A nova IA da DeepSeek tem um segredo

Autoria: Two Minute Papers · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Deepseek’s New AI Has A Secret · Canal: Two Minute Papers · 05:08 · Assistir no YouTube

Tópicos: Inferência e otimização de modelos, Infraestrutura e hardware de IA, Modelos de IA, Modelos locais e open source

Resumo

A transcrição apresenta a DeepSeek 4.1 flash 1017, que, apesar do nome e da arquitetura inalterada, teria melhorado bastante na criação de software e no uso do terminal. Seu preço por milhão de tokens parece muito inferior ao do Claude Opus 5.5, mas o custo por tarefa pode ser menos vantajoso porque o modelo consome mais tokens. O possível segredo do avanço é o aprendizado por feedback próprio: a IA critica seus resultados e os aprimora com base na própria experiência. O vídeo também destaca o potencial dos pesos abertos e a competição entre modelos, além de divulgar os serviços de GPU da Lambda.

Pontos-chave

A DeepSeek 4.1 flash 1017 teria melhorado na criação de software e no uso do terminal.
O modelo pode ser acessado por API por pouco mais de um dólar por milhão de tokens.
O custo por milhão de tokens não revela necessariamente o custo por tarefa, pois modelos podem usar quantidades diferentes de tokens.
Segundo o teste independente citado, a DeepSeek pode usar de duas a três vezes mais tokens que Claude Opus para realizar a mesma tarefa.
O vídeo afirma que os pesos podem ser baixados gratuitamente, embora executar o modelo exija hardware caro.
Modelos menores e mais baratos podem surgir por meio da destilação de modelos de fronteira.
A arquitetura não teria mudado; o avanço pode estar relacionado ao aprendizado por feedback próprio.
O aprendizado por feedback próprio permitiria que a IA identificasse falhas em seus resultados, corrigisse-as e tentasse novamente.
O apresentador destaca a competição intensa entre modelos de fronteira e alternativas de pesos abertos.

Capítulos

Início	Capítulo	Resumo
00:00	Uma nova versão da DeepSeek	O vídeo apresenta a DeepSeek 4.1 flash 1017 e suas melhorias em programação e uso do terminal.
01:00	Preço por token e custo por tarefa	O apresentador ressalta que o consumo maior de tokens pode reduzir a vantagem de preço anunciada.
02:30	O possível segredo do avanço	Com a arquitetura aparentemente inalterada, o vídeo propõe o aprendizado por feedback próprio como possível explicação para as melhorias.
03:02	Aprender com os próprios resultados	Um exemplo de desenvolvimento de jogo ilustra como a IA poderia detectar falhas, corrigi-las e continuar aprimorando o trabalho.
04:36	Competição e divulgação da Lambda	O vídeo celebra o avanço dos modelos de pesos abertos e termina com uma apresentação dos serviços de GPU da Lambda.

Citações

Devemos pensar sempre em custo por tarefa, não por milhão de tokens. — 01:00

A IA consegue criticar o próprio trabalho e aprender com ele. — 03:02

A detecção de colisões não parece funcionar. Vamos corrigir isso. — 03:32

Podemos criar situações em que a IA aprende com as próprias experiências, aprendendo como um ser humano. — 04:05

Conceitos e entidades

DeepSeek (empresa): Empresa associada ao sistema de IA apresentado no vídeo.
DeepSeek V4.1 Flash 1017 (modelo): Sistema descrito como uma nova versão da DeepSeek, com melhorias em programação e uso do terminal.
Claude Opus 5.5 (modelo): Modelo usado como referência de comparação de preço e consumo de tokens.
self-feedback (conceito): Abordagem em que a IA avalia o próprio trabalho e usa essa avaliação para aprimorar seus resultados.
distillation (conceito): Processo mencionado no vídeo pelo qual sistemas menores podem ser derivados de modelos maiores.
API (ferramenta): Interface pela qual, segundo o vídeo, é possível acessar o modelo mediante pagamento por tokens de saída.
Lambda (empresa): Empresa divulgada no encerramento por oferecer GPUs para experimentos e execução de modelos.
NVIDIA (empresa): Empresa cujas GPUs são mencionadas na promoção dos serviços da Lambda.
Károly Zsolnai-Fehér (pessoa): Apresentador do canal Two Minute Papers.

Tradução completa (pt-BR)

00:00 Boa notícia, pessoal: um novo sistema de IA da DeepSeek está disponível. Viva! Então, esse é um salto pequeno ou grande nas capacidades de IA? Bem, não parece grande, porque a versão anterior era a 4.1 flash e esta se chama 4.1 flash 1017. Eu sei. Nomes. Só se passaram cerca de 5 semanas desde a última versão, e eles nem quiseram incrementar o número da versão. Então, acho que não é um grande salto,

00:30 certo? >> [risos] >> Rapaz, como eu estava errado ao pensar isso. Santo mar de artigos, olhem só. Ele cria softwares funcionais muito melhores e [limpa a garganta] é muito melhor em usar o terminal para operar o computador. E também é muito bom em outras coisas. Você pode executá-lo pela API por pouco mais de um dólar por milhão de tokens de saída. Uau, mas será que isso é mesmo possível? Custa 15 vezes menos que o

01:00 Claude Opus 5.5. Finalmente, inteligência barata demais para ser medida. Bem, isso soa um pouco melhor do que realmente é. É que sempre medimos em dólares por milhão de tokens, mas diferentes sistemas de IA usam quantidades diferentes de tokens para a mesma tarefa, e a DeepSeek não está entre os melhores nesse aspecto. No meu teste independente, vi que ela pode facilmente usar de duas a três vezes mais tokens para fazer a mesma coisa que o

01:30 Claude Opus. Então, devemos sempre pensar no custo por tarefa, não por milhão de tokens. O custo por tarefa da DeepSeek ainda é bem bom, só um pouco menos bom do que o anunciado. Agora, aqui vem a melhor parte. Você pode baixar os pesos e ser dono deles de graça para sempre. Você vai precisar de, hmmm, deixa eu conferir minhas anotações. Ah, sim. Exatamente um zilhão de dólares para conseguir o

02:00 hardware para executá-lo. Então, não consigo executá-lo em casa. Porém, esse não é o ponto. O ponto é que, depois que surge um novo sistema de IA, começa uma corrida para criar algo quase tão bom, mas com uma fração do tamanho e do custo. A Deep Seek faz isso com os modelos de ponta, enquanto outros sistemas destilam a DeepSeek para criar sistemas menores e mais baratos. Então, sim. Primeiro, será preciso um zilhão de dólares

02:30 e talvez, menos de um ano depois, você consiga executá-lo em um laptop potente. Mas espere. A arquitetura não mudou nada nesta nova versão. Então, como diabos eles conseguiram um salto tão grande nas capacidades? Caros colegas acadêmicos, este é o Two Minute Papers com o Dr. Károly Zsolnai-Fehér. Então, como? Bem, analisei a linguagem que usaram no anúncio e a comparei com outras pesquisas reais para ver o que

03:02 eles talvez quisessem dizer. Mas não há garantias. Acho que o termo-chave aqui é aprender com o feedback próprio. O que é isso? É o oposto do que todo mundo está dizendo: que é preciso obter mais dados de treinamento. Isso é o contrário. Significa que a IA é capaz de criticar o próprio trabalho e aprender com ele. Isso é absolutamente incrível. Agora, preparem-se, caros colegas acadêmicos, e imaginem que ela pudesse programar um

03:32 jogo de corrida. Então, ela começa a jogar e percebe: “Espere aí, a detecção de colisões parece não funcionar. As coisas atravessam umas às outras. Bem, isso não é bom. Vamos corrigir.” Compile o novo jogo e continue jogando e aprimorando-o. Agora, não há aceleração. Corrija isso. Depois, os detalhes visuais são bem ruins. Corrija isso também. E assim por diante. Então, se vocês lembrarem de uma coisa sobre este episódio, que seja isto: continuamos falando em dar cada vez mais

04:05 dados de treinamento aos sistemas de IA para que aprendam. Mas pesquisas anteriores mostraram que podemos criar situações em que a IA aprende com as próprias experiências, aprendendo como um ser humano. E talvez seja isso chegando a um produto real que possamos ter e usar. Uau, isso é incrível e muito difícil de conseguir, porque, essencialmente, a IA julga e recompensa a si mesma. E nem sempre é fácil saber quando ela

04:36 está indo bem ou não. Os modelos de IA de ponta estão melhorando num ritmo incrível, e as alternativas com pesos abertos estão logo atrás. E toda essa melhoria em apenas 5 semanas. Estou pasmo. Incrível. É ótimo ver uma concorrência intensa nesse campo. Isso é uma notícia incrível para todos nós, colegas acadêmicos. Mais inteligência para todos nós, por menos dinheiro. Que época para estar vivo. Uso a Lambda para

05:08 reproduzir artigos de pesquisa em IA, muitas vezes em minutos. Também é ótima para treinar seus próprios modelos ou fazer fine-tuning de um modelo existente. Executar inference ou gerar imagens ou vídeos a partir de texto é moleza. Executar um chatbot ou agent da DeepSeek: super-rápido, superconfiável. A Lambda oferece GPUs Nvidia potentes para você executar seus próprios experimentos. Testo ideias dos artigos que abordo e, momentos depois, já tenho resultados. Adoro. Sério, experimente agora em lambda.ai/papers.

Transcrição original

[00:00] Good news everyone, a new DeepSeek AI system is available. Hooray! So, is this a small or a big jump in AI capabilities? Well, doesn’t sound big because the previous version was 4.1 flash and this one is called 4.1 flash 1017. I know. Names. Only about 5 weeks have passed since the last version and they didn’t even want to increment the version number. So, I guess it’s not a big jump,

[00:30] right? >> [laughter] >> Boy, was I wrong when I thought that. Holy matter of papers, look at that. It builds much better working software and [clears throat] is way better at using the terminal to operate the computer. And it’s really good at other things, too. You can run it from the API for just a bit more than a dollar per million output tokens. Wow, but can that really be? This is 15 times cheaper than

[01:00] Claude Opus 5.5. Finally, intelligence too cheap to meter. Well, that sounds a bit better than it really is. You see, we always measure dollars per a million tokens, but different AI systems use a different amount of tokens for the same task and DeepSeek is not among the best in this. In my independent test, I saw that it can easily take two to three times more tokens to accomplish the same thing as

[01:30] Claude Opus. So, we should always think in cost per task, not per million tokens. Now, the cost per task for DeepSeek is still quite good, just a bit less good as what is advertised. Now, here is the best part. You can download and own the weights for free and own it forever. You will need, hmm, let me check my notes. Ah, yes. Exactly one bazillion dollars to get the

[02:00] hardware to run it. So, I can’t run that myself at home. However, that’s not the point. The point is that after a new AI system appears, it starts a race to create something close to as good but at a fraction of its size and cost. Deep Seek does that to the frontier models while other systems distill Deep Seek down into smaller and cheaper systems. So, yes. First, one bazillion dollars

[02:30] will be needed and maybe less than a year later, you find yourself being able to run it on a beefy laptop. But, wait. The architecture did not change at all in this new version. So, how on earth did they get such a huge jump in capabilities? Dear fellow scholars, this is Two Minute Papers with Dr. Károly Zsolnai-Fehér. So, how? Now, I looked at the language they used in their announcement and cross-checked it against other real research to see what

[03:02] they may have meant. No guarantees though, but I think the key term here is learning from self-feedback. What’s that? That’s the opposite of what everybody is talking about which is needing to obtain more training data. This is the opposite. This means that the AI is able to critique its own work and learn from it. That is absolutely amazing. Now, hold on to your papers, fellow scholars, and imagine that it could code up a

[03:32] racing game. Then, it starts playing it and notices, “Wait a minute, the collision detection does not seem to work. Things go through each other. Well, that’s not great. Let’s fix that.” Compile the new game and keep playing and improving it. Now, there’s no acceleration. Fix that. Then, visual detail is quite poor. Fix that, too. And so it goes. So, if you remember one thing about this episode, let it be this. We keep talking about giving more

[04:05] and more training data to AI systems to learn from. But, previous research works have shown that we can create situations where the AI can learn from its own experiences, learning like a human. And maybe this is it coming online in a real product we can own and use. Ooh, that is incredible and very hard to pull off because the AI essentially judges and rewards itself. And it’s not always easy to tell when it

[04:36] is doing well or not. The frontier AI models are improving at an incredible pace and the open weights alternatives are right on their heels. And all this improvement in just 5 weeks. I am stunned. Amazing. It is lovely to see that there is intense competition in this space. That is amazing news for all of us fellow scholars. More intelligence for all of us, cheaper. What a time to be alive. I use Lambda to

[05:08] reproduce AI research papers often in minutes. It’s also great to train your own models or fine-tune an existing one. Run inference or text to image or video, easy peasy. Running a deep seek chatbot or agent, super fast, super reliable. Lambda gives you powerful Nvidia GPUs to run your own experiments. I test ideas from the papers I cover and moments later, results. Love it. Seriously, try it out now at lambda.ai/papers.