DeepSeek Apresenta um Modelo de IA que Economiza Custo

DeepSeek, uma empresa de inteligência artificial com sede na China, revelou um novo modelo experimental na segunda-feira que promete reduzir substancialmente o custo de execução de inferência em entradas de longo contexto. O modelo, identificado como V3.2-exp, foi anunciado por meio de uma publicação na plataforma Hugging Face e é acompanhado de um artigo acadêmico hospedado no GitHub.

Atenção Esparsa: Como o Modelo Funciona

O centro das atenções do lançamento é uma técnica chamada "Atenção Esparsa da DeepSeek". A abordagem compreende dois componentes principais. Primeiro, um "indexador de luz" varre a janela de contexto inteira e prioriza trechos específicos que parecem mais relevantes. Em segundo lugar, um "sistema de seleção de tokens de granulação fina" extrai tokens específicos desses trechos e os carrega em uma janela de atenção limitada. Ao concentrar o esforço computacional em um subconjunto restrito da entrada, o modelo pode processar passagens longas enquanto mantém a carga do servidor comparativamente baixa.

Reduções de Custo Potenciais

Testes iniciais realizados pela DeepSeek indicam que a nova arquitetura pode reduzir o preço de uma chamada de API simples em até metade quando se lida com tarefas de longo contexto. Embora a empresa reconheça que são necessários mais testes para confirmar essas descobertas, a natureza de peso aberto do modelo significa que pesquisadores e desenvolvedores independentes podem avaliar rapidamente seu desempenho e reivindicações de economia de custos.

Contexto no Cenário de IA

O custo de inferência — o custo de executar um modelo pré-treinado para gerar previsões — tornou-se um foco para os desenvolvedores de IA que buscam escalar serviços de forma acessível. A iniciativa da DeepSeek se junta a uma série de avanços recentes destinados a tornar a arquitetura de transformador mais eficiente. No início deste ano, a DeepSeek atraiu atenção com seu modelo R1, que utilizou aprendizado por reforço para alcançar custos de treinamento mais baixos do que muitos concorrentes ocidentais. Embora o R1 não tenha despertado uma mudança abrangente na indústria, estabeleceu a DeepSeek como um concorrente sério na corrida global de IA.

Acesso Aberto e Validação Futura

Ao lançar o V3.2-exp como um modelo de peso aberto na Hugging Face, a DeepSeek convida a comunidade mais ampla a realizar benchmarks independentes. A empresa espera que testes de terceiros forneçam uma avaliação mais robusta do desempenho e da eficiência de custos, potencialmente incentivando outros fornecedores a adotar estratégias de atenção esparsa semelhantes.

Implicações para a Indústria

Se o modelo atender às suas reivindicações iniciais, poderá oferecer um caminho prático para as empresas reduzirem os gastos operacionais associados aos serviços de IA, especialmente aqueles que exigem o processamento de entradas textuais extensas. O desenvolvimento também destaca a importância crescente das inovações arquiteturais — além do tamanho raw do modelo — em moldar a economia da implantação de IA.

Este artículo fue escrito con la asistencia de IA.
News Factory APP - noticias agénticas para impulsar tu SEO y AEO.