Curso
Codificação com IA para Desenvolvedores
1 h 30 min
9.9K
Menor e mais rápido não significa, automaticamente, menos capaz. Segundo as avaliações publicadas pela DeepSeek, DeepSeek-V4-Flash-0731 usa uma fração muito menor de parâmetros ativados do que o DeepSeek-V4-Pro e ainda assim entrega desempenho agentic próximo ao estado da arte: obteve 82,7 no Terminal Bench 2.1, contra 81,0 do GLM-5.2 e 85,0 do Opus 4.8. Já no Agents’ Last Exam, marcou 25,2, muito próximo dos 25,7 do Opus 4.8.
Como os pesos estão disponíveis abertamente, teoricamente você pode executar o modelo no seu próprio hardware, desde que tenha RAM ou VRAM combinada suficiente, mantendo a inferência e os dados do projeto sob seu controle.
Neste guia, vamos configurar um ambiente RunPod com três GPUs, instalar e iniciar o Unsloth Studio, baixar e carregar a versão Q8 do DeepSeek-V4-Flash-0731 distribuída entre as GPUs, testar o modelo pelo Studio, conectar o servidor local de inferência ao OpenCode e usar o agente de código para criar e publicar um site interativo de análise de ações.
O que torna o DeepSeek-V4-Flash-0731 diferente?
DeepSeek-V4-Flash-0731 é a versão oficial que substitui o preview anterior, com avanços significativos em programação, uso de ferramentas e tarefas autônomas de agentes. Sua arquitetura Mixture-of-Experts ativa apenas parte do modelo a cada token. Assim, ele se mantém mais eficiente sem abrir mão do desempenho.
Fonte: deepseek-ai/DeepSeek-V4-Flash-0731 · Hugging Face
A DeepSeek relata que o modelo evoluiu de 61,8 para 82,7 no Terminal Bench 2.1 e de 7,3 para 54,4 no DeepSWE. Ele também superou o maior DeepSeek-V4-Pro Preview em vários benchmarks de agentes.
O modelo suporta janelas de contexto de até um milhão de tokens. Isso o torna ideal para grandes bases de código, documentos extensos e fluxos de trabalho complexos que exigem muito contexto. Você também pode escolher entre esforço de raciocínio baixo, alto e máximo, dependendo do tempo que o modelo deve dedicar para resolver uma tarefa.
O DeepSeek-V4-Flash-0731 inclui ainda o DSpark para decodificação especulativa. O DSpark rascunha vários tokens antes de o modelo principal verificá-los, o que, segundo a DeepSeek, pode acelerar a geração em 60% a 85% quando usado com um mecanismo de inferência compatível.
1. Configure o Pod no RunPod
Vamos começar criando um ambiente no RunPod com memória de GPU e armazenamento suficientes para rodar a versão Q8 do DeepSeek-V4-Flash-0731 e hospedar o Unsloth Studio e o site gerado pelo OpenCode.
Configure o Pod com:
- 3× GPUs NVIDIA A100 SXM 80GB
- Template mais recente do RunPod para PyTorch
- Pelo menos 250 GB de armazenamento em volume persistente
- Pelo menos 50 GB de armazenamento do contêiner
/workspacecomo caminho de montagem do volume persistente- Um token de acesso do Hugging Face adicionado como
HF_TOKEN - Portas HTTP
8910e9101expostas
A porta 8910 será usada pelo Unsloth Studio e sua API local de inferência. A porta 9101 hospedará o site interativo criado pelo OpenCode.
O RunPod expõe esses serviços por meio de seu proxy HTTP, então ambos os aplicativos devem escutar em 0.0.0.0 em vez de apenas 127.0.0.1.
Depois de fazer o deploy do Pod, abra a aba Connect, inicie o JupyterLab e crie três sessões de terminal:
Terminal 1: Unsloth Studio
Terminal 2: GPU monitoring
Terminal 3: OpenCodeManter as tarefas em terminais separados facilita monitorar as GPUs, depurar o modelo e rodar o agente de código ao mesmo tempo.
2. Instale e inicie o Unsloth Studio
Em seguida, vamos instalar o Unsloth Studio, configurar um cache persistente do Hugging Face e iniciar a interface na porta 8910.
No Terminal 1, confirme que as três GPUs estão disponíveis:
nvidia-smiVocê deve ver as três GPUs A100 listadas no servidor Linux.
Crie um cache persistente do Hugging Face em /workspace para que os modelos baixados permaneçam disponíveis no volume do RunPod:
mkdir -p /workspace/huggingface
export HF_HOME=/workspace/huggingface
echo 'export HF_HOME=/workspace/huggingface' >> ~/.bashrcAgora, instale os pacotes de sistema necessários e o Unsloth Studio:
cd /workspace
apt-get update
apt-get install -y curl git cmake build-essential libcurl4-openssl-dev
curl -fsSL https://unsloth.ai/install.sh | sh
O instalador configura a interface do Studio, o ambiente Python, as dependências e os componentes de inferência local.
A primeira instalação pode levar alguns minutos.
Quando o instalador perguntar se você deseja iniciar o Unsloth Studio agora, digite “n”.
Vamos iniciá-lo manualmente para usar a porta 8910 e escutar no endereço de rede correto.
Reinicie o shell para que os novos comandos fiquem disponíveis:
exec bash
cd /workspaceAntes de iniciar o Studio, redefina a senha padrão:
unsloth studio reset-passwordCopie a senha temporária exibida durante a configuração, pois você pode precisar dela para concluir a redefinição.
Agora inicie o Unsloth Studio:
unsloth studio \
-H 0.0.0.0 \
-p 8910
O Studio deve indicar que está rodando na porta 8910. Mantenha o Terminal 1 aberto enquanto usar o Unsloth Studio e o OpenCode.
Volte à página Connect do RunPod e abra o HTTP Service da porta 8910.
Use a senha temporária gerada anteriormente para concluir a redefinição e, em seguida, entre com a nova senha criada.
Conclua ou pule o onboarding e abra a página de Chat.
3. Baixe e execute o DeepSeek-V4-Flash-0731
Com o Unsloth Studio em execução, podemos baixar o modelo Q8, distribuí-lo entre as três GPUs e testar suas capacidades de chat e de uso de ferramentas.
Abra o seletor de modelos no canto superior esquerdo, pesquise por unsloth/DeepSeek-V4-Flash-0731-GGUF e selecione a quantização Q8 UD-Q8_K_XL.
Usamos Q8 porque as três GPUs A100 oferecem VRAM combinada suficiente. Ela preserva qualidade mais próxima do modelo original, enquanto quantizações menores são mais úteis quando a memória disponível é limitada.
Após o download, o Unsloth Studio começará automaticamente a carregar o modelo na memória da GPU. Isso pode levar alguns minutos, pois o modelo Q8 é bem grande.
Depois de carregar, use a página Chat para testar o modelo com alguns prompts simples.
Nos nossos testes, a geração chegou a aproximadamente 33 tokens por segundo sem decodificação especulativa, um resultado bem razoável para um modelo desse porte.
Você também pode ativar a ferramenta de busca na web do Studio e pedir para o modelo consultar informações atuais, como os preços mais recentes de ouro e prata. É uma forma prática de confirmar que o modelo consegue chamar ferramentas externas e não depende apenas do conhecimento interno.
No Terminal 2, verifique como o modelo está distribuído entre as GPUs:
nvidia-smi
Você deverá ver um uso significativo de memória nas três GPUs.
No nosso teste, cada GPU ficou com cerca de 70% de ocupação. Porém, isso não significa necessariamente que o modelo Q8 completo caiba confortavelmente em apenas duas GPUs de 80 GB, pois ainda é preciso VRAM adicional para a janela de contexto, o cache KV e buffers de inferência.
Por fim, teste o modelo com o prompt de planejamento do aplicativo que vamos construir:
Create a concise architecture plan for an interactive stock analytics website
using Next.js, financial charts, technical indicators, portfolio tracking,
and responsive animations.O modelo retorna um plano de desenvolvimento estruturado cobrindo arquitetura da aplicação, componentes, fluxo de dados, bibliotecas de gráficos, cálculos financeiros e design da interface.
4. Conecte o DeepSeek-V4-Flash-0731 ao OpenCode e construa o site
Com o modelo rodando no Unsloth Studio, podemos conectá-lo ao OpenCode e usá-lo como um agente local de programação.
No Terminal 3, defina a URL do Studio:
echo 'export UNSLOTH_STUDIO_URL="http://127.0.0.1:8910"' >> ~/.bashrc
source ~/.bashrcCrie um novo diretório de projeto:
mkdir -p /workspace/market-pulse
cd /workspace/market-pulseInicie o OpenCode pelo Unsloth Studio:
unsloth start opencodeNa primeira execução, o comando vai pedir permissão para instalar o OpenCode. Digite “y”.
Assim que a instalação terminar, o OpenCode será iniciado já configurado com o modelo DeepSeek-V4-Flash-0731 rodando localmente.
Cole o prompt de duas linhas abaixo no OpenCode:
Build a polished, highly interactive stock analytics website using Bun, Next.js App Router,
TypeScript, shadcn/ui, Motion, TradingView Lightweight Charts, and a free financial-data API,
with live stock search, charts, technical indicators, gains, losses, watchlists, portfolio tracking,
comparisons, responsive design, animations, loading states, and error handling.
Work autonomously: install everything, create every file, test and fix the complete application,
and run the finished website on 0.0.0.0:9101.
Em poucos segundos, o agente de código deve criar uma lista detalhada de tarefas e começar a conduzir o projeto passo a passo.
No nosso teste, a construção completa levou cerca de 20 minutos. Enquanto roda, você pode voltar ao Unsloth Studio e abrir a página de monitoramento da API em Settings para acompanhar o uso do modelo e a velocidade de geração.
Observamos uma média de aproximadamente 22,6 tokens por segundo durante o fluxo de programação. A velocidade pode cair conforme a conversa e o contexto do projeto crescem.
Ao finalizar as tarefas, o OpenCode deve trazer um resumo dos arquivos, recursos e comandos criados. Ele também deve iniciar o site finalizado na porta 9101.
Volte à página Connect do RunPod e abra o HTTP Service da porta 9101.
O resultado ficou surpreendentemente caprichado. O site ficou limpo, com animações e bem próximo de um dashboard profissional de trading. O modelo concluiu a aplicação web com um único prompt, incluindo interface, visões de dados, gráficos e navegação.
Você pode selecionar tickers individuais para ver gráficos de candles, desempenho histórico, indicadores e mais informações da empresa.
A aba Compare também permite comparar várias ações e ver qual teve melhor desempenho no período selecionado.
Fiquei genuinamente surpreso que um modelo local menor conseguiu construir o site inteiro a partir de um único prompt.
Após testar a aplicação, todos os recursos principais funcionaram como esperado, incluindo preços em tempo real, dados históricos de mercado, gráficos, indicadores e ferramentas de comparação.
Impressiona a velocidade com que os modelos locais estão evoluindo e como já são capazes de concluir tarefas complexas de desenvolvimento ponta a ponta.
Considerações finais
Para mim, o DeepSeek-V4-Flash-0731 é o melhor modelo local que testei até agora.
Ele foi melhor do que o Inkling, a quantização 2-bit do GLM-5.2 e o Qwen3.6-27B, que antes era o meu favorito. Isso se baseia na minha experiência prática, não em um benchmark formal, mas agora é o meu modelo local preferido.
Para a maioria das cargas de trabalho do dia a dia, eu ainda começaria pela API oficial da DeepSeek, que é extremamente acessível.
Atualmente, a V4 Flash custa US$ 0,14 por milhão de tokens de entrada não armazenados em cache, US$ 0,0028 por milhão de tokens de entrada em cache e US$ 0,28 por milhão de tokens de saída. Nessa taxa, um bilhão de tokens de entrada em cache sairia por cerca de US$ 2,80, sem contar a saída.
Antes de optar pelo Unsloth Studio, tentei rodar o modelo via llama.cpp. O instalador pré-compilado não oferecia um binário CUDA recente adequado para meu ambiente e, embora eu tenha compilado a versão mais nova a partir do código-fonte, enfrentei novos problemas ao ativar o DSpark para decodificação especulativa.
No fim, o Unsloth Studio ofereceu a configuração mais simples e eliminou boa parte dos ajustes manuais. Funcionou muito bem com o OpenCode, embora a construção completa da aplicação tenha levado cerca de 20 minutos.
