Uma pesquisa liderada por pesquisadores da ByteDance relatou que modelos DeepSeek podem deixar passar uma informação dependendo de onde ela aparece em um documento. A reportagem de Minxiao Chang no South China Morning Post descreveu o problema como uma falha de recuperação sensível à posição: o mesmo conteúdo pode ser encontrado ou passar despercebido conforme sua localização no texto.
No exemplo citado, inserir texto irrelevante antes do mesmo trecho de código prejudicou a escolha da resposta correta. A reportagem relacionou o problema a métodos de economia de memória no processamento de entradas longas. A pesquisa mencionou DeepSeek-V4, V4.1 e todos os modelos comprimidos pré-treinados pelos autores. A SCMP informou que o artigo foi publicado no fim de setembro de 2026 e que ainda não havia passado por revisão por pares quando a reportagem saiu, em 12 de outubro daquele ano.
A eficiência de memória também aparece na discussão sobre DeepSeek, Samsung, SK hynix e memória HBM.
O que os resultados do Nonobench medem
Uma discussão do Nonobench v1.2 relata resultados diferentes para dois modelos em quebra-cabeças de nonogramas, jogos de lógica em que se deduzem figuras a partir de pistas numa grade. DeepSeek V4 Pro marcou 83%, empatado em quarto lugar, e DeepSeek V4.1 Flash, 77%, segundo o autor da discussão.
| Modelo | Resultado relatado em nonogramas no Nonobench v1.2 |
| DeepSeek V4 Pro | 83% (empatado em quarto lugar) |
| DeepSeek V4.1 Flash | 77% |
O autor descreveu o modo difícil como 10 quebra-cabeças aleatórios de 20×20, com uma tentativa para cada um, e relatou que todos os modelos de pesos abertos fizeram 0/10 nessa modalidade. As pontuações da tabela são resultados de outra tarefa. Não medem a falha de recuperação descrita na pesquisa.
Segundo o autor, as execuções usaram um único prompt, sem um sistema de avaliação automatizado (harness) nem chamadas a ferramentas. Um modelo podia mencionar código em seu raciocínio, mas não tinha um ambiente para executá-lo.
Duas tarefas, duas medidas
Recuperar um trecho em diferentes posições de um documento e resolver um nonograma são tarefas distintas. Os resultados do Nonobench não confirmam nem refutam o problema de recuperação relatado; tampouco as pontuações desse benchmark formam uma nota geral de precisão dos modelos DeepSeek.
