PulseFlow Tecnologia
← Insights
·5 min de leitura·analise-de-mercado·deepseek·kimi-k2·eficiencia
PulseFlow Tecnologia

O impacto de DeepSeek e Kimi na pressão por eficiência

O detalhe que mais importa nos lançamentos do DeepSeek-R1 e do Kimi K2 não é a nota em benchmark - é o preço e a arquitetura por trás dele. Os dois modelos mostram, de formas diferentes, que é possível entregar capacidade de ponta gastando muito menos, e isso pressiona diretamente a margem de quem cobra preço de modelo fechado.

DeepSeek-R1: paridade de capacidade a uma fração do custo

O DeepSeek-R1 entrega "performance on par with OpenAI-o1" em matemática, código e raciocínio, mas cobra $0,14 por milhão de tokens de entrada em cache - uma fração do que os modelos fechados de referência cobravam quando o R1 foi lançado. A licença MIT permite destilar e comercializar livremente, e a própria OpenAI já libera "API outputs... for fine-tuning & distillation" - um reconhecimento indireto de que competir só em capacidade bruta não é mais suficiente quando o concorrente entrega resultado equivalente por um décimo do preço.

Kimi K2: eficiência pela arquitetura, não só pelo preço

O Kimi K2 ataca o problema de custo por outro ângulo: arquitetura. É um modelo MoE com 1 trilhão de parâmetros totais, mas apenas 32 bilhões ativados por token - a maior parte da capacidade fica "desligada" a cada inferência, o que reduz custo computacional sem abrir mão de capacidade agregada. Pré-treinado em 15,5 trilhões de tokens "com zero instabilidade de treinamento", atinge 53,7% no LiveCodeBench e 69,6% no AIME 2024, competitivo com modelos fechados de referência, sob uma licença MIT modificada.

Llama 3.1: a Meta subsidia o ecossistema para pressionar o mercado

A Meta não vende acesso ao Llama 3.1 405B por token - ela distribui os pesos e deixa que mais de 25 parceiros (AWS, NVIDIA, Google Cloud, Databricks) monetizem a infraestrutura em volta. Isso é outra forma de pressão por eficiência: ao remover o custo de licenciamento do modelo em si, a Meta força concorrentes que cobram por token a competir num mercado onde a alternativa "de fronteira" é gratuita para rodar.

O que isso pressiona na prática

Três modelos, três estratégias de custo diferentes - preço agressivo por token (DeepSeek), eficiência arquitetural via MoE esparso (Kimi K2), e distribuição gratuita de pesos (Llama) - mas o efeito de mercado é o mesmo: qualquer fornecedor que cobra um prêmio significativo sobre capacidade de modelo, sem diferenciação clara na camada de execução (governança, ferramentas, integração), fica exposto. A pressão não é hipotética - é a razão pela qual a própria OpenAI lançou o gpt-oss sob Apache 2.0 pouco depois dessas movimentações.

Fontes