DeepSeek é gratuito de verdade? O que ser open source garante (e o que não garante)

Tem duas coisas bem diferentes andando com o mesmo nome, e é exatamente aí que a confusão nasce

De um lado, o modelo com os pesos publicados: arquivo que você baixa, roda no seu ambiente e faz o que quiser com ele

Do outro, o serviço hospedado: o app, o chat e a API que a DeepSeek opera nos servidores dela, com regras e cobranças próprias

"É gratuito?" muda de resposta conforme qual dos dois você está usando, e a resposta curta vem logo abaixo 🙂

O que a DeepSeek liberou de fato: pesos abertos, não código aberto pleno

Em 24/04/2026 a DeepSeek lançou o V4 em duas variantes, V4-Pro e V4-Flash, disponíveis via API e também como open weights no Hugging Face

Os pesos do V4-Pro estão sob licença MIT, o que libera uso comercial, modificação e acesso completo aos pesos

Depois veio o V4-Flash-0731, publicado em 31/07/2026 como beta público na API, com os pesos indo pro Hugging Face sob MIT no mesmo dia

E não é novidade da casa: o repositório e os pesos do DeepSeek-R1 já eram MIT, com permissão explícita pra uso comercial, modificações, obras derivadas e destilação pra treinar outros LLMs

Formação Recomendada

Formação Claude Code

Domine Claude Code do absoluto zero até o avançado

• 120 aulas
• 4 projetos
• 9h 45min

Conhecer formação

Mas então é software livre?

Não no sentido estrito, e essa distinção importa mais do que parece

Os pesos são abertos, mas os dados de treinamento não foram publicados

Ou seja: você pode rodar, modificar e vender em cima, só que não consegue auditar (nem reproduzir) como aquilo foi treinado

É o mesmo contrato de vários modelos de pesos abertos que aparecem por aí: aberto pra uso, fechado pra procedência

Três formas de usar DeepSeek e o que cada uma cobra

Se liga na separação, porque ela resolve quase toda a dúvida:

A tabela de preços da API hoje sai assim, por 1 milhão de tokens:

• deepseek-v4-flash: US$ 0,14 de entrada e US$ 0,28 de saída
• DeepSeek-V4-Pro: US$ 0,435 de entrada (cache miss) e US$ 0,87 de saída

O endpoint ser compatível com o formato da OpenAI é o detalhe que mais economiza tempo de quem já tem produto rodando: dá pra trocar a base e a chave sem reescrever a integração inteira

Onde o custo some e onde ele só troca de lugar

O caminho "rodo por conta própria" não elimina custo, ele muda o custo de lugar: sai da fatura mensal e entra na infra

O V4-Flash tem 284 bilhões de parâmetros totais com 13 bilhões ativados por token (o V4-Pro é 1,6 trilhão total com 49 bilhões ativados)

E aqui mora a pegadinha que derruba muita conta de guardanapo

Parâmetro ativado não é parâmetro carregado

Ativar 13B por token parece pequeno, né? Só que os 284B precisam estar carregados pro roteador conseguir alcançar QUALQUER expert

Parâmetro ativo corta compute e latência, não corta a memória ocupada

Na prática isso dá cerca de 170 GB de VRAM no formato completo, algo em torno de 2 GPUs H200

Ou seja: hardware de datacenter, não a sua GPU de jogo

O que você leva junto nesse pacote é bem generoso: 1 milhão de tokens de janela de contexto e até 384 mil tokens de saída por requisição

Então a frase honesta é essa: a licença é gratuita, a execução não

O preço que não aparece na fatura: dados e regulação

Tem um segundo custo que não vem em dólar

Na política de privacidade do serviço hospedado, a DeepSeek coleta, processa e armazena dados pessoais na República Popular da China, e isso inclui prompts, conversas, arquivos enviados, dados de perfil e dados de dispositivo e rede

Isso já rendeu consequência regulatória concreta

A autoridade italiana (Garante) publicou em 30/01/2025 uma ordem que atingiu a distribuição do app nas lojas oficiais do país, e ela segue sem revogação

Tome cuidado com a confusão que rolou depois: o arquivamento da AGCM em 30/04/2026 foi outro processo, de consumidor, e não anulou a ordem de proteção de dados

França, Irlanda, Alemanha, Bélgica e Portugal também abriram investigações sobre o serviço hospedado

Repara na palavra que se repete: serviço hospedado

Nada disso alcança os pesos que você baixa e roda no seu ambiente, porque ali o dado não sai da sua casa

Qual caminho serve pra você

Quatro perfis, bem direto:

1. Curioso ou uso pessoal: o app e o chat oficial resolvem, e não tem plano pago pra pessoa física pra você se preocupar
2. Dev integrando em produto: API por token, com o endpoint compatível com o formato OpenAI derrubando o custo de troca da sua stack atual
3. Empresa com dado sensível ou exigência de residência: pesos sob MIT no seu próprio ambiente, com aquela conta de VRAM da seção anterior feita ANTES de prometer prazo
4. Quem quer derivar ou destilar: a MIT permite obras derivadas, e no caso do R1 a destilação pra treinar outros LLMs está dita com todas as letras

O que eu vi testando outro modelo de pesos abertos (Kimi K2.7 Code)

Agora a parte que ninguém coloca no anúncio de lançamento

Não é DeepSeek, é o Kimi K2.7 Code, mas o contrato é o mesmo: pesos abertos, promessa de alternativa barata ao modelo topo de linha

No vídeo abaixo eu testo ele rodando dentro do Claude Code, acessando por um provedor intermediário em vez de hospedar qualquer coisa

Minha leitura ali foi que o agente carrega boa parte do resultado: um bom painel de controle do agente e um bom harness entregam bem mesmo sem o modelo topo de linha

Montei um projeto real do zero em etapas (gerador de expressões regulares com landing page, página de app e a IA integrada), começando pelo prompt de scaffolding com stack e nome definidos, coisa que eu faço ainda mais quando o modelo não é o mais forte da praça

O plano voltou quebrado em tarefas e com pedido de confirmação antes de executar, comportamento diferente do que vi em outras IAs

Porém: escrevi o prompt em português e o plano voltou em inglês (dá pra pedir explicitamente em português), precisei intervir porque o modelo travava no terminal e ficava redecidindo coisa já definida, e na etapa de integração ele errava bastante entre uma alteração e outra, o que puxou o consumo de tokens pra cima

Os números do teste:

• cerca de 20 minutos até a primeira versão ficar de pé, contra os cerca de 10 minutos que eu costumo levar nesse mesmo setup inicial com outras IAs
• servidor local subindo na porta 3000
• nota de cerca de 70% pro resultado final

O layout entregue ficou genérico, parecendo HTML sem estilo, e a lógica veio pouco inteligente: o gerador devolvia só a expressão regular em vez de uma função que testasse um texto, o que na prática é inútil

A surpresa negativa foi o custo, e pra mim não valeu a pena: acredito conseguir o mesmo com outras IAs gastando menos

Ressalva honesta: foi UM teste, e quem usa plano de créditos em vez de API avulsa pode ter uma conta bem diferente

A lição serve pra qualquer modelo de pesos abertos, DeepSeek incluso: aberto não quer dizer indolor, nem barato por decreto

Veredito: gratuito sim, sem custo não

O que ser open weights garante:

• acesso completo aos pesos, sob MIT
• uso comercial e modificação liberados
• obras derivadas e destilação permitidas (caso explícito do R1)
• independência de fornecedor: se o serviço mudar de ideia, o arquivo continua com você

O que não garante:

• não garante API grátis (a API é o produto cobrado, por token)
• não garante que rodar por conta própria saia barato: 170 GB de VRAM no V4-Flash completo não é papo de GPU de consumo
• não garante privacidade no serviço hospedado, onde o dado é coletado e armazenado na China
• não garante transparência dos dados de treino, que não foram publicados

Conclusão

Resumo em duas frases: o modelo com pesos publicados é gratuito de licença e caro de infra, e o serviço hospedado é gratuito no app e cobrado na API

Misturar os dois é o que faz alguém prometer "IA de graça" e receber uma fatura ou uma conta de hardware no mês seguinte

Próximo passo por perfil: se o uso é pessoal, testa no app e pronto; se vai integrar, calcula o custo por token com os preços de entrada e saída ANTES de escrever a primeira linha; e se está pensando em self-hosting, mede a conta de VRAM antes de prometer qualquer coisa pro time

É isso, até o próximo post! 😀