Análise aprofundada · Cerca de 4 min de leitura
DeepSeek Recipe 0.2: APIs parecidas ainda exigem um contrato de inferência
A versão de 20 de outubro altera validação, tokens especiais e restrições de saída. O contexto do DeepInfer mostra o que falta para um serviço completo.
- Publicado aqui
- Data da fonte
- Fonte verificada
O changelog oficial data deepseek-recipe 0.2.0 em 20 de outubro. É uma mudança incompatível das bibliotecas Rust e do pacote Python; a versão inicial 0.1.0 é de 10 de setembro.
Ouça as notícias
Ouça este artigo ou continue ouvindo as notícias.
Preparando a leitura…
Voz do dispositivo
O navegador ou dispositivo processa a voz. O AISubHub não envia o texto a uma API de áudio. As vozes e a reprodução com a tela bloqueada variam conforme o dispositivo.
Ao continuar, uma frase curta pode se repetir.
Resumo
- A versão expõe restrições de saída, cuja aplicação depende do backend.
- DeepInfer suporta DeepSeek-V4.1-Flash, NVIDIA SM100 e Huawei Ascend 950, com infraestrutura adicional necessária.
Qual parte foi atualizada
Recipe converte solicitações de diferentes APIs em uma conversa comum e transforma a saída nos formatos correspondentes. A versão 0.2 muda a API pública de todos os crates e do pacote Python. Manter o nome do endpoint HTTP não dispensa migrar uma integração 0.1; há instruções específicas para construtores, tipos e métodos de streaming.
Nossa análise recomenda testar exemplos de entrada e saída e distinguir o adaptador da aplicação que oferece o serviço. Os documentos não anunciam assinatura pessoal, cota grátis de hospedagem ou uma plataforma completa pronta para produção.
O nome do modelo muda o comportamento
A conversão resolve o modelo por um mapa de versões. Os padrões incluem DeepSeek-V4-Pro e DeepSeek-V4.1-Flash; outros nomes exigem alias, e nomes desconhecidos são rejeitados. Em V4, imagens viram um marcador de texto de imagem não suportada. Receber um campo não prova capacidade visual.
Os parâmetros são resolvidos por modelo e modo de raciocínio. Nesse modo, temperature vale 1.0. Para V4.1, top_p fica em pelo menos 0.95 com raciocínio e em 1.0 fora dele. São regras deste conversor, não recomendações nossas para outros modelos. Inspecionar apenas o JSON original pode esconder a configuração efetiva.
Uma restrição declarada ainda precisa ser aplicada
A versão valida formatos JSON Schema e regex, coloca o esquema no prompt e expõe objetos de restrição para JSON, regex e chamadas de ferramentas. O changelog deixa a decisão de aplicá-los ao backend. Expor um objeto não comprova decodificação restrita token por token.
Num teste hipotético de chamada obrigatória com argumentos estruturados, examine a restrição normalizada, a aplicação no backend e a resposta interpretada. Isso não relata uma falha observada. O DeepInfer documenta geração com gramática separadamente; conectar as duas capacidades continua sendo trabalho de integração.
Limites dos tokens e das imagens
Recipe diferencia intervalos explícitos de tokens especiais de texto comum. Fora das exceções documentadas de grounding no conteúdo e raciocínio do assistente, escrever um marcador numa mensagem gera texto normal. Isso reduz confusão entre conteúdo e controle, mas não resolve toda injeção de prompt.
O novo filtro de destinos de imagem verifica host, endereços resolvidos e cada redirecionamento, retornando erro específico quando bloqueia. É preciso confirmar sua configuração e o tratamento dos erros. A biblioteca oferecer a função não significa que toda aplicação a ative; não testamos servidor de produção.
O que falta além do motor
O README do DeepInfer descreve inferência offline, kernels, decodificação especulativa e escalonamento. Requer Linux, GCC 13 ou superior e Python 3.12; NVIDIA SM100 usa CUDA 13 e Ascend 950 usa CANN 9.2. Não há promessa de execução em qualquer computador pessoal.
Um serviço completo ainda precisa de cache KV, separação de codificador visual/prefill/decode e balanceamento entre réplicas paralelas. O cenário de desempenho usa 4 SM100 para prefill e 64 para decode, nos respectivos domínios scale-up, sem promessa de velocidade numa GPU. Migração de protocolo e infraestrutura devem ser validadas separadamente; preços da API e direitos de assinantes não mudam por inferência nossa.
Por que importa
Análise do AISubHub: a compatibilidade precisa cobrir conversão, tokenização, decodificação e operação, com testes antes da migração.
Limites e disponibilidade
Não executamos benchmarks nem implantamos o software. A data é da versão Recipe; o README do DeepInfer não comprova quando ele foi publicado pela primeira vez nem um preço de hospedagem.
Fontes e evidências
Data da fonte: · Fonte verificada:
Leituras complementares
Fonte verificada:
Conteúdo editorial com apoio de IA, verificado em fontes primárias. Alegações dos fornecedores são atribuídas; inclusão não é recomendação.