DeepSeek V4.1 Flash a 1.000 tokens/s: o mesmo token custa até 16x mais no tier rápido

O mesmo token por 16x o preço: a conta por trás do "ultrafast" do DeepSeek V4.1 Flash

Em 7 de novembro, a Vercel passou a oferecer no AI Gateway o deepseek/deepseek-v4.1-flash-1017-ultrafast , servido pela Fireworks, com geração "acima de 1.000 tokens por segundo", contexto de 1 milhão de tokens e sem sala de espera nem limite de sessão, em prévia pública. A notícia fácil é a velocidade. A notícia útil é comercial: o mesmo checkpoint, no mesmo provedor, é vendido hoje por valores que vão de metade da tabela padrão a cerca de 8x ela. Velocidade virou um tier de preço — e ele cobra caro por segundo economizado.

O que foi anunciado, com data e condição

3 de novembro, Forge (Fireworks). A Fireworks abriu em prévia pública o modo Ultra-fast , sobre GPUs NVIDIA Blackwell, com a promessa de "até 1.500 tokens por segundo" rodando o DeepSeek V4.1 Flash. A release original diz "speeds exceeding 1,500" sem explicitar a unidade — a leitura de tokens/s, adotada pela imprensa especializada, é a mais provável, mas o texto não fecha isso. No mesmo pacote vieram um Background Mode pela metade do preço para cargas que toleram espera, limites de taxa maiores e a ampliação de capacidade na Europa com Vera Rubin e Grace Blackwell (2027).

7 de novembro, Vercel AI Gateway. O modelo entra no catálogo como prévia pública self-serve, sem fila: >1.000 tokens/s , janela de 1M de tokens, posicionado para código interativo, raciocínio e laços de agentes em que cada passo precisa terminar para o próximo começar.

O número de marketing ("1.000 tokens/s") mede TPOT : tokens por segundo na decodificação. Não mede TTFT (primeiro token), nem o custo de prefill de um prompt longo, nem o comportamento com 32 requisições concorrentes no mesmo endpoint.

Os quatro preços do mesmo modelo

Condições: todos os tiers servem o mesmo checkpoint, o V4.1-Flash-1017, atualização de 17 de outubro que manteve o preço de tabela. A coluna de cache é o item mais subestimado da tabela: o desconto é de 98% sobre a entrada (US 0,30), o que reescreve a conta de qualquer agente que reenvia o mesmo prefixo em vários turnos. A linha do Ultra-fast em US 9,60 por milhão.

Há uma divergência que vale registrar: um rastreador de preços (LLM Price Watch, digest de 8/11) listou deepseek-v4-1-flash a US 0,567 de saída. É bem abaixo da tabela oficial e não há metodologia publicada no digest; provavelmente é mistura de cache hit com janela fora de pico, mas sem confirmação. Não use esse número como lista.

A conta: 8x de prêmio para economizar segundos

Um passo de agente de código típico: 20 mil tokens de entrada (16 mil em prefixo cacheado, 4 mil novos) e 1.000 tokens de saída.

Padrão, pico: US 0,000096 (16 mil em cache) + US 0,0025 por passo**.

Ultra-fast, com o multiplicador de 8x aplicado à entrada e a hipótese de 8x na saída: ≈ **US 0,017.

Tempo: a 1.000 tokens/s, 1.000 tokens de saída levam ~1 s. Se o tier padrão roda a 125–170 tokens/s (a faixa de 6x a 8x que a Fireworks atribui ao modo rápido), o mesmo trecho leva 6 a 8 s.

Ou seja: ~US 0,50 a mais** por execução. Isso é barato se o gargalo é uma pessoa esperando ou um usuário que abandona a sessão; é caro se o laço roda em background ou em lote.

O motivo de o prêmio do Ultra-fast importar mais do que parece: a fatura é dominada pela saída . Numa medição pública com 10 mil comentários classificados no V4.1 Flash (EveryInfra, 8/11), os tokens de saída responderam por 74% a 83% da conta do modelo; encurtar rótulos e rodar fora de pico levou o custo medido de US 0,07–0,14 no mesmo lote. Prêmio sobre entrada é ruído; prêmio sobre saída é a conta inteira.

O que ainda não se sabe

Condições da medição. "Acima de 1.000 tokens/s" não informa batch, tamanho de contexto, uso de decodificação especulativa (um drafter muda o custo por token) nem distribuição de latência (p50 vs p99).

TTFT sob prompt longo. Com 1M de contexto e entrada a US$ 2,40, o prefill pode virar o item dominante em prompts de 100 mil tokens ou mais.

SLA. É prévia pública, self-serve, sem compromisso de capacidade. Bom para testar agente interativo; frágil como dependência de produção.

Preço de saída do tier rápido. Sem isso, qualquer orçamento é estimativa.

Dois números para ler o movimento

A OpenRouter informou em 6/11 ter roteado 790 trilhões de tokens em outubro, alta de 37% sobre setembro e ~25x janeiro; agentes responderam por 76% do volume (~600 trilhões). É o tipo de carga que paga prêmio por TPOT — e o V4.1 Flash apareceu com 24,66% dos tokens roteados num dia de 29,3 trilhões. Na ponta oposta, o Workbuddy , da Tencent, anunciou em 8/11 devolução de metade dos pontos gastos com DeepSeek V4.1 Flash entre 5 e 8/11, depois de encerrar um desconto sem avisar. Se você compra token por revenda, o preço que aparece na fatura pode ser um desconto temporário.

Leitura prática

Não migre tudo para o tier rápido. Meça primeiro a fração de requisições em que o usuário espera de fato; é nela que os 5–7 s valem US$ 0,017.

Ataque a saída antes da velocidade. Rótulos curtos, limites de max_tokens e prompts que não repetem contexto cortam mais custo do que trocar de tier.

Cache de prefixo é o item de maior alavancagem da tabela. 98% de desconto na entrada reescrita de agentes supera qualquer negociação de preço.

Trate prévia como prévia. Rode o Ultra-fast em A/B com um fallback no endpoint padrão e compare p99 de TTFT, não a média.

Próximos passos

Acompanhe se a Fireworks e a DeepSeek publicam o preço de saída do modo Ultra-fast e as condições de medição — e se outros provedores copiam o modelo de tier de velocidade em vez de desconto por volume.

Fontes