Todo mundo comemora quando sai modelo novo. Ninguém presta atenção quando o mesmo modelo fica 25% mais inteligente da noite pro dia, sem trocar de nome, sem subir de preço e sem pedir nada de você. Foi isso que aconteceu com o deepseek-v4-flash em 31 de julho: a DeepSeek re-treinou o modelo, publicou os pesos como V4-Flash-0731 e o Intelligence Index da Artificial Analysis saltou de 40 para 50. Dez pontos, mesma arquitetura, mesmo preço.
E como o deepseek-v4-flash já é um dos modelos que roda no Verboo Code, quem já usava não precisou fazer nada. O upgrade chegou de graça.
O que exatamente mudou no deepseek-v4-flash?
Segundo a Artificial Analysis, o V4-Flash-0731 marca 50 pontos no Intelligence Index, dez a mais que a versão anterior (lançada em abril de 2026, com 40 pontos). O tamanho do modelo não mudou: continua em 284B parâmetros totais com 13B ativos por inferência (arquitetura MoE), janela de contexto de 1M tokens e o mesmo preço de antes.
Isso é o tipo de mudança que não vira manchete porque não tem nome novo pra vender. Mas é o tipo de mudança que muda o resultado do seu código na prática, sem você trocar uma linha de config.
DeepSeek V4-Flash-0731 marca 50 no Intelligence Index da Artificial Analysis, um salto de 10 pontos sobre o V4-Flash anterior, mantendo arquitetura e preço idênticos. Pesos publicados sob licença MIT.
Por que ninguém tá falando disso?
Porque re-treino de modelo existente não gera thread viral. "GPT-6 chegou" gera. "A mesma DeepSeek de sempre ficou mais esperta" não. O problema é que essa segunda categoria é onde a maior parte do ganho real de produtividade em coding acontece: não é o lançamento de modelo frontier a cada trimestre, é a atualização silenciosa do modelo que você já usa todo dia.
Quem cobra por token sente isso de outro jeito: toda atualização de modelo é uma decisão de compra de novo. Vale trocar? Vale manter o antigo mais barato? Isso trava decisão e trava produtividade. Quem já roda o modelo certo em infraestrutura própria, com tokens ilimitados, simplesmente ganha o upgrade e segue trabalhando.
Como trocar pro deepseek-v4-flash-0731 no Verboo Code
Se você já tem o CLI instalado, a troca de modelo é feita dentro da sessão:
$ verboo
> /model
? Escolha o modelo:
qwen3.6-27b
❯ deepseek-v4-flash
mimo-v2.5
gpt-oss-120b
...Sem instalado ainda:
npm install -g @verboo/code@latest
verboo --versionNão tem cap de token pra se preocupar em qual sessão vale a pena usar o modelo mais forte. O ganho de Intelligence Index chega sem custo de decisão.
O que os números dizem sobre onde o deepseek-v4-flash está agora
| Modelo | Intelligence Index (AA) | Parâmetros ativos | Contexto |
|---|---|---|---|
| deepseek-v4-flash (abril/2026) | 40 | 13B / 284B total | 1M tokens |
| deepseek-v4-flash-0731 (jul/2026) | 50 | 13B / 284B total | 1M tokens |
| Kimi K3 (max, líder open weights) | 57 | - | - |
O V4-Flash-0731 não é o modelo open weights mais forte do mercado, o Kimi K3 segue sete pontos à frente segundo a mesma Artificial Analysis. Mas é o tipo de salto que reposiciona um modelo já popular no frontier de custo-benefício, sem exigir migração.
Isso conecta direto com o que a Verboo Code já mostrou em testes anteriores: no comparativo deepseek-v4-flash vs GPT-5.4 em SWE-bench, o modelo já entregava resultado competitivo por uma fração do custo de modelos fechados. Com Intelligence Index 25% maior na mesma faixa de preço, a distância só aumenta.
O upgrade que você não precisa pedir
O padrão se repete: modelo open source recebe re-treino, sobe no ranking, e quem depende de decisão manual de qual modelo vale o token perde tempo decidindo. Quem já está em uma plataforma com tokens ilimitados simplesmente ganha o upgrade.
O Verboo Code roda deepseek-v4-flash e outros modelos open source em GPU dedicada, sem cobrar por token. Quando a DeepSeek re-treina o modelo, o ganho chega pra quem já assina, sem custo extra e sem decisão de compra. Veja os modelos disponíveis no Verboo Code.
