A empresa chinesa de tecnologia DeepSeek anunciou em 20 de outubro de 2026, a partir de sua sede em Hangzhou, na China, a abertura do código-fonte do DeepInfer, estrutura de software voltada para a execução de modelos de inteligência artificial em larga escala. Disponibilizada gratuitamente na plataforma de desenvolvimento GitHub, a ferramenta coordena o funcionamento dos sistemas para diminuir o tempo de resposta, economizar recursos computacionais e cortar o consumo de energia elétrica nos servidores.
A liberação pública entrega aos desenvolvedores o motor de inferência, mecanismo responsável por processar pedidos e gerar as respostas práticas de um modelo já treinado, que sustenta os serviços comerciais da própria fabricante. Para o físico e especialista em aprendizado de máquina Roberto ‘Pena’ Spinelli, a medida muda o patamar de transparência técnica da companhia. “Antes, eles compartilhavam apenas a planta do motor, que é a inteligência artificial propriamente dita. O que eles estão fazendo agora é entregar o funcionamento do carro inteiro. Todo o software e o mecanismo de como eles executam a inteligência artificial foram liberados para o público”, disse Spinelli.
Como o DeepInfer atua para reduzir o consumo nos data centers
O pacote disponibilizado atua diretamente na coordenação das tarefas enviadas aos equipamentos de processamento pesado. Na prática, quando um usuário ou sistema faz uma solicitação a um programa de inteligência artificial, o motor de inferência organiza a fila de execução e define como os cálculos serão divididos dentro das máquinas. O objetivo dessa gerência é evitar o desperdício de capacidade ociosa nas placas e acelerar a entrega dos resultados finais, reduzindo o gasto elétrico da operação.
Para atingir esse desempenho em infraestruturas de grande porte, o DeepInfer utiliza o método de inferência distribuída, técnica que reparte as cargas de trabalho simultaneamente entre diferentes componentes físicos de hardware para elevar o volume total de dados processados por segundo. Com o acesso livre a essa arquitetura, provedores de computação em nuvem e empresas de hospedagem podem incorporar os métodos da desenvolvedora chinesa em suas próprias instalações. A adaptação permite diminuir as barreiras técnicas de manutenção e baratear o custo cobrado por cada unidade de texto ou dado processado, conhecida no setor como token, nas interfaces de programação de aplicações (APIs).
Na avaliação de Spinelli, o movimento busca consolidar a presença da marca entre programadores e corporações que operam sistemas próprios. “A DeepSeek quer criar um ecossistema para que mais pessoas e empresas passem a utilizar seus produtos”, afirmou o especialista. Ele acrescentou que a iniciativa pressiona o mercado de infraestrutura lógica comercial. “Ao mostrar como montar a estrutura completa, ela incentiva o público a abandonar plataformas pagas mais dispendiosas. É uma forma consistente de se afirmar em um setor extremamente disputado”, declarou.
Acompanhe: NVIDIA lança plataforma RTX Spark N1X para PCs com Windows 11
Requisitos técnicos e números do repositório do DeepInfer no GitHub
O diretório oficial do projeto foi criado na sexta-feira (16), mas recebeu o primeiro pacote público de arquivos apenas na terça-feira (20). O software é direcionado especificamente para infraestruturas de centros de processamento de dados (data centers) e exige configurações restritas de equipamentos e programas básicos para compilação e funcionamento nos servidores:
- Licença de distribuição: código aberto no padrão gratuito Apache-2.0.
- Compatibilidade de placas gráficas (GPUs): linha Nvidia com arquitetura SM100 (geração Blackwell) operando com a plataforma CUDA 13.
- Compatibilidade de processadores neurais (NPUs): chips Huawei Ascend 950 executados com o pacote de software CANN 9.2.
- Ambiente de sistema operacional: servidores baseados em Linux equipados com compilador GCC na versão 13 ou superior e linguagem Python 3.12.
- Adesão na estreia pública: 4.074 marcações de favoritismo (estrelas), 307 cópias de código para desenvolvimento independente (forks) e 35 questões técnicas abertas por usuários logo no primeiro dia de disponibilização.
- Indicador financeiro declarado: receita operacional fora do horário de pico de US$ 38 por placa gráfica (GPU) por hora de uso, valor citado na documentação oficial da fabricante.
Reconstrução a partir do vLLM e limitações da primeira versão do DeepInfer
A estrutura do DeepInfer teve origem como uma derivação do vLLM, uma ferramenta de código aberto já conhecida no mercado para a execução de grandes modelos de linguagem. Apesar dessa base inicial, os engenheiros da empresa em Hangzhou realizaram uma reconstrução completa nas engrenagens centrais do programa. O trabalho incluiu a reescrita da lógica de agendamento de tarefas, da esteira de pré-processamento de informações e dos mecanismos de amostragem, ajustando o código para responder às exigências específicas dos algoritmos criados pela companhia.
Mesmo com a abertura do projeto no GitHub, a fabricante informou que nem toda a sua infraestrutura interna de produção foi incluída no pacote entregue à comunidade. Além disso, ainda não existem testes comparativos ou estudos independentes publicados por terceiros que confirmem na prática os ganhos de velocidade e a economia de energia fora dos servidores da própria DeepSeek. O valor de receita operacional de US$ 38 por hora em cada unidade de processamento gráfico também carece de detalhamento auditado de forma externa para comprovar os custos reais de manutenção por trás da métrica divulgada.
Nesta primeira versão liberada aos desenvolvedores, o sistema opera de forma restrita em modo de inferência offline, formato em que os dados são processados em lotes programados sem conexão direta em tempo real com solicitações contínuas da internet. O código atual oferece suporte exclusivo ao modelo DeepSeek-V4.1-Flash, mas a empresa registrou no documento do projeto que o próximo passo do cronograma técnico será a inclusão de compatibilidade para novos sistemas e futuras gerações de seus modelos de inteligência artificial.