DeepSeek V4 Pro (0813): Passback de Pensamento & Matriz de 3 APIs

Este artigo cobre as notas de uso e armadilhas do deepseek-v4-pro-0813. No AIHubMix, o modelo está disponível através das APIs de Chat Completions, Responses e Messages compatíveis com Claude. Veja também: Documentação oficial da API DeepSeek.

As conclusões e respostas de exemplo "Verificadas" em cada seção vêm de chamadas reais feitas em 2026-08-13 através das APIs AIHubMix (Chat Completions / Responses / Messages); itens de especificação não marcados como "Verificados" vêm da documentação oficial do DeepSeek.

1. Posicionamento do Modelo e Especificações em Resumo

O V4 Pro é a camada de alto desempenho da geração V4 do DeepSeek (o leve deepseek-v4-flash é seu irmão). A linha de lançamento remonta ao DeepSeek-V4 Preview em 2026-04-24, e 0813 é o rótulo da VERSÃO DO MODELO que o DeepSeek atribuiu à versão atual. Além das especificações brutas, quatro coisas o diferenciam:

• Um modelo de fronteira esparsa: 1,6T de parâmetros totais / 49B ativados (uma arquitetura MoE, ou mistura de especialistas — cada passagem de inferência ativa apenas um subconjunto de redes de especialistas: parâmetros totais determinam a capacidade de conhecimento, parâmetros ativados determinam o custo computacional por chamada). O cartão do modelo lista atenção híbrida CSA+HCA, mHC e o otimizador Muon.
• Pesos abertos sob MIT: deepseek-ai/DeepSeek-V4-Pro é publicado no HuggingFace sob a licença MIT (uma das licenças de código aberto mais permissivas — uso comercial e redistribuição de código fechado são ambos permitidos) e pode ser auto-hospedado. MIT é incomum para um modelo desse tamanho. As notas de auto-hospedagem do cartão do modelo também sugerem uma janela de contexto de ≥384K tokens ao rodar em Think Max (o nível mais alto de pensamento) — isso é uma orientação de implantação para auto-hospedagem, não uma especificação da API hospedada.
• Suporte a múltiplos protocolos é de primeira parte, não tradução de terceiros: O DeepSeek oferece uma API de Chat da OpenAI, um endpoint compatível com Anthropic (/anthropic, que mapeia claude-opus* para este modelo) e a API de Responses (o DeepSeek descreve suporte nativo para o formato, com adaptações para Codex). Também oferece conclusão FIM (preencher no meio) como um recurso Beta em um endpoint separado, que não faz parte das três APIs AIHubMix.
• Uma diferença de ~120× entre preços de acerto de cache e erro de cache: O mecanismo de preços publicado do DeepSeek é acerto de cache $0.003625/M vs erro de cache $0.435/M (saída $0.87/M), e o cache é automático, sem parâmetro a ser definido. Para cargas de trabalho que reutilizam longos prefixos (prompts do sistema, documentos longos), essa diferença domina a fatura. O preço de varejo real é o que a página do modelo mostra.

Verificado: exceder max_tokens é rejeitado pela validação em vez de ser truncado silenciosamente — enviar max_tokens=9999999 retorna HTTP 400, e o corpo do erro nomeia o campo e dá o teto 393216.

# max_tokens=9999999 -> HTTP 400
"...max_tokens... 393216"

❗ Imagens não geram um erro, mas são descartadas: a redação oficial para a API de Responses é "Entradas de imagem e arquivo não são suportadas (partes de input_image não causam um erro, mas são substituídas por um texto de espaço reservado)" — uma parte input_image não falha na solicitação, ela é trocada por texto de espaço reservado. Em Chat Completions, a mensagem do usuário content aceita apenas uma string, e em Messages os blocos type="image" são marcados como Não Suportados. Ao construir roteamento multimodal, nunca trate "sem erro" como evidência de que o modelo realmente viu a imagem.

2. Como Desativar o Pensamento? Três APIs, Três Formatos de Campo

O V4 Pro pensa por padrão: não envie parâmetros e a resposta retornará com conteúdo de pensamento. Desativá-lo usa um formato de campo diferente em cada uma das três APIs.

Chat Completions

Use o objeto thinking de nível superior.

from openai import OpenAI

client = OpenAI(
    base_url="https://aihubmix.com/v1",
    api_key="<AIHUBMIX_API_KEY>",
)

completion = client.chat.completions.create(
    model="deepseek-v4-pro-0813",
    messages=[{"role": "user", "content": "Qual é 2 + 2?"}],
    extra_body={"thinking": {"type": "disabled"}},
)

# Pensamento ativado  (padrão): message.reasoning_content presente, reasoning_tokens = 43
# Pensamento desativado (desativado): reasoning_content ausente, reasoning_tokens ausente

Verificado: com thinking.type="disabled", tanto message.reasoning_content quanto usage.completion_tokens_details.reasoning_tokens desaparecem juntos, o que confirma que a mudança teve efeito.

Responses

Não há um interruptor separado em Responses; desativar o pensamento significa definir o nível como none.

response = client.responses.create(
    model="deepseek-v4-pro-0813",
    input="Qual é 2 + 2?",
    reasoning={"effort": "none"},
)

# effort="none": usage.output_tokens_details.reasoning_tokens = 0
#                output[0] é o item de mensagem diretamente (sem item de raciocínio)
# effort não definido : output sempre começa com um item de raciocínio

Verificado: reasoning.effort="none" difere observavelmente do nível padrão (tokens de pensamento caem para zero, o item de saída reasoning desaparece), o que confirma que teve efeito.

Messages

Mesmo nome e mesmo formato que Chat Completions: o objeto thinking de nível superior.

from anthropic import Anthropic

client = Anthropic(
    api_key="<AIHUBMIX_API_KEY>",
    base_url="https://aihubmix.com",
)

response = client.messages.create(
    model="deepseek-v4-pro-0813",
    max_tokens=1024,
    messages=[{"role": "user", "content": "Qual é 2 + 2?"}],
    extra_body={"thinking": {"type": "disabled"}},
)

# Pensamento ativado  (padrão): content = [bloco de pensamento, bloco de texto]
# Pensamento desativado (desativado): content = [bloco de texto]

Verificado: uma vez desativado, o bloco thinking desaparece completamente e apenas o bloco text permanece.

Sobre os níveis de pensamento: low e max ambos retornaram 200 em Chat Completions nos testes (high é o padrão e se aplica quando o campo é omitido), mas as contagens de tokens de pensamento não mostram diferença monotônica entre os níveis para a mesma pergunta (pergunta fácil: low=43 / max=27; pergunta difícil: low=114 / max=92), e nada é ecoado de volta na resposta — os níveis são aceitos, mas nenhum sinal distintivo é observável na resposta. Em Responses, apenas o nível none (pensamento desativado) pode ser confirmado do lado da resposta.

3. Por Que Uma Conversa de Múltiplas Rodadas Retorna Subitamente 400? O Histórico de Pensamento Deve Ser Retornado Verbatim

Este é o único gatilho mais comum com este modelo: no modo de pensamento, uma conversa de múltiplas rodadas deve passar o conteúdo de pensamento da rodada anterior de volta verbatim, ou a solicitação é rejeitada. Não degradada, não de qualidade inferior — um HTTP 400 rigoroso.

As três APIs carregam o mesmo conteúdo de pensamento sob diferentes nomes de campo:

Verificado (condições de gatilho): esta validação dispara consistentemente em solicitações de múltiplas rodadas que carregam tools (o modelo emite uma chamada de ferramenta, então o resultado da ferramenta é enviado de volta). Em solicitações de múltiplas rodadas simples sem ferramentas, onde o modelo responde diretamente, a validação não disparou nesta rodada de testes e a solicitação retornou 200. Em outras palavras, a orquestração de ferramentas (cargas de trabalho de agente / chamada de função) é onde você é mais provável de encontrar isso, então trate o conteúdo de pensamento como parte do estado da conversa que você persiste e reproduz.

Chat Completions

# Múltiplas rodadas: passe a mensagem anterior do assistente de volta verbatim, incluindo reasoning_content
messages = [
    {"role": "user", "content": "Qual é 1 + 1? Lembre-se do resultado."},
    {
        "role": "assistant",
        "content": "2",
        "reasoning_content": "<reasoning_content da resposta anterior>",
    },
    {"role": "user", "content": "Adicione 1 ao resultado."},
]

# Descartando reasoning_content -> HTTP 400 invalid_request_error

Verificado: uma mensagem histórica do assistente ausente de reasoning_content retorna 400; adicioná-la de volta faz a solicitação idêntica retornar 200 e continuar corretamente.

Responses

# Múltiplas rodadas: input = entrada anterior + response.output (item de raciocínio incluído) + nova mensagem
input = previous_input + response.output + [
    {"role": "user", "content": "Adicione 1 ao resultado."}
]

# Filtrando o item type="reasoning" -> HTTP 400

Verificado: inserir response.output de volta como está é tudo o que é necessário. Filtrar itens de saída por type == "message" enquanto monta o histórico descarta o item reasoning e aciona o 400 — esta é a maneira mais comum de se machucar.

Messages

# Múltiplas rodadas: passe response.content de volta verbatim como a mensagem do assistente
messages = [
    {"role": "user", "content": "Qual é o clima em Paris?"},
    {"role": "assistant", "content": response.content},   # blocos de pensamento + uso de ferramenta
    {"role": "user", "content": [tool_result_block]},
]

# Removendo o bloco de pensamento -> HTTP 400

Verificado: remover o bloco thinking do array de conteúdo retorna 400 (com error.type definido como invalid_request_error).

4. Chamada de Ferramenta

Cada API declara ferramentas em seu próprio formato de protocolo; os formatos não são intercambiáveis.

Chat Completions

Formato aninhado (um objeto function envolvendo name / parameters). Uma tool_choice de função nomeada força a chamada.

completion = client.chat.completions.create(
    model="deepseek-v4-pro-0813",
    messages=[{"role": "user", "content": "Qual é o clima em Paris?"}],
    tools=[{
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Obter clima para uma cidade",
            "parameters": {"type": "object", "properties": {"city": {"type": "string"}}, "required": ["city"]},
        },
    }],
    tool_choice={"type": "function", "function": {"name": "get_weather"}},
)

# Observado: finish_reason "tool_calls", tool_calls[0].function.arguments = {"city": "Paris"}

❗ Verificado: tool_choice: "required" não pode ser usado enquanto o pensamento está ativado — retorna 400 O modo de pensamento não suporta este tool_choice; desativar o pensamento (thinking.type="disabled") faz a solicitação idêntica retornar 200. Quando você precisa de semântica de "deve chamar uma ferramenta", use uma função nomeada tool_choice em vez disso (como acima, que funciona com o pensamento ativado), ou desative o pensamento primeiro e depois use required.

Responses

Formato plano (type / name / parameters no mesmo nível).

response = client.responses.create(
    model="deepseek-v4-pro-0813",
    input="Qual é o clima em Paris?",
    tools=[{
        "type": "function",
        "name": "get_weather",
        "description": "Obter clima para uma cidade",
        "parameters": {"type": "object", "properties": {"city": {"type": "string"}}, "required": ["city"]},
    }],
)

# Itens de saída observados: ["reasoning", "function_call"]; argumentos = {"city": "Paris"}

Verificado: copiar o formato aninhado de Chat Completions (function: {...}) para Responses retorna 400 — use o formato plano. tool_choice: "required" está sujeito à mesma restrição de modo de pensamento que em Chat.

Messages

Formato nativo do Anthropic (input_schema), com tool_choice: {"type": "any"} para forçar uma chamada.

response = client.messages.create(
    model="deepseek-v4-pro-0813",
    max_tokens=1024,
    tools=[{
        "name": "get_weather",
        "description": "Obter clima para uma cidade",
        "input_schema": {"type": "object", "properties": {"city": {"type": "string"}}, "required": ["city"]},
    }],
    tool_choice={"type": "any"},
    messages=[{"role": "user", "content": "Qual é o clima em Paris?"}],
)

# Observado: o conteúdo contém um bloco de uso de ferramenta, nome = get_weather, entrada = {"city": "Paris"}

❗ A chamada de ferramentas em paralelo não pode ser desativada, pelo próprio design do DeepSeek — a página de compatibilidade oficial do Anthropic afirma, na linha tool_choice, que disable_parallel_tool_use é ignorado, e a página de Responses também afirma parallel_tool_calls | Ignorado (chamada de ferramenta em paralelo está sempre habilitada). Os testes confirmam: perguntar sobre duas cidades ao mesmo tempo com disable_parallel_tool_use: true ainda retorna dois blocos tool_use. Se você precisar de execução serial, faça a primeira chamada ou coloque-as em fila você mesmo no lado do cliente.

Contagem de ferramentas e custo de contexto: enviar 200 definições de função em uma única solicitação ainda retornou 200 com uma resposta normal e não acionou nenhuma validação de contagem (observado neste caminho; contagens mais altas não foram testadas). Mas prompt_tokens para essa solicitação alcançou 6.105 — definições de ferramentas entram no contexto na íntegra e são cobradas. Quando você tem muitas ferramentas, reduza o conjunto de ferramentas por cenário em vez de declarar tudo incondicionalmente.

5. Saída Estruturada

Chat Completions

response_format suporta modo JSON.

completion = client.chat.completions.create(
    model="deepseek-v4-pro-0813",
    messages=[{"role": "user", "content": "Retorne {\"a\": 1} como JSON."}],
    response_format={"type": "json_object"},
)

# Conteúdo de resposta observado: {"a":1}

Verificado: a saída é JSON válido.

Responses

Declare um Esquema JSON através de text.format, com modo strict suportado.

response = client.responses.create(
    model="deepseek-v4-pro-0813",
    input="Retorne o número 1 sob a chave a.",
    text={
        "format": {
            "type": "json_schema",
            "name": "extract",
            "strict": True,
            "schema": {"type": "object", "properties": {"a": {"type": "integer"}}, "required": ["a"]},
        }
    },
)

# Texto de saída observado: {"a":1}

Verificado: a saída está em conformidade estrita com o esquema fornecido.

Messages

O protocolo Messages (Anthropic) não tem equivalente para response_format / text.format. A solução usual é carregar o esquema em uma ferramenta — declare uma ferramenta cujo input_schema seja seu esquema alvo, defina tool_choice: {"type": "any"}, e leia o resultado estruturado do input do bloco tool_use. Esta rodada de testes não verificou especificamente esse padrão; quando você precisa de garantias rígidas de esquema, prefira Chat Completions ou Responses.

6. Como Você Habilita o Cache de Contexto? Você Não Habilita, É Automático

O cache de contexto (prefixos idênticos são reutilizados, e a parte em cache é cobrada a uma taxa mais baixa) está ativado por padrão e não precisa de parâmetros. Uma segunda solicitação com o mesmo longo prefixo relata o acerto em usage, sob um nome de campo que varia por API. Para detalhes de cache e preços atuais, veja a página do modelo; para estratégia de cache entre modelos e técnicas de taxa de acerto, veja práticas de cache de prompt.

Chat Completions

# uso da segunda chamada com um prefixo longo idêntico
"prompt_tokens_details": {"cached_tokens": 640}   # primeira chamada: 0

Verificado: duas chamadas consecutivas com o mesmo longo prefixo no mesmo canal moveram cached_tokens de 0 para 640.

Responses

# uso da segunda chamada com instruções longas idênticas
"input_tokens_details": {"cached_tokens": 896}    # primeira chamada: 0

Messages

# uso de uma chamada cujo longo prefixo do sistema já estava aquecido
"cache_read_input_tokens": 896

Verificado: o prefixo acima foi aquecido por uma solicitação de Responses com conteúdo idêntico, e a primeira chamada de Messages atingiu 896 imediatamente — consistente com o cache sendo baseado no prefixo de conteúdo e compartilhado entre superfícies de protocolo.

7. logprobs: Chat Retorna Dois Canais

logprobs (logaritmos de probabilidades — o detalhe de confiança do modelo por token candidato) retorna em formatos diferentes nas duas APIs, e o código de análise deve lidar com eles separadamente.

Chat Completions

completion = client.chat.completions.create(
    model="deepseek-v4-pro-0813",
    messages=[{"role": "user", "content": "Diga oi."}],
    logprobs=True,
    top_logprobs=2,
)

# Observado: choices[0].logprobs contém DUAS matrizes
#   logprobs.content[]            -> tokens da resposta final
#   logprobs.reasoning_content[]  -> tokens do texto de pensamento

❗ Verificado: Chat retorna probabilidades logarítmicas tanto para content quanto para reasoning_content. O código que lê apenas logprobs.content, de acordo com a forma de resposta padrão da OpenAI, não gerará erro, mas perderá silenciosamente o canal de pensamento; se seu código assumir um único array sob logprobs, adicione uma verificação de formato primeiro.

Responses

response = client.responses.create(
    model="deepseek-v4-pro-0813",
    input="Diga oi.",
    top_logprobs=3,
)

# Observado: logprobs apenas no item de mensagem final
#   output[-1].content[0].logprobs[] com detalhes de logprob + top_logprobs

Verificado: Responses anexa logprobs apenas ao item de texto final — nenhum dos formatos de canal duplo vistos em Chat.

Messages

O protocolo Messages (Anthropic) não tem campo equivalente. Para detalhe de probabilidade em nível de token, use Chat Completions ou Responses.

8. Quais APIs Podem Pesquisar na Web?

A pesquisa na web aqui é uma ferramenta do lado do servidor (a recuperação é executada no servidor; o cliente nunca emite a solicitação em si), e realmente é executada em ambas as APIs Responses e Messages nos testes.

Responses

response = client.responses.create(
    model="deepseek-v4-pro-0813",
    input="Qual é a versão estável mais recente do Python?",
    tools=[{"type": "web_search"}],
)

# Sequência de itens de saída observada:
# ["reasoning", "web_search_call", "reasoning", "message"]

Verificado: um item web_search_call aparece na sequência de saída, o que significa que o servidor realmente executou uma recuperação.

Messages

response = client.messages.create(
    model="deepseek-v4-pro-0813",
    max_tokens=1024,
    tools=[{"type": "web_search_20250305", "name": "web_search"}],
    messages=[{"role": "user", "content": "Qual é a versão estável mais recente do Python?"}],
)

# Sequência de blocos de conteúdo observada:
# ["thinking", "server_tool_use", "web_search_tool_result", "thinking", "text"]
# usage.server_tool_use.web_search_requests = 1

Verificado: usage.server_tool_use.web_search_requests conta 1 — a solicitação de recuperação realmente aconteceu e foi medida.

Chat Completions

A pesquisa na web não pode ser acionada no Chat. A referência oficial da API de Chat do DeepSeek não contém nenhum campo de ferramenta de pesquisa em nenhum lugar no esquema de solicitação (essa é uma ausência estabelecida ao percorrer a lista de campos um por um; o DeepSeek não fez nenhuma declaração explícita negando suporte). A API com uma declaração oficial explícita de suporte à pesquisa do lado do servidor é Responses (web_search), e a página de compatibilidade oficial de Messages também lista os blocos de conteúdo relacionados à pesquisa.

# Três grupos de controle, mesma pergunta exigindo informações ao vivo, todos HTTP 200:
# A sem campo de pesquisa       -> "não pode recuperar", anotações = null
# B web_search_options    -> "não pode recuperar", anotações = null, uso idêntico ao A
# C enable_search         -> "não pode recuperar", anotações = null, uso idêntico ao A

Verificado: enviar web_search_options ou enable_search não gera erro, mas também não recupera nada — a resposta não carrega annotations (a lista de citações anexada a uma resposta quando a pesquisa na web é executada), e o uso corresponde ao grupo de controle campo por campo. Para acesso à web, use a API Responses ou Messages em vez disso.

9. Notas de Uso: Design do DeepSeek vs Desvios em Nosso Caminho

Tudo abaixo retorna HTTP 200 enquanto se comporta de maneira contra-intuitiva. As causas diferem, e o que você deve fazer a respeito também, então estão listadas separadamente: o primeiro grupo é como o DeepSeek projetou o modelo, e mudar de provedores não mudará isso; o segundo grupo é o comportamento atual no caminho AIHubMix, que estamos trabalhando.

9.1 Pelo Design do DeepSeek

9.2 Comportamento Atual no Caminho AIHubMix

9.3 Indefinido pelo DeepSeek, Portanto Sem Veredicto de Qualquer Maneira

Enviar um valor fora do enum para reasoning_effort (por exemplo, bogus_xyz) retorna 200 com uma resposta normal, sem erro e sem efeito observável. O fato é claro o suficiente — este caminho atualmente não valida o enum reasoning_effort. O que não está claro é se deveria: o DeepSeek publica o enum legal, mas nunca afirma se um nível ilegal deve ser rejeitado, então não há uma linha de base para julgar, o que significa que isso não conta nem como comportamento oficial nem como um defeito em nosso caminho. A abordagem segura do lado do cliente: valide o nível você mesmo e não conte com a API para capturá-lo.

10. Matriz de Capacidade × Suporte à API

As células abaixo fornecem a grafia de parâmetro / campo para cada API. Exceto onde marcado como redação explícita do DeepSeek, cada conclusão vem de chamadas reais feitas em 2026-08-13 contra as APIs de produção AIHubMix.

Lenda: ✅ verificado como funcionando · 🟡 aceito, mas não pode ser confirmado como eficaz · ❗ precisa de atenção (veja as notas acima) · ➖ nenhum conceito desse tipo nesta API

FAQ

Quais APIs o deepseek-v4-pro-0813 suporta no AIHubMix?
Chat Completions (/v1/chat/completions), Responses (/v1/responses) e a API Messages compatível com Claude (/v1/messages).

Por que uma conversa de múltiplas rodadas retorna subitamente 400?
A causa mais comum é o histórico de pensamento que não foi passado de volta. No modo de pensamento, o conteúdo de pensamento da rodada anterior deve ser reproduzido verbatim: reasoning_content na mensagem do assistente para Chat, o item de saída type="reasoning" para Responses, e o bloco de conteúdo thinking para Messages. Múltiplas rodadas com ferramentas é onde isso mais impacta — muitas estruturas filtram itens de saída por type == "message" enquanto montam o histórico, o que descarta o item de raciocínio.

O pensamento pode ser desativado?
Sim. Envie thinking: {"type": "disabled"} em Chat ou Messages, e reasoning: {"effort": "none"} em Responses. Uma vez desativado, tanto o conteúdo de pensamento quanto os tokens de pensamento desaparecem.

Os três níveis de reasoning_effort diferem?
low / high / max são todos aceitos (padrão high; medium e xhigh são mapeados para high para compatibilidade). Nos testes, as contagens de tokens de pensamento para a mesma pergunta não mostram diferença monotônica entre os níveis e nada é ecoado de volta, então a diferença não pode ser confirmada do lado do chamador. Apenas o nível none em Responses (pensamento desativado) produz uma diferença observável clara.

Por que tool_choice: "required" retorna 400?
Esse valor não é aceito enquanto o pensamento está ativado (o corpo do erro lê O modo de pensamento não suporta este tool_choice). Use um tool_choice de função nomeada ({"type": "function", "function": {"name": "..."}}) para forçar uma chamada específica com o pensamento ativado, ou desative o pensamento primeiro e depois use required.

Como você habilita o cache de contexto?
Você não habilita — é automático. Coloque o conteúdo estável e imutável (prompts do sistema, trechos de conhecimento, definições de ferramentas) na frente da solicitação, e a contagem de acertos é relatada no uso: prompt_tokens_details.cached_tokens em Chat, input_tokens_details.cached_tokens em Responses, e cache_read_input_tokens em Messages.

Para preços e status em tempo real, veja a página do modelo deepseek-v4-pro-0813; para mais modelos, visite a galeria de modelos.

Guias práticos relacionados: Guia prático do Kimi K3 (novos parâmetros e uma matriz de suporte a três APIs) e Mudanças de cache de prompt e cobrança do GPT-5.6.