A alegação de que o DeepSeek custou US$ 294 mil para treinar, explicada: por que o R1 custou milhões

Por que o preço de US$ 294 mil chocou o mundo da IA

Quando o DeepSeek publicou na Nature um artigo revisado por pares sobre seu modelo de raciocínio R1, um número chamou a atenção do mundo: 294 mil dólares. As manchetes sugeriram que o modelo principal havia sido treinado por uma fração do que, segundo relatos, rivais dos Estados Unidos gastaram. O número era real, mas se aplicava a uma parte específica do trabalho. Esse valor cobriu uma etapa final de aprendizado por reforço, que aprimorou o raciocínio passo a passo do modelo. Não incluiu os meses de pré-treinamento de um modelo-base muito maior, do qual o R1 depende.

O desempenho do R1 se apoia no DeepSeek V3, um grande modelo de linguagem treinado com um vasto conjunto de dados em um grande cluster de computação. Só depois de estabelecer essa base dispendiosa a equipe aplicou o aprendizado por reforço para orientar o modelo a melhorar a lógica e a resolução de problemas. Confundir a etapa final com o projeto inteiro foi o que transformou uma linha de custo específica em manchete.

A diferença importa. Um modelo que rivaliza com os melhores sistemas em programação e matemática não surge após um fim de semana usando algumas estruturas de chips. É preciso computação contínua, curadoria extensa de dados, experimentos repetidos, trabalho cuidadoso de segurança e avaliação, além de uma fase final de otimização. O artigo da Nature abriu uma janela valiosa para essa última fase. Mas não apagou o enorme trabalho que veio antes.

O que o artigo da Nature realmente diz

O material suplementar do R1 detalha uma execução de aprendizado por reforço em 512 GPUs Nvidia H800. Ele descreve um período inicial de treinamento do R1 Zero de cerca de 198 horas e mais 80 horas para chegar à versão lançada do R1. A equipe também registrou cerca de 5.000 horas de GPU para gerar os dados de preferência usados no processo. Calculadas com tarifas típicas de aluguel de aceleradores da classe H800, essas etapas somam pouco menos de 300 mil dólares. Esse valor não representa todo o tempo e a capacidade computacional necessários para criar do zero um modelo de ponta.

O artigo também esclarece o contexto do hardware. O DeepSeek treinou o R1 principalmente em H800, chips que a Nvidia projetou para a China depois que as regras de exportação dos Estados Unidos restringiram o acesso a aceleradores mais avançados. A equipe reconheceu ter usado GPUs A100 em trabalhos preparatórios com um modelo menor e, depois, migrado para H800 na principal execução de aprendizado por reforço do R1. É possível consultar os detalhes técnicos e os itens de custo nos materiais revisados por pares publicados pela revista Nature.

A conta real para criar o R1 começa com o pré-treinamento do V3

Os próprios materiais do DeepSeek apontam para o maior centro de custos: o pré-treinamento do modelo-base V3, no qual o R1 se apoia. O V3 foi treinado em 2.048 GPUs H800 durante cerca de dois meses. Esse período equivale a aproximadamente 2,79 milhões de horas de GPU. Com uma estimativa conservadora de aluguel de cerca de 2 dólares por hora de GPU para essa classe de hardware, só a execução de pré-treinamento chega a quase 5,58 milhões de dólares. Somando os cerca de 294 mil dólares do aprendizado por reforço e da geração de dados associada, a conta de computação para chegar à versão lançada do R1 se aproxima de 5,87 milhões de dólares.

Essa estimativa segue a interpretação do artigo de que os 294 mil dólares do R1 são um custo adicional ao do modelo-base. Também está de acordo com análises externas que situam o custo computacional total do R1 na mesma faixa de outros grandes modelos de pesos abertos. Ainda parece modesto em comparação com os orçamentos especulados para os maiores sistemas fechados, mas está longe da pechincha sugerida por uma manchete de menos de 300 mil dólares.

Como funciona a conta das horas de GPU

Horas de GPU são uma forma simples de medir computação: uma GPU funcionando por uma hora equivale a uma hora de GPU. O total de uma execução de treinamento é o produto do número de GPUs pelas horas registradas. O preço depende do custo dessas horas no mercado, seja pelo aluguel na nuvem, seja pela depreciação e operação de hardware próprio. Um desenvolvedor que aluga mais de 2.000 aceleradores por meses paga por hora. Quem compra o mesmo cluster desembolsa o capital de início e depois paga por energia, refrigeração, espaço e manutenção.

Comprar um cluster dessa escala custaria muito mais do que alugá-lo para uma única execução. Equipar uma estrutura com 2.048 GPUs da classe H800, rede e servidores custaria bem mais de 51 milhões de dólares aos preços atuais de mercado. Esse valor não inclui o trabalho de engenharia, licenças de dados, mão de obra de avaliação, armazenamento e os muitos experimentos malsucedidos que antecedem um lançamento bem-sucedido. O valor de 5,87 milhões de dólares deve ser visto como o custo das grandes execuções bem-sucedidas, não como o custo total da pesquisa que as tornou possíveis.

O aprendizado por reforço é uma etapa final, não o trabalho inteiro

O aprendizado por reforço altera o comportamento de um modelo treinado ao recompensar os resultados desejados. No projeto do R1, o DeepSeek usou uma técnica que avaliava as respostas e orientava o modelo em direção a soluções corretas. Os pesquisadores descrevem essa abordagem como aprendizado por reforço puro. Ela não exige cadeias de pensamento escritas por humanos. O modelo explora e testa seus próprios caminhos, recebe um sinal quando acerta e, aos poucos, aprimora sua estratégia interna de raciocínio.

Essa etapa final é valiosa. Ela pode melhorar o desempenho em matemática, programação e tarefas científicas, nas quais o objetivo é chegar a um resultado verificável. Também é muito mais barata do que o pré-treinamento. O trabalho pesado continua sendo os meses de aprendizado que deram ao modelo-base conhecimento de linguagem e capacidades amplas. O aprendizado por reforço então molda essas capacidades para objetivos específicos, como raciocinar passo a passo e usar ferramentas.

Chips, regras de exportação e o que o DeepSeek realmente usou

O DeepSeek treinou seus modelos sob restrições de fornecimento de chips. Os Estados Unidos restringiram as exportações de aceleradores avançados para a China, por isso o H800, uma versão da GPU para data centers da Nvidia adaptada às regras de exportação, aparece nos materiais do DeepSeek. Comentários do setor sugeriram que pesquisadores na China encontraram formas de acessar peças mais rápidas, e declarações da empresa foram analisadas linha por linha em busca de pistas sobre as fontes de hardware. Para entender os custos, porém, o quadro é mais claro: a etapa de aprendizado por reforço do R1 usou um cluster de 512 H800, enquanto os trabalhos preparatórios anteriores incluíram GPUs A100.

No documento suplementar, a equipe reconheceu esse fato. Os pesquisadores explicaram o papel das A100 na fase de preparação, antes das principais execuções do R1 em H800.

Os pesquisadores do DeepSeek escreveram: "Em nossa pesquisa sobre o DeepSeek-R1, utilizamos GPUs A100 para preparar os experimentos com um modelo menor."

Esse detalhe ajuda a conciliar o orçamento final com a combinação de chips utilizada. As H800 aparecem na contabilidade dos principais custos de aprendizado por reforço, enquanto as A100 foram usadas em experimentos anteriores que ajudaram a definir a abordagem.

O DeepSeek custou muito menos do que seus rivais ocidentais?

A conta computacional completa que produziu o R1 se aproxima mais de 6 milhões de dólares do que de 300 mil. Ainda assim, isso representa uma fração dos gastos de nove dígitos especulados para sistemas fechados de ponta. Também fica na mesma faixa de grandes modelos de pesos abertos, como o Llama 4, da Meta, quando se considera o número de aceleradores e a duração do treinamento, mesmo que esses projetos tenham usado mais tokens. A diferença é interessante, mas não representa uma revolução que reduza os custos em uma ordem de grandeza em todo o processo.

Uma das razões pelas quais muitos ainda consideram o DeepSeek um líder em eficiência de custos é a forma como sua equipe aproveitou os chips em condições restritas. A empresa expandiu uma arquitetura de mistura de especialistas que ativa apenas um pequeno subconjunto de parâmetros para cada token. Isso proporciona maior produtividade por hora de GPU. A equipe também apostou em raciocínios mais longos no momento da inferência, transferindo parte da carga do pré-treinamento para o uso posterior.

Pesquisadores também debateram as fontes de dados e a transferência de conhecimento entre modelos. O DeepSeek usou destilação em partes de seu ecossistema: um modelo robusto gera respostas que ensinam um modelo menor ou mais barato. A equipe afirmou que o modelo-base V3 aprendeu com uma coleta de dados da web que contém conteúdo gerado por IA, incluindo resultados de outros sistemas. O artigo apresenta isso como algo incidental, e não como cópia intencional de trajetórias de raciocínio. Essa distinção técnica importa para advogados e formuladores de políticas públicas, além de ser relevante para quem estima custos e tenta entender até que ponto um desenvolvedor pode avançar com menos tokens e menos computação.

O que especialistas dizem sobre custos e acesso

Acadêmicos recomendaram uma leitura ponderada dos números do DeepSeek. Eles reconhecem a competência técnica genuína da equipe, mas alertam contra comparações simplistas de custos. Orçamentos menores de treinamento ainda podem beneficiar o mercado se ampliarem o acesso a preços mais baixos, mas os números das manchetes muitas vezes omitem os custos com pessoas, experimentos e infraestrutura.

Umar Iqbal, professor assistente de ciência da computação e engenharia na Universidade Washington em St. Louis, argumentou que reduções de custos podem ampliar o acesso e também chamou atenção para as contrapartidas de privacidade e segurança da IA em escala de nuvem.

Iqbal disse: "Para que as tecnologias sejam amplamente adotadas, elas precisam ser acessíveis", acrescentando que um desenvolvimento mais barato pode permitir mais experimentos em grande escala, mas alertando que os serviços de IA em nuvem levantam questões concretas sobre controle de dados e privacidade.

Até mesmo apoiadores do caminho técnico adotado pelo DeepSeek alertaram que os totais de treinamento amplamente divulgados são uma referência incompleta. Eles apontam para as execuções repetidas, os ciclos de ajuste e o trabalho com dados que ficam de fora de uma única execução completa de treinamento.

Dados, destilação e o que provavelmente havia no conjunto de treinamento

A destilação usa respostas de um sistema mais robusto para orientar um modelo-alvo. Desenvolvedores podem gerar milhões de pares de perguntas e respostas de alta qualidade, rastros de código ou exemplos de cadeias de pensamento e, em seguida, ajustar um modelo para reproduzir esse comportamento. Esse método pode elevar a qualidade sem repetir as etapas mais caras do pré-treinamento. É um dos principais motivos pelos quais equipes menores conseguem se aproximar ou igualar capacidades específicas de laboratórios maiores em áreas como matemática e programação.

O DeepSeek afirmou que algumas variantes destiladas de sua família de modelos foram desenvolvidas com base em sistemas de código aberto, como o Llama, da Meta. Para o V3, a empresa descreveu uma ampla coleta de dados da web que incluía um volume significativo de respostas geradas por IA. Essa abordagem traz benefícios e riscos. Ela pode acelerar o aprendizado de padrões comuns, mas também incorporar problemas desconhecidos de licenciamento e qualidade. O artigo da Nature levou a comunidade a pedir mais clareza sobre quais dados foram usados e quando, além de quais partes do processo dependeram de rótulos sintéticos.

Por que a manchete dos US$ 294 mil se espalhou e por que isso importa

O número de 294 mil dólares era fácil de comunicar e suficientemente impressionante para movimentar os mercados. Em janeiro, os lançamentos iniciais do DeepSeek já haviam provocado o temor de que um rival de baixo custo pudesse superar os líderes dos Estados Unidos. Investidores venderam ações de fabricantes de chips e empresas parceiras de IA. O artigo revisado por pares reavivou essa narrativa com uma frase simples, que circulou mais rápido do que as notas de rodapé. Muitos leitores e alguns jornalistas trataram o aprendizado por reforço como se fosse a história inteira.

O artigo fez mais do que despertar entusiasmo. Ele estabeleceu um padrão de transparência ao registrar números concretos e detalhes do método em uma publicação científica pública. Os revisores pressionaram o DeepSeek a reduzir a linguagem antropomórfica e esclarecer aspectos de segurança, fontes de dados e computação. Isso é positivo para a ciência e para o setor. Ajuda a comunidade a entender quais técnicas geraram mais valor e quais custos continuam difíceis de reduzir.

O que isso significa para os custos e a concorrência em IA

A economia da criação de modelos está mudando. Depois de anos de expansão, muitas equipes agora dão mais ênfase ao ajuste fino e a dar mais tempo para os modelos raciocinarem, em vez de apenas ampliar o tamanho dos conjuntos de dados e a quantidade de parâmetros. Isso transfere parte dos custos para a inferência, quando o modelo pensa por mais tempo a cada consulta e consome mais computação por resposta. O resultado ainda pode ser um acesso mais barato para o usuário final se os ganhos de eficiência superarem o tempo adicional de raciocínio.

A arquitetura de mistura de especialistas do DeepSeek, o uso de aprendizado por reforço para raciocínio e a destilação seletiva fazem parte de uma mudança mais ampla no setor em direção a um desenvolvimento mais modular. Os modelos aprendem uns com os outros, equipes menores se apoiam em modelos-base maiores e os pesos abertos dão às startups uma vantagem inicial. Um estudo de políticas públicas sobre essa tendência na Europa observou que essas mudanças podem ajudar empresas menores a competir, mas também dificultam a recuperação do custo fixo do treinamento de modelos fundamentais. A concorrência por preços pode se intensificar enquanto os desenvolvedores buscam formas sustentáveis de integrar a IA a produtos e serviços.

Alguns pesquisadores alertam que os números de treinamento divulgados publicamente costumam subestimar o que é necessário para chegar a um sistema refinado. Eles ressaltam a diferença entre o custo de uma execução final bem-sucedida e o orçamento total, que inclui o trabalho com dados, as tentativas fracassadas, as avaliações de segurança e meses de engenharia.

Martin Vechev, diretor do instituto suíço INSAIT, elogiou a conquista técnica, mas alertou que os números de uma única execução não devem ser tratados como custo total.

Vechev disse: "O valor de 5 milhões a 6 milhões de dólares é enganoso, pois contabiliza apenas uma execução de treinamento; desenvolver um modelo assim exige várias execuções e experimentos, o que torna o custo real muito maior."

Essa avaliação é compatível com as evidências sobre o R1. A grande economia do projeto veio de escolhas inteligentes de arquitetura e de uma receita eficaz de aprendizado por reforço, não de pular as etapas caras do pré-treinamento. O resultado é um caminho plausível para alcançar alto desempenho com menos computação do que alguns rivais, mas não um método que transforma o treinamento de modelos de ponta em uma tarefa de menos de 300 mil dólares.

Pontos principais

• O valor de 294 mil dólares atribuído ao DeepSeek R1 cobre o aprendizado por reforço em 512 GPUs H800 e a geração de dados associada, não o treinamento completo do modelo.
• O R1 depende do modelo-base V3, treinado em 2.048 GPUs H800 durante cerca de dois meses, ou aproximadamente 2,79 milhões de horas de GPU.
• Estimativas de aluguel de computação situam o pré-treinamento do V3 perto de 5,58 milhões de dólares, e o total para chegar ao R1 em torno de 5,87 milhões.
• A compra de hardware equivalente custaria muito mais do que o aluguel: um cluster da classe de 2.000 GPUs custaria mais de 51 milhões de dólares, sem contar os custos operacionais.
• O DeepSeek usou GPUs A100 nos trabalhos preparatórios e, depois, H800 na principal execução de aprendizado por reforço do R1.
• A escala computacional do R1 está mais próxima da de outros grandes modelos de pesos abertos do que sugeriam as primeiras manchetes, embora pareça modesta diante dos orçamentos especulados de nove dígitos para modelos fechados.
• O aprendizado por reforço aprimorou o raciocínio a um custo relativamente baixo, enquanto o trabalho pesado continuou concentrado no pré-treinamento e no tratamento de dados.
• Especialistas alertam que os números de treinamento divulgados raramente incluem pesquisa e desenvolvimento, preparação de dados e várias execuções fracassadas, que elevam o custo real dos projetos.