DeepSeek V4 Official Release: What 121 Gray Tests Reveal About Coding Performance

Veredito em poucas linhas

A DeepSeek não confirmou oficialmente que estes sejam o V4. O que temos em mãos é um volume grande e de consistência questionável de saídas suspeitas de um gray test: 121 vídeos no Bilibili publicados por 53 criadores entre 7 e 19 de julho de 2026, além de 40 sessões compartilhadas do OpenCode e alguns projetos para baixar. Esse volume dá para enxergar padrões, mas não para confirmar o ID do modelo ou rodar um benchmark controlado.

Com essa premissa em mente, a conclusão é clara: nas áreas em que Kimi K3, GPT-5.6 e Fable 5.0 brilham, o V4 fica um degrau abaixo — mas a diferença já é pequena o suficiente para que, na maior parte do dia a dia de código, um desenvolvedor focado em reduzir custo possa adotar o V4 como padrão e manter uma assinatura leve de modelo premium para code review, bugs cabeludos e os últimos 10% de tarefas longas com vários turnos.

Para os prints e links de chat da onda anterior, veja nosso compilado de evidências do gray test do DeepSeek V4.

Catálogo completo de fontes Evidência-chave

A evidência original por trás de todas as conclusões deste artigo — espelhada do repositório open-source YunhaoFu/dsv4ga-news-gather. Expanda para filtrar por criador, data ou palavra-chave. O título leva direto ao Bilibili.

O que os 121 testes revelam

Os dados vêm do projeto open-source dsv4ga-news-gather, que indexa vídeos públicos do Bilibili mantendo título, criador, timestamp, descrição, comentários, sessões compartilhadas e links de download. O snapshot de 19 de julho mostra, em linhas gerais:

Dois vieses importam mais do que qualquer número isolado. Viés de seleção: a maioria é "programação por desejo" — jogos no navegador, cenários 3D, animações em SVG, mini-brincadeiras com física, ferramentas musicais. Por isso, esse conjunto é uma evidência forte para prototipação rápida e geração de front-end, mas quase não diz nada sobre backend de produção, segurança, manutenção de monorepos grandes ou projetos com ciclos de vários meses. Viés de transparência: só 3 dos dez principais criadores compartilharam prompts ou logs de sessão. Dizer "versão oficial" no título é puro clickbait — os criadores em geral também só foram supostamente contemplados pelo gray test. Ao longo de todo o texto usamos a expressão versão suspeita do V4 em gray test.

No que o V4 parece ser bom

App de uma frase agora roda de verdade, não serve só para olhar

O padrão mais marcante é a geração de implementação completa a partir de uma especificação curta. No conjunto há mundos voxel, jogos de tiro, rhythm games, de sobrevivência, cenas em three.js, geradores de música e visualizações de engenharia. Um demo em SVG estilo GTA representativo foi, segundo a descrição, uma geração principal + uma rodada de correção de bug, e tem sessão compartilhada. Não é "uma frase entrega um jogo"; é "o modelo escolhe a arquitetura, costura subsistemas razoáveis para demonstrar a ideia e não regredir para um mockup oco".

Código 3D, SVG e simulações leves ficaram mais fortes

Cenas em three.js, assets SVG customizados, física de jogos e simulações interativas aparecem o tempo todo. Uma página web estilo CFD gás-líquido supostamente usa PBF para líquidos e LBM para gases, em duas rodadas de diálogo. O próprio criador aponta que a aerodinâmica não é realista e segue precisando de ajustes — exatamente a fronteira entre "protótipo impressionante" e "ferramenta de engenharia confiável".

O preço pode ser o verdadeiro headline

As comparações da comunidade descrevem o V4 e o Kimi K3 como próximos em projetos reais. Se a API final mantiver a vantagem histórica de preço da DeepSeek, "oferecer capacidade quase de fronteira pelo preço de infraestrutura" importa mais do que vencer qualquer demo head-to-head. Veja nossa comparação de preços de API de IA.

Onde o V4 ainda vacila

• Gosto e acabamento. Em composição de front-end e textos longos, a comunidade costuma preferir o Kimi K3. O visual do V4 pode ser impressionante, mas a qualidade varia muito conforme o design do prompt.
• Limites da instrução. Num demo, pediram ao modelo para remover comentários e ele, de quebra, corrigiu o bug do jogo. Esse tipo de iniciativa é mágico em brinquedos — e risco de revisão em repositório real. Cada diff precisa ser lido; não confunda "roda" com "aprovado".
• Confiabilidade em sessões longas de vários turnos. As sessões ainda quebram, saem dos trilhos ou acumulam dívida de arquitetura depois de vários turnos. Ser forte na primeira vez não garante ser forte na vigésima.
• Corretude física. Uma simulação de fluido ou de gravidade que parece certa não é um CFD ou mecânica válida. Visual certo ≠ valor numérico certo.
• Reprodutibilidade. O roteamento do gray test parece instável. Usuários diferentes podem ter atingido modelos, tiers ou comportamentos de sampling diferentes.
• Qualidade da evidência. Muitos vídeos não trazem prompt completo, identificação do modelo, número de falhas, uso de tokens nem edições manuais.

A descrição honesta é "gerador de protótipos com teto alto e capacidade real de programação" — não "engenheiro sênior que dispensa revisão".

V4 vs Kimi K3 vs GPT-5.6 vs Fable 5.0

Não existe aqui um benchmark controlado de quatro modelos. A tabela abaixo é uma síntese orientada a fluxo de trabalho, baseada em evidências do gray test e em feedback de usuários — não é um ranking.

V4 vs Kimi K3: o material direto mais confiável aponta para um embate equilibrado. Em front-end e texto o K3 parece melhor; o V4 tem custo-benefício superior e é competitivo na implementação. Um vídeo de comparação chegou a dezenas de milhares de views, mas prompt e pontuação não foram padronizados.

V4 vs GPT-5.6: comentários isolados afirmam que em alguns projetos web um ganha do outro. Isso é inspiração para teste, não resultado de benchmark. A pergunta útil de verdade é: o V4 consegue rodar a suíte de testes do seu repositório a um custo menor?

V4 vs Fable 5.0: demos de jogos impressionantes tornam a comparação tentadora, mas esse conjunto não basta para sustentar que o V4 empata em código grande, auditoria de segurança ou execução autônoma por longo tempo. Até que testes reprodutíveis mostrem o contrário, trate o Fable 5.0 como opção de upgrade.

Recomendação prática

A configuração mais barata e que não te queima:

1. Deixe o V4 fazer os primeiros 80–90%. Planejamento, scaffold, implementação, testes, documentação, correção de bug de rotina.
2. Valide localmente. Lint, checagem de tipos, testes unitários e de integração, mais revisão humana de diff. Inegociável.
3. Suba com evidência. Quando travar, mande o diff, os testes que falharam e o problema específico para o Kimi K3, GPT-5.6 ou Fable 5.0 — não reenvie o mesmo prompt vago.
4. Mantenha uma assinatura leve de modelo premium, não várias integrais. Use-a como revisor e modelo de resgate, não como consumidor padrão de tokens.

Essa configuração só funciona quando o segundo modelo recebe evidência (diff, logs, testes falhando). Perguntar o mesmo prompt vago a dois modelos em geral só dobra o custo, sem ganhar confiabilidade.

O que validar no lançamento oficial

A versão oficial precisa ser julgada por reprodutibilidade, não por demo de lançamento. Verifique:

• o ID exato do modelo na API, e se web, app e API usam o mesmo tier;
• janela de contexto, limite de saída, suporte a chamada de ferramentas e saída estruturada;
• preço por token de entrada, de entrada em cache e de saída;
• rate limit, roteamento em pico, e se os tiers "Pro/Flash/Max" se comportam de forma diferente;
• edição em nível de repositório, conclusão de testes e aderência a instruções;
• probabilidade de reproduzir a qualidade do gray test com o mesmo prompt;
• licenciamento, retenção de dados e opções de implantação.

Assim que a DeepSeek publicar o model card oficial, a documentação da API e o preço, atualizamos este texto. Até lá, qualquer afirmação sobre o modelo final é provisória.

Perguntas frequentes

A versão oficial já está disponível?

Este conjunto de dados registra roteamento suspeito de gray test, não um lançamento confirmado. Dizer "versão oficial" no título do vídeo não equivale a confirmação oficial da DeepSeek.

Como é, afinal, a capacidade de programação do V4?

A evidência é mais forte em protótipos web rápidos, jogos, SVG, three.js e correção iterativa de bugs; é mais fraca em monorepos de produção grandes, código sensível a segurança e tarefas automáticas de longa duração.

O V4 é mais forte que o Kimi K3?

Não em todas as tarefas. O V4 parece próximo e pode ter custo-benefício melhor; o Kimi K3 costuma levar no acabamento de front-end e em texto. Decida rodando com o mesmo prompt, mesmo runtime e mesmos critérios de aceitação.

Devo cancelar minha assinatura premium de código?

Para muita gente, reduzir a uma assinatura leve premium faz mais sentido do que cancelar tudo. Deixe o V4 carregar o volume e mantenha um modelo independente para revisão e upgrade.

Onde ver o gray test original?

Comece pelo índice no GitHub com os 121 vídeos. Casos representativos: teste em largura do V4 vs Kimi K3, comparativo de física 3D, teste de Minecraft com 8.192 chunks, caso de correção espontânea de bug.