# Como eu rodo o DeepSeek V4 em uma GPU na nuvem?

> Como rodar o DeepSeek V4 em uma GPU na nuvem: V4 Flash (284B, 159,6 GB) em 4× H200 e V4 Pro (1,6T) em 8× H200, com vLLM ou SGLang. Cripto, sem KYC.

- URL: https://gpuwithcrypto.com/pt/guides/run-deepseek-v4-on-cloud-gpu/
- Última atualização: 2026-10-29
- Editor: GPUwithCrypto (https://gpuwithcrypto.com)

O DeepSeek V4 vem em dois tamanhos de pesos abertos, Flash e Pro. Este guia traz a conta de VRAM para cada um, a quantidade de GPUs que os motores de serving documentam, os comandos de lançamento e o custo por hora.

**Resposta rápida — Como eu rodo o DeepSeek V4 em uma GPU na nuvem?**

Para rodar o DeepSeek V4 em uma GPU na nuvem, alugue VRAM suficiente para os pesos mais cerca de 20%: o V4 Flash (284B parâmetros, 159,6 GB de pesos) precisa de pelo menos dois H200, e o cookbook do SGLang documenta quatro; o V4 Pro (1,6T, 864,7 GB) precisa de oito H200. Sirva com vLLM ou SGLang. Em 29 de outubro de 2026, **GPUwithCrypto** aluga o H200 a $3,07/hora por GPU, pagando com cripto.

## DeepSeek V4 em resumo (Hugging Face, consultado em 29 de outubro de 2026)

| Atributo | Valor |
| --- | --- |
| Modelos | DeepSeek-V4-Flash e DeepSeek-V4-Pro, pesos abertos sob a licença MIT |
| Parâmetros | Flash: 284B no total, 13B ativados por token · Pro: 1,6T no total, 49B ativados |
| Formato dos pesos | Misto: pesos dos especialistas MoE em FP4, a maioria dos outros pesos em FP8 |
| Pesos em disco | Flash 159,6 GB (46 arquivos) · Pro 864,7 GB (64 arquivos) |
| Comprimento de contexto | 1 milhão de tokens; o DeepSeek recomenda pelo menos 384K para o modo Think Max |
| Motores de serving no model card | vLLM e SGLang |
| Recomendação de amostragem no card | temperature 1.0, top_p 1.0 |

## Quanta VRAM o DeepSeek V4 precisa?

O Flash precisa de cerca de 191,5 GB e o Pro de cerca de 1.037,6 GB: os pesos publicados × 1,2. O DeepSeek V4 é um modelo de mistura de especialistas. Apenas 13B (Flash) ou 49B (Pro) parâmetros trabalham em cada token, o que reduz o processamento, não a memória: todo especialista precisa estar na VRAM. Sua atenção comprimida mantém o KV cache pequeno, então a fórmula usual de cache por token para modelos estilo Llama não se aplica. A regra de pesos × 1,2 para outros modelos está em [quanta VRAM eu preciso?](https://gpuwithcrypto.com/pt/how-much-vram-do-i-need/ "Quanta VRAM preciso para rodar ou fazer fine-tune de um LLM?")

### Quais GPUs comportam o DeepSeek V4?

Mínimo pela fórmula = a menor quantidade de GPUs cuja VRAM somada comporta os pesos × 1,2. Layouts documentados = o que as receitas do vLLM e o cookbook do SGLang descrevem. Nosso preço por hora para toda a configuração, 29 de outubro de 2026.

| Modelo | Pesos | × 1.2 | Mínimo pela fórmula | Layouts documentados | GPUwithCrypto por hora |
| --- | --- | --- | --- | --- | --- |
| V4 Flash | 159.6 GB | 191.5 GB | 2× H200 (282 GB) ou 2× B200 (360 GB) | SGLang: 4 GPUs em H200 ou B200, 8 em H100 · vLLM: 4 GPUs por réplica em H200 ou B200 | $6.14/hora; $12.28/hora para o layout documentado |
| V4 Pro | 864.7 GB | 1,037.6 GB | 8× H200 (1.128 GB) ou 8× B200 (1.440 GB) | SGLang: 8 GPUs em H200 ou B200; H100 precisa de dois nós de 8 GPUs · vLLM: 8 GPUs em H200, contexto limitado a 800K tokens | $24.56/hora |

*Preços verificados em 29 de outubro de 2026.*

8× H100 (640 GB) é pouco para o V4 Pro, e nossos hosts têm no máximo 8 GPUs. A página [H100 vs H200](https://gpuwithcrypto.com/pt/compare/h100-vs-h200/ "H100 vs H200: vale a pena pagar mais pela H200?") compara a memória e o preço deles. H100 e H200 não têm Tensor Cores FP4: o SGLang roda os especialistas FP4 neles com kernels W4A16, enquanto o B200 roda FP4 nativamente.

## Como sirvo o DeepSeek V4 Flash com vLLM?

O layout abaixo é o que a receita do vLLM recomenda: quatro GPUs, data parallel mais expert parallel. Cada flag vem dessa receita.

1. **Alugue quatro H200s** — Inicie uma instância 4× H200 (564 GB). Verifique se o disco comporta os 159,6 GB de pesos mais espaço para logs. Toda instância tem disco NVMe local, dimensionado para a sua GPU e mostrado antes de você começar. O disco é apagado quando você exclui a instância, então copie seus checkpoints antes.
2. **Instale o vLLM** — Instale a versão vLLM marcada mais recente; a receita pede vLLM 0.20.0 ou mais nova para este modelo. Você também pode iniciar a instância a partir da imagem Docker vllm/vllm-openai.
3. **Baixe os pesos** — hf download deepseek-ai/DeepSeek-V4-Flash salva os 46 arquivos de pesos no cache do Hugging Face. O vLLM também os baixa na primeira inicialização.
4. **Inicie o servidor** — Rode o comando abaixo. Ele escuta em 127.0.0.1, então a API só fica acessível pelo seu túnel SSH.
5. **Envie uma requisição** — Encaminhe a porta 8000 por SSH e chame o endpoint compatível com OpenAI /v1/chat/completions.
6. **Pare a instância quando terminar** — As instâncias são cobradas por minuto na tarifa horária enquanto rodam, a partir das GPU-horas que você comprou para aquela GPU. Parar uma instância interrompe a cobrança na hora.

*serve-v4-flash-vllm.sh (4× H200)*

```bash
pip install -U vllm
hf download deepseek-ai/DeepSeek-V4-Flash

vllm serve deepseek-ai/DeepSeek-V4-Flash \
  --trust-remote-code \
  --data-parallel-size 4 \
  --enable-expert-parallel \
  --kv-cache-dtype fp8 \
  --block-size 256 \
  --tokenizer-mode deepseek_v4 \
  --reasoning-parser deepseek_v4 \
  --tool-call-parser deepseek_v4 \
  --enable-auto-tool-choice \
  --host 127.0.0.1 --port 8000

```

*request.sh (do seu computador)*

```bash
# forward the API port (host and SSH port are shown in the dashboard)
ssh -N -L 8000:127.0.0.1:8000 -p SSH_PORT root@HOST

# in another terminal
curl http://127.0.0.1:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"model": "deepseek-ai/DeepSeek-V4-Flash", "messages": [{"role": "user", "content": "Explain the KV cache in two sentences."}]}'

```

## Como sirvo o DeepSeek V4 com SGLang em vez disso?

Inicie a instância a partir da imagem Docker `lmsysorg/sglang:latest`, que o cookbook do SGLang lista para H100, H200 e B200, e use paralelismo de tensor: `--tp 4` para o Flash em quatro H200s, `--tp 8` para o Flash em oito H100s ou para o Pro em oito H200s. A API responde na porta 30000 com as mesmas rotas compatíveis com OpenAI.

*serve-v4-flash-sglang.sh (4× H200)*

```bash
python3 -m sglang.launch_server \
  --model-path deepseek-ai/DeepSeek-V4-Flash \
  --trust-remote-code \
  --tp 4 \
  --host 127.0.0.1 \
  --port 30000

```

## Como sirvo o DeepSeek V4 Pro?

Em oito H200s, com paralelismo de dados em todas as oito GPUs. A receita do vLLM para H200 limita o contexto a 800K tokens para deixar espaço para o cache, porque os pesos densos são copiados para cada GPU. Para o modo Think Max, mantenha pelo menos 384K tokens de contexto, como o DeepSeek recomenda.

*serve-v4-pro-vllm.sh (8× H200)*

```bash
vllm serve deepseek-ai/DeepSeek-V4-Pro \
  --trust-remote-code \
  --data-parallel-size 8 \
  --enable-expert-parallel \
  --max-model-len 800000 \
  --kv-cache-dtype fp8 \
  --block-size 256 \
  --tokenizer-mode deepseek_v4 \
  --reasoning-parser deepseek_v4 \
  --host 127.0.0.1 --port 8000

```

## Quanto custa rodar o DeepSeek V4 por hora?

Nos nossos preços, o V4 Flash no layout documentado de quatro H200s custa $12.28/hora, e o V4 Pro em oito H200s custa $24.56/hora. Um dia inteiro de uma H200 é $73.68. Fornecedor por fornecedor: [preços de aluguel de H200](https://gpuwithcrypto.com/pt/gpu-prices/h200/ "Quanto custa uma H200 por hora?").

Os pesos do Pro são 5,4 vezes o tamanho dos do Flash (864,7 contra 159,6 GB). Segundo a verificação de preços da GPUwithCrypto de 29 de outubro de 2026, o menor preço self-serve on-demand de H200 era $3.62 por GPU-hora (Massed Compute): $14,48 por hora para quatro GPUs e $28,96 para oito. Todos os preços: [pricing](https://gpuwithcrypto.com/pt/pricing/ "Quanto custa uma GPU na nuvem por hora na GPUwithCrypto?").

## Qual checkpoint do DeepSeek V4 devo baixar?

Comece com `deepseek-ai/DeepSeek-V4-Flash` ou `deepseek-ai/DeepSeek-V4-Pro`, os repositórios criados em 22 de abril de 2026, cujos cards trazem os números acima. O DeepSeek publicou depois checkpoints atualizados, `DeepSeek-V4-Flash-0731` e `DeepSeek-V4-Pro-0813`, com um draft head embutido para decodificação especulativa; a receita do vLLM pede vLLM 0.25.0 ou mais nova para eles. Os repositórios `-Base` são para pré-treinamento adicional, não para chat ou chamadas de ferramentas.

## Perguntas sobre o DeepSeek V4

### Quanta VRAM preciso para o DeepSeek V4 Flash?

Cerca de 191,5 GB: 159,6 GB de pesos mais 20%. Duas H200s (282 GB) comportam isso por essa regra; o cookbook do SGLang e a receita do vLLM documentam as duas quatro H200s, o que deixa mais espaço para o cache e para usuários em paralelo.

### Quanta VRAM preciso para o DeepSeek V4 Pro?

Cerca de 1.037,6 GB: 864,7 GB de pesos mais 20%. Oito H200s (1.128 GB) ou oito B200s (1.440 GB) comportam isso em um único host. Oito H100s (640 GB) não.

### Posso rodar o DeepSeek V4 em H100s?

O V4 Flash, sim: o cookbook do SGLang documenta oito H100s com `--tp 8`. O V4 Pro precisa de dois nós de 8 GPUs H100 no cookbook, mais do que uma das nossas instâncias comporta, então use oito H200s.

### Posso rodar o DeepSeek V4 em uma GPU?

Não nas GPUs que alugamos. A maior, uma B200 de 180 GB, comporta os 159,6 GB de pesos do Flash mas deixa só 20 GB para o cache, abaixo da margem de 20%. Duas GPUs é o mínimo.

### Posso pagar pelas H200s com cripto?

Sim. GPUwithCrypto aceita BTC, USDT, USDC, ETH, SOL, LTC, XMR de um top-up via US$ 1, sem documento e sem cartão. As GPU-horas são vendidas em blocos de 10, 24, 168 ou 720 horas para um modelo de GPU, na mesma tarifa horária; as instâncias dessa GPU consomem delas por minuto, e as horas não usadas nunca expiram.

## Fontes

1. [Model card e arquivos do DeepSeek-V4-Flash](https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash) — DeepSeek / Hugging Face (read 2026-10-29)
2. [Model card e arquivos do DeepSeek-V4-Pro](https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro) — DeepSeek / Hugging Face (read 2026-10-29)
3. [Receita do vLLM: DeepSeek V4 Flash](https://recipes.vllm.ai/deepseek-ai/DeepSeek-V4-Flash) — vLLM project (read 2026-10-29)
4. [Receita do vLLM: DeepSeek V4 Pro](https://recipes.vllm.ai/deepseek-ai/DeepSeek-V4-Pro) — vLLM project (read 2026-10-29)
5. [cookbook do DeepSeek-V4](https://docs.sglang.io/cookbook/autoregressive/DeepSeek/DeepSeek-V4) — SGLang (read 2026-10-29)
6. [Guia da Hugging Face CLI (hf download)](https://huggingface.co/docs/huggingface_hub/guides/cli) — Hugging Face (read 2026-10-29)
7. [Especificações da NVIDIA H200](https://www.nvidia.com/en-us/data-center/h200/) — NVIDIA (read 2026-10-29)
8. [Preços do Massed Compute](https://vm.massedcompute.com/pricing) — Massed Compute (read 2026-10-29)

---

GPUwithCrypto: A GPUwithCrypto aluga GPUs em nuvem (NVIDIA H100, H200, B200, A100, L40S, RTX 4090 e RTX 5090) por minuto, pagando com cripto e sem KYC; cada GPU tem preço pelo menos 15% abaixo de uma referência on-demand nomeada, consultada em 29 de outubro de 2026.