latência muito baixa (~1s para iniciar o streaming). Para chat conversacional, tradução.

Modo High

200 a 2000 tokens de cadeia de raciocínio antes da resposta. +25% de qualidade em matemática/código. Latência de 5 a 15 segundos antes do primeiro token da resposta final.

Modo Max

Até 16k tokens de reflexão. Latência de 1 a 5 minutos em execução local. Reservar para problemas difíceis (provas matemáticas, depuração complexa).

Contexto longo 1M

Mesmas capacidades do V4 Pro graças ao HCA — Needle-in-Haystack 1M ~95 % (vs 98 % para Pro). Excelente para RAG em grandes bases.

#V4 Flash vs V4 Pro: escolher

#Oficializado em 31 de julho de 2026 (build 0731)

A DeepSeek tirou o V4-Flash da fase de prévia no final de julho de 2026 com o build “0731”: API em beta pública e, ao mesmo tempo, o preço dos tokens de saída do V4-Pro cai 75% (US$ 0,87 por milhão de tokens de saída). A Artificial Analysis volta a colocar a família V4 “entre os líderes de pesos abertos”. Quanto aos pesos, nada muda: 284B no total, com 13B ativos — ainda a única variante V4 minimamente viável para execução local em hardware de ponta (Mac de 256 GB, Strix Halo, múltiplas GPUs), com quantização agressiva.

Desde 2 de agosto, o LM Studio também o oferece: localmente, se sua máquina tiver capacidade suficiente, ou pelo app Bionic em servidores americanos com «Zero Data Retention» por padrão — uma concessão que é preciso conhecer, mesmo que a filosofia deste site continue sendo 100% local.

#FAQ

Os preços mudam rápido: nosso monitoramento registra toda segunda e quinta-feira o menor preço das placas de vídeo para IA local, com o preço por GB de VRAM.

• Preços das placas de vídeo para IA local (atualizados duas vezes por semana)