O modelo de IA DeepSeek V3.2 oferece desempenho de alto nível com custo mínimo de computação

Enquanto grandes empresas de tecnologia investem bilhões em poder computacional para desenvolver modelos de IA de ponta, a DeepSeek da China alcançou resultados semelhantes por meio de abordagens mais inteligentes, em vez de pura escala. O modelo DeepSeek V3.2 se equipara ao GPT-5 da OpenAI em benchmarks de raciocínio, embora tenha utilizado “menos FLOPs de treinamento total” — um avanço que pode redefinir a forma como a indústria aborda a construção de inteligência artificial sofisticada.

Para as empresas, este lançamento ilustra que recursos de IA de alto nível não exigem necessariamente orçamentos de computação de alto nível. A disponibilidade de código aberto do DeepSeek V3.2 permite que as organizações avaliem recursos avançados de raciocínio e agência, mantendo o controle sobre sua infraestrutura de implantação — um fator crucial, já que a relação custo-benefício se torna cada vez mais central nos planos de adoção de IA.

O laboratório de pesquisa com sede em Hangzhou apresentou duas versões na segunda-feira: o DeepSeek V3.2 básico e o DeepSeek-V3.2-Speciale. Este último obteve desempenho medalha de ouro na Olimpíada Internacional de Matemática de 2025 e na Olimpíada Internacional de Informática — benchmarks anteriormente alcançados apenas por modelos internos não lançados de empresas líderes de IA dos EUA.

Essa conquista é especialmente notável, dado o acesso restrito do DeepSeek a chips semicondutores avançados devido às regulamentações de exportação.

Eficiência de recursos como vantagem competitiva

O sucesso da DeepSeek desafia a crença generalizada da indústria de que o desempenho líder em IA requer recursos computacionais em grande escala. A empresa credita essa eficiência a avanços arquitetônicos, particularmente o DeepSeek Sparse Attention (DSA), que reduz significativamente a complexidade computacional sem comprometer o desempenho do modelo.

O modelo básico DeepSeek V3.2 atingiu 93,1% de precisão nos problemas matemáticos do AIME 2025 e uma classificação Codeforces de 2386, posicionando-se ao lado do GPT-5 nas avaliações de raciocínio.

A variante Speciale teve um desempenho ainda melhor, obtendo 96,0% no American Invitational Mathematics Examination (AIME) 2025, 99,2% no Harvard-MIT Mathematics Tournament (HMMT) de fevereiro de 2025 e garantindo a medalha de ouro tanto na Olimpíada Internacional de Matemática 2025 quanto na Olimpíada Internacional de Informática.

Esses resultados são particularmente impressionantes, considerando o acesso limitado do DeepSeek a chips avançados devido à série de tarifas e controles de exportação que afetam a China. O relatório técnico indica que a empresa alocou um orçamento computacional pós-treinamento superior a 10% das despesas pré-treinamento — um investimento considerável que promoveu recursos avançados por meio da otimização do aprendizado por reforço, em vez do dimensionamento por força bruta.

Inovação técnica impulsionando a eficiência

O mecanismo DSA marca uma mudança em relação às arquiteturas de atenção convencionais. Em vez de processar todos os tokens com intensidade computacional uniforme, o DSA usa um “indexador relâmpago” e um sistema de seleção de tokens refinado que identifica e processa apenas as informações mais pertinentes para cada consulta.

Esse método reduz a complexidade da atenção central de O(L²) para O(Lk), onde k denota o número de tokens selecionados — uma fração do comprimento total da sequência L. Durante o pré-treinamento estendido a partir do ponto de verificação DeepSeek-V3.1-Terminus, a empresa treinou o DSA em 943,7 bilhões de tokens, utilizando 480 sequências de 128 mil tokens por etapa de treinamento.

A arquitetura também implementa o gerenciamento de contexto projetado para situações de chamada de ferramentas. Ao contrário dos modelos de raciocínio anteriores, que descartavam o conteúdo do raciocínio após cada mensagem do usuário, o modelo DeepSeek V3.2 preserva os traços de raciocínio quando apenas mensagens relacionadas à ferramenta são adicionadas, aumentando a eficiência do token em fluxos de trabalho de agentes multivoltas, eliminando o raciocínio desnecessário.

Aplicações empresariais e desempenho prático

Para organizações que avaliam a implementação de IA, a metodologia do DeepSeek oferece benefícios tangíveis além dos resultados de benchmark. No Terminal Bench 2.0, que mede os recursos do fluxo de trabalho de codificação, o DeepSeek V3.2 alcançou 46,4% de precisão.

O modelo obteve 73,1% no SWE-Verified, um benchmark de resolução de problemas de engenharia de software, e 70,2% no SWE Multilingual, demonstrando valor prático em ambientes de desenvolvimento.

Em tarefas agênicas que exigem o uso autônomo de ferramentas e raciocínio em várias etapas, o modelo apresentou melhorias substanciais em relação aos sistemas de código aberto anteriores. A empresa criou um pipeline de síntese de tarefas agênicas em grande escala que gerou mais de 1.800 ambientes distintos e 85.000 prompts complexos, permitindo que o modelo generalizasse estratégias de raciocínio para cenários desconhecidos de uso de ferramentas.

A DeepSeek disponibilizou o modelo base V3.2 em código aberto no Hugging Face, permitindo que as empresas o implantem e personalizem sem dependência de fornecedores. A variante Speciale permanece acessível apenas por meio de API devido aos requisitos mais altos de consumo de tokens — uma compensação entre desempenho de pico e eficiência de implantação.

Implicações e reconhecimento do setor

O lançamento gerou uma discussão considerável na comunidade de pesquisa de IA. Susan Zhang, engenheira de pesquisa principal do Google DeepMind, elogiou a documentação técnica abrangente da DeepSeek, destacando especificamente os esforços da empresa para estabilizar os modelos após o treinamento e fortalecer as capacidades de agência.

O momento anterior à Conferência sobre Sistemas de Processamento de Informações Neurais aumentou a atenção. Florian Brand, especialista no ecossistema de IA de código aberto da China que participou da NeurIPS em San Diego, observou a reação imediata: “Todos os chats em grupo hoje estavam agitados após o anúncio do DeepSeek”.

Limitações reconhecidas e caminho de desenvolvimento

O relatório técnico da DeepSeek aborda as lacunas atuais em relação aos modelos de ponta. A eficiência dos tokens continua sendo um desafio — o modelo DeepSeek V3.2 normalmente precisa de sequências de geração mais longas para igualar a qualidade de saída de sistemas como o Gemini 3 Pro. A empresa também reconhece que a amplitude do conhecimento mundial fica atrás dos principais modelos proprietários devido à menor capacidade computacional geral de treinamento.

As prioridades de desenvolvimento futuro incluem dimensionar os recursos computacionais de pré-treinamento para expandir o conhecimento mundial, otimizar a eficiência da cadeia de raciocínio para melhorar o uso de tokens e refinar a arquitetura básica para tarefas complexas de resolução de problemas.

Veja também: Realidade dos negócios de IA — o que os líderes empresariais precisam saber

Interessado em aprender mais sobre IA e big data com especialistas do setor? Explore a AI & Big Data Expo que acontecerá em Amsterdã, Califórnia e Londres. Este evento abrangente faz parte da TechEx e é realizado em conjunto com outros eventos importantes de tecnologia. Clique aqui para obter mais detalhes.

O AI News é desenvolvido pela TechForge Media. Descubra outros eventos e webinars de tecnologia empresarial que estão por vir aqui.