DeepSeek Pro Parece Brilhante no Modo Minimal. Esse Também É o Problema

O DeepSeek pro entrou em disponibilidade geral em 13 de agosto, mas seu comportamento mais forte relatado só apareceu depois que usuários recriaram uma configuração de agente incomumente específica.

Essa configuração é o preset Minimal no DeepSeek Harness, o ambiente de execução recém-lançado da empresa para agentes de IA que usam ferramentas. Testes da comunidade afirmam que o preset transforma um modelo de programação inconsistente em algo muito mais próximo da apresentação de benchmarks da DeepSeek.

A melhora não foi medida de forma independente em um conjunto controlado e diversificado de tarefas. Ainda assim, a controvérsia importa mesmo que as demonstrações mais dramáticas não sejam reproduzíveis. Os próprios materiais da DeepSeek conectam o desempenho de agentes a prompts, ferramentas, configurações de raciocínio e ambientes de execução específicos.

A verdadeira questão é, portanto, mais restrita do que saber se o DeepSeek-V4-Pro é “bom” ou “ruim”. É se um modelo deve receber crédito integral por capacidades que parecem confiáveis apenas dentro de um harness alinhado ao treinamento.

Anthropic, OpenAI e outros fornecedores de modelos enfrentam a mesma questão sempre que seus modelos operam por meio do Claude Code, Codex ou outro ambiente de execução para agentes. A DeepSeek apenas tornou essa dependência excepcionalmente visível.

A Disponibilidade Geral do DeepSeek Pro Chegou Com Uma Disputa Sobre o Desempenho de Agentes

O lançamento de 13 de agosto mudou o modelo disponível, mas não resolveu qual sistema estava realmente sendo avaliado.

A DeepSeek lançou formalmente a versão de disponibilidade geral do V4-Pro em seu app, site e API em 13 de agosto de 2026. O lançamento GA da empresa destacou melhorias para agentes, três níveis de esforço de raciocínio e suporte nativo à Responses API da OpenAI.

O baixo esforço é voltado a tarefas simples. O alto esforço lida com fluxos de trabalho comuns de agentes, enquanto o esforço máximo destina mais raciocínio a trabalhos complexos. O lançamento também adicionou um caminho de configuração orientado ao Codex, sem alterar o nome do modelo V4-Pro na API.

O anúncio sucedeu a prévia de 24 de abril da família V4 mais ampla. A DeepSeek descreveu o V4-Pro como um modelo de mistura de especialistas com 1,6 trilhão de parâmetros totais e 49 bilhões ativos durante a inferência.

Um modelo de mistura de especialistas direciona cada token por apenas uma parte da rede. Esse design pode aumentar a capacidade total sem ativar todos os parâmetros para cada solicitação.

O modelo oferece suporte a uma janela de contexto de um milhão de tokens. A DeepSeek afirma que ele foi pré-treinado com mais de 32 trilhões de tokens e depois passou por aprendizado supervisionado, aprendizado por reforço e destilação on-policy.

Essas especificações não causaram a controvérsia. A fricção começou quando os primeiros usuários compararam as alegações da DeepSeek sobre benchmarks de agentes com seus próprios resultados após o lançamento GA.

Alguns relatos da comunidade descreveram rastros curtos de raciocínio, planejamento fraco e uso inconsistente de ferramentas. Um relato amplamente compartilhado chamou o lançamento de decepcionante e sugeriu que um problema de implantação ou de configuração no servidor estava suprimindo o comportamento pretendido do modelo.

Essas observações foram anedóticas. Vieram de prompts, contas, ferramentas, sistemas operacionais e caminhos de solicitação diferentes. Elas não podem estabelecer um nível geral de desempenho.

Então surgiu uma segunda onda de relatos. Usuários disseram que o mesmo modelo se tornou substancialmente mais capaz quando executado por meio do DeepSeek Harness Minimal no Linux ou no Windows Subsystem for Linux.

Um teste da comunidade afirmou que vários usuários reproduziram a melhora. O autor ainda considerou o modelo inferior a um modelo de comparação líder e criticou seu senso estético visual.

Essa ressalva é importante. A alegação não era que o modo Minimal corrigia todas as fraquezas. Era que o preset revelava um nível de comportamento de programação ausente em muitas sessões comuns.

Uma análise separada do repositório conectou o modo Minimal a um commit de 10 de agosto. Segundo essa análise, o commit alinhou o preset à composição de agente usada durante o aprendizado por reforço.

A análise descreveu um ambiente restrito contendo um prompt de sistema comedido, acesso persistente ao shell, um editor de arquivos designado e uma política específica de compactação de contexto. Também afirmou que o preset excluía descrições de ferramentas não relacionadas que poderiam poluir o prompt de sistema.

Essa interpretação continua sendo uma leitura comunitária de código e documentação públicos. A DeepSeek não publicou evidências que comprovem que o V4-Pro falha fora do modo Minimal ou que ele foi deliberadamente otimizado para um único preset público.

Ainda assim, a sequência é concreta. A DeepSeek lançou o V4-Pro GA em 13 de agosto, disponibilizou seu harness em prévia para desenvolvedores e expôs um ambiente estreitamente relacionado à avaliação de agentes.

A tensão vem de como essas peças se encaixam. Se o melhor comportamento do modelo exige esse ambiente, os usuários estão comprando um sistema de modelo e harness, e não um endpoint de modelo intercambiável.

Por Que o DeepSeek Harness Muda o Significado de um Benchmark

Um benchmark de agentes mede conjuntamente o modelo, o prompt, as ferramentas, a política de memória e o ambiente de execução, mesmo quando o placar exibe apenas o nome do modelo.

Um harness de agentes é a camada de software que permite a um modelo de linguagem inspecionar arquivos, executar comandos, chamar ferramentas, reter estado e decidir o que acontece em seguida. Ele transforma a previsão de texto em um ciclo operacional.

Esse ciclo toma muitas decisões importantes. Ele formata o prompt de sistema, define esquemas de ferramentas, retorna erros, trunca o histórico, resume trabalhos anteriores e decide quando o modelo recebe outro turno.

Pequenas mudanças podem produzir grandes diferenças de desempenho. Um modelo pode entender uma tarefa, mas falhar porque a descrição de uma ferramenta é ambígua. Ele pode editar o arquivo errado porque a compactação de contexto removeu uma restrição anterior.

Um modelo também pode desperdiçar seu orçamento de raciocínio após receber mensagens de status ruidosas. Outro harness pode evitar a mesma falha mantendo o prompt curto e preservando o estado correto.

O repositório oficial da DeepSeek descreve o DeepSeek Harness como um ambiente de execução de agentes de código aberto em que tudo é um plugin. O projeto está em prévia para desenvolvedores e alerta que ocorrerão mudanças que quebram compatibilidade.

Sua arquitetura de plugins pode trocar ou recompor capacidades, em vez de prender usuários a um único design fixo de agente. Essa flexibilidade torna o projeto útil, mas também complica qualquer alegação sobre o “desempenho do DeepSeek-V4-Pro”.

Quais plugins estavam ativos? Qual preset os carregou? Qual prompt de sistema foi usado? Como o histórico da conversa foi compactado? O shell permaneceu ativo entre turnos?

Esses detalhes não são trivialidades de implementação. Eles moldam as informações e as ações disponíveis ao modelo em cada etapa.

A documentação de modelo da DeepSeek torna visível essa dependência do sistema. A empresa recomenda o raciocínio máximo para tarefas exigentes de agentes e pelo menos 384.000 tokens de contexto para esse modo.

Seu model card também relata grandes diferenças entre as configurações de raciocínio. No Terminal Bench 2.0, a DeepSeek lista o V4-Pro com 59,1 no modo sem raciocínio, 63,3 em alto esforço e 67,9 em esforço máximo.

No SWE-bench Verified, a progressão relatada é de 73,6, 79,4 e 80,6. No BrowseComp, alto e máximo marcam 80,4 e 83,4, enquanto não há resultado listado para o modo sem raciocínio.

Essas são avaliações da própria DeepSeek, e não reproduções independentes. No entanto, elas demonstram a posição da empresa de que a configuração de inferência altera materialmente a capacidade medida.

O relatório técnico vai além ao explicar o ambiente de avaliação. Para tarefas de agentes de código, a DeepSeek usou uma coleção mínima de ferramentas, incluindo acesso ao shell e edição de arquivos.

Para tarefas de agentes de busca, a empresa usou um harness interno. Isso significa que as pontuações relatadas para agentes nunca representaram um modelo isolado respondendo a prompts independentes.

Não há nada inerentemente impróprio nisso. Modelos de agentes precisam de ferramentas, e um benchmark deve fornecer algum ambiente de execução. Todo fornecedor escolhe um.

O problema começa quando uma pontuação específica de um harness se torna uma abreviação da capacidade geral de um modelo em diferentes produtos. Um resultado gerado com shell persistente e compactação alinhada ao treinamento não é transferido automaticamente para outra extensão de editor.

Um desenvolvedor que usa um cliente compatível com Anthropic pode enviar resultados de ferramentas estruturados de modo diferente. Uma plataforma corporativa pode injetar instruções de segurança, mensagens de auditoria, resultados de recuperação e barreiras de aprovação.

Essas adições podem ser necessárias em produção. Elas também podem afastar o prompt do ambiente usado durante o aprendizado por reforço.

O modo Minimal, portanto, faz mais do que melhorar uma demonstração. Ele expõe quanta infraestrutura oculta existe por trás da pontuação de um modelo.

É por isso que a disputa sobre o DeepSeek pro importa além de um lançamento. O model card nomeia o DeepSeek-V4-Pro, mas a unidade funcional em uma tarefa de agente é o DeepSeek-V4-Pro mais uma configuração de harness.

Quando essa distinção se torna explícita, os placares precisam informar ambas as partes.

Alinhamento ao Treinamento Não É Automaticamente Overfitting

As evidências públicas sustentam a sensibilidade à configuração, mas ainda não provam que o DeepSeek-V4-Pro tenha sofrido overfitting para um único harness.

Overfitting tem um significado preciso. Um sistema sofre overfitting quando aprende padrões que têm bom desempenho em sua distribuição de treinamento, mas não conseguem se generalizar para entradas significativamente diferentes.

Neste caso, a suposta distribuição de treinamento inclui mais do que problemas de programação. Ela também pode incluir a estrutura de prompts do agente, nomes de ferramentas, formatos de resposta, comportamento do shell e política de gerenciamento de contexto.

Se o aprendizado por reforço recompensou repetidamente o sucesso dentro de uma composição, o modelo se adaptaria racionalmente a essa composição. Semânticas consistentes de ferramentas reduzem a incerteza e tornam o sinal de recompensa mais fácil de aprender.

Essa adaptação pode ser benéfica. Humanos também têm melhor desempenho com interfaces familiares, ferramentas confiáveis e fluxos de trabalho estáveis.

Um modelo treinado para usar um editor de arquivos previsível deve superar outro forçado a inferir o comportamento de um editor não documentado. Chamar todo ganho desse tipo de “overfitting” tornaria o termo quase inútil.

A acusação mais forte exige um padrão de falha mais amplo. O V4-Pro precisaria mostrar uma degradação incomumente acentuada quando detalhes ambientais irrelevantes mudam, embora a tarefa subjacente permaneça equivalente.

Por exemplo, pesquisadores poderiam renomear ferramentas preservando suas descrições e comportamento. Poderiam reordenar esquemas de ferramentas, variar formulações inofensivas, substituir o editor por uma interface equivalente ou alterar a compactação sem remover fatos necessários.

Um agente generalista deveria tolerar muitas dessas mudanças. Um modelo vinculado ao harness perderia desempenho substancial apesar de receber as mesmas capacidades práticas.

Nenhum estudo público ainda estabeleceu esse padrão em tarefas e testes aleatórios suficientes. Capturas de tela, vídeos e sessões pessoais de programação podem identificar uma questão de pesquisa, mas não podem medir generalização.

A alegação de que o “Minimal desbloqueia o modelo real” também tem várias explicações alternativas.

Primeiro, o modo Minimal pode remover a poluição do prompt. Manuais longos de ferramentas e instruções sobrepostas frequentemente pioram o comportamento de agentes, especialmente em sessões prolongadas.

Segundo, ele pode preservar o estado de forma mais eficaz. Um shell persistente permite que um modelo mantenha diretórios de trabalho, estado do ambiente e processos em execução sem precisar reconstruí-los.

Terceiro, o preset pode expor as interfaces de ferramentas usadas durante o pós-treinamento. Isso cria alinhamento de distribuição, mas não necessariamente memorização de benchmarks.

Quarto, as primeiras solicitações da GA podem ter encontrado variações na implantação. Relatos da comunidade mencionaram raciocínio incomumente curto e possíveis mudanças de roteamento, embora a DeepSeek não tenha confirmado uma reversão emergencial.

Quinto, os usuários podem selecionar e divulgar as execuções bem-sucedidas mais marcantes. Demonstrações positivas se espalham rapidamente, enquanto replicações fracassadas recebem menos atenção.

O viés oposto também existe. Usuários decepcionados podem generalizar a partir de uma sessão com problemas, especialmente após ler alegações sobre benchmarks que elevaram suas expectativas.

Os resultados oficiais da DeepSeek deixam espaço para ceticismo. A empresa informa que o V4-Pro Max resolve 80,6 por cento do SWE-bench Verified e alcança 67,9 no Terminal Bench 2.0.

Ela também informa uma classificação de 3206 no Codeforces e uma taxa de aprovação de 93,5 no LiveCodeBench. Esses números apresentam o modelo como um sistema de programação de alto nível sob a configuração de avaliação declarada.

A avaliação independente oferece uma referência mais útil. O Center for AI Standards and Innovation do governo dos EUA avaliou o modelo de prévia usando as configurações recomendadas pelos desenvolvedores.

Em sua avaliação independente, a CAISI executou o DeepSeek V4 em GPUs H200 e B200. Ela preservou o raciocínio interno e usou valores recomendados para contexto, amostragem, prompts de sistema e pensamento máximo.

A CAISI também reproduziu o resultado GPQA-Diamond relatado pela própria DeepSeek, reduzindo a probabilidade de um erro básico de configuração de inferência nesse benchmark. Para os testes de agentes, porém, ela usou o agente ReAct integrado do Inspect em vez do DeepSeek Harness Minimal.

Essa diferença é exatamente o que análises futuras devem examinar. Um modelo pode igualar um benchmark estático de raciocínio enquanto permanece altamente sensível ao ciclo de agente ao seu redor.

As evidências disponíveis, portanto, sustentam uma conclusão cautelosa. O DeepSeek-V4-Pro é sensível ao ambiente, e a DeepSeek otimizou seu fluxo de trabalho de agentes em torno de composições conhecidas.

As evidências não estabelecem que a DeepSeek memorizou tarefas públicas de benchmark. Tampouco provam manipulação intencional.

Chamar o modelo de sobreajustado hoje se adianta aos dados. Chamar o harness de irrelevante ignora o que tanto a documentação da DeepSeek quanto os testes da comunidade mostram.

A Verdadeira Disputa É Entre Agentes Alinhados ao Treinamento e Modelos Portáteis

O desafio imediato da DeepSeek não é superar um único modelo rival. É provar que sua capacidade sobrevive fora do seu ambiente de execução preferido.

Fornecedores de modelos estão cada vez mais otimizando sistemas completos de agentes. O modelo continua importante, mas a orquestração determina se seu raciocínio produz um artefato útil.

A OpenAI combina modelos com Codex. A Anthropic desenvolve modelos junto com Claude Code. O Google controla o comportamento dos modelos dentro de seus produtos de programação Gemini, enquanto ambientes independentes acrescentam seus próprios prompts e ferramentas.

A DeepSeek agora tem a mesma opção estratégica. Ela pode cocriar o V4-Pro com o DeepSeek Harness, medir falhas de ponta a ponta e usar esses rastros para aprendizado por reforço.

Essa abordagem pode produzir melhores resultados no mundo real do que tratar a API como um gerador de texto isolado. Ela também pode acelerar a depuração porque a empresa controla ambos os lados da interação.

Um harness estável oferece às equipes de treinamento um ambiente repetível. Elas podem recompensar o uso correto de comandos, validar alterações de arquivos, penalizar trabalho inacabado e testar sessões de longa duração.

A contrapartida é a portabilidade. Empresas raramente implantam um modelo no ambiente de referência intacto do fornecedor.

Elas adicionam verificações de permissão, recuperação privada, registros, filtros de políticas, aprovações humanas e ferramentas específicas da organização. Os desenvolvedores trazem editores existentes, agentes de linha de comando e frameworks de automação.

Cada adição altera a distribuição da interação. Um modelo que depende de um prompt de sistema enxuto pode regredir quando uma política de segurança empresarial adiciona vários milhares de tokens.

Um modelo treinado em torno de um protocolo de edição de arquivos pode lidar mal com as mensagens de erro de outro protocolo. Uma estratégia de compactação que funciona para programação pode descartar evidências necessárias em tarefas jurídicas ou analíticas.

Capacidade portátil significa manter o desempenho diante dessas variações. Isso não exige pontuações idênticas em todos os lugares, mas exige degradação gradual.

A capacidade alinhada ao treinamento oferece uma promessa diferente. O fornecedor disponibiliza um sistema recomendado com configurações conhecidas, e os usuários recebem o desempenho anunciado ao adotar toda a pilha.

Nenhuma das abordagens é universalmente superior. Um sistema fortemente integrado pode gerar melhores resultados para equipes dispostas a se padronizar em torno dele.

Um modelo portátil oferece mais liberdade aos criadores de plataformas. Também torna os resultados de benchmarks mais fáceis de comparar entre ambientes de execução.

A comunicação atual da DeepSeek tenta reivindicar ambas as vantagens. O V4-Pro está disponível por meio de vários formatos de API e é apresentado como compatível com os principais produtos de agentes.

Ao mesmo tempo, seu comportamento mais forte relatado parece estar estreitamente ligado ao raciocínio máximo e a uma composição especializada de harness. Essa lacuna pressiona a alegação de portabilidade.

O anúncio oficial da prévia afirmou que a DeepSeek havia otimizado o V4 para Claude Code, OpenClaw, OpenCode e outros produtos de agentes. Também afirmou que a empresa estava usando o V4 internamente para programação agêntica.

Essas declarações implicam uma adaptação mais ampla do que um único preset Minimal. A DeepSeek pode sustentá-las publicando resultados em diversos ambientes de execução independentes sob orçamentos equivalentes.

A comparação deve controlar mais do que a pontuação final. Pesquisadores devem informar uso de tokens, tempo de execução, taxa de conclusão, erros de ferramentas, novas tentativas e categorias de falha.

Eles também devem separar falhas do modelo de falhas do harness. Se um editor rejeitar um patch malformado, o rastro deve mostrar se o defeito foi causado pelo esquema, pelo analisador ou pelo modelo.

Esse nível de divulgação melhoraria todo o mercado de agentes. Os rankings atuais frequentemente comprimem um sistema complicado em uma porcentagem ao lado de um nome de modelo.

Essa apresentação incentiva compradores a comparar endpoints de modelos enquanto ignoram a orquestração. Ela também permite que fornecedores escolham harnesses favoráveis sem mostrar o quão sensíveis são seus resultados.

O DeepSeek Harness poderia ajudar a resolver esse problema se a empresa usar seu design de plugins para ablações controladas. A equipe pode trocar um componente de cada vez e publicar as mudanças resultantes nas pontuações.

Testes de ablação removem ou alteram um elemento para medir sua contribuição. Aqui, eles poderiam quantificar o valor do estado persistente de shell, da política de compactação, da nomenclatura das ferramentas ou do tamanho do prompt de sistema.

Se o modo Minimal vencer porque remove instruções irrelevantes, outros desenvolvedores de harness podem copiar essa lição. Se vencer porque o modelo espera tokens exatos do período de treinamento, as preocupações com portabilidade se tornam mais fortes.

Qualquer um dos resultados seria mais informativo do que outra execução de demonstração. A disputa precisa de medição, não de uma competição entre vídeos entusiasmados e publicações frustradas.

O Que Confirmaria ou Enfraqueceria a Preocupação com o DeepSeek Pro

Três sinais observáveis podem determinar se o modo Minimal é uma configuração de referência sensata ou uma dependência de desempenho.

O primeiro sinal é uma avaliação controlada entre harnesses do modelo 0813. Ela deve executar tarefas idênticas por meio do DeepSeek Harness Minimal, de seu preset padrão e de pelo menos dois ambientes de execução de agentes independentes.

Cada configuração precisa ter o mesmo nível de raciocínio, orçamento de tokens, política de amostragem, capacidades de ferramentas e limite de novas tentativas. Os avaliadores devem usar múltiplas tentativas porque os resultados dos agentes variam entre execuções.

Uma grande vantagem do Minimal fortaleceria a preocupação com a dependência de configuração. Resultados semelhantes entre ambientes de execução equivalentes enfraqueceriam a teoria do sobreajuste e sugeririam que as falhas iniciais vieram de problemas de configuração ou implantação.

O segundo sinal é a resiliência diante de mudanças inofensivas na interface. Os avaliadores devem renomear ferramentas, reordenar esquemas, parafrasear instruções e substituir editores funcionalmente equivalentes.

O desempenho deve permanecer amplamente estável quando as informações e as ações disponíveis não mudam. Uma queda acentuada mostraria que o modelo depende de características superficiais, em vez de compreensão geral das ferramentas.

Esse teste importa mais do que comparar um harness de fornecedor a outro. Produtos diferentes introduzem muitas variáveis de uma vez, tornando difícil isolar a causa de uma mudança de pontuação.

O terceiro sinal é a própria divulgação da DeepSeek. A empresa deve publicar a composição exata de agentes por trás de cada benchmark de destaque, incluindo prompts, esquemas de ferramentas, regras de compactação e configurações de inferência.

Ela também deve distinguir o modelo de prévia do checkpoint GA de 13 de agosto. Sem resultados versionados, os usuários não podem saber se uma pontuação mais antiga se transfere para o endpoint que estão chamando.

A DeepSeek não precisa revelar dados privados de treinamento para fornecer essa transparência. Scripts de avaliação reproduzíveis e configurações completas de execução responderiam à questão central.

Pesquisadores independentes poderão então testar se os ganhos alegados sobrevivem em outros repositórios, linguagens, durações de tarefa e restrições de segurança. Compradores empresariais poderão avaliar se adotar o harness de referência se encaixa em seus sistemas.

Para os desenvolvedores, a lição prática já está clara. Não avalie o DeepSeek pro por uma única janela de chat e não confie em um único sucesso no modo Minimal como resultado universal.

Teste o par exato de modelo e harness que entrará em produção. Registre configurações de raciocínio, política de contexto, definições de ferramentas, novas tentativas e conclusão de tarefas, em vez de julgar apenas a prosa final.

Para publicadores de benchmarks, relatem configurações como entradas de primeira classe. “DeepSeek-V4-Pro with DSH Minimal” é mais honesto do que uma linha rotulada apenas como “DeepSeek-V4-Pro.”

Para a DeepSeek, a oportunidade é maior do que defender um lançamento. A empresa pode transformar essa controvérsia em um padrão mais claro para avaliar sistemas de agentes.

O resultado mais forte não seria provar que o modo Minimal faz o V4-Pro parecer excepcional. Seria evidenciar que o modelo continua útil quando organizações reais substituem o Minimal por seus próprios ambientes complexos.

Até que esses resultados cheguem, “sobreajuste” continua sendo um diagnóstico não comprovado. A dependência de configuração é a preocupação estabelecida, e já é significativa por si só.

Se você estiver testando o lançamento 0813, execute a mesma tarefa de repositório em pelo menos dois harnesses e repita cada execução. Preserve os rastros, normalize os orçamentos e publique falhas junto com sucessos. Essas evidências dirão se o DeepSeek pro aprendeu comportamento de agente transferível ou um fluxo de trabalho excepcionalmente familiar.