Wizey vs DeepSeek R1: o raciocínio da IA ajuda nos exames?

Quando a DeepSeek lançou seu modelo de raciocínio R1 no início de 2025, ela abalou a indústria de IA. Pesos abertos sob licença MIT, preços uma ordem de grandeza abaixo dos concorrentes fechados dos EUA e uma cadeia de raciocínio visível (CoT, do inglês chain-of-thought — o modelo “pensando em voz alta” antes de responder), com desempenho em matemática à altura dos sistemas de raciocínio fechados da OpenAI. Nossa equipe de engenharia passou semanas testando-o ao limite para responder a uma pergunta: essa arquitetura realmente tem lugar em um pipeline de IA médica?

A família DeepSeek cresceu desde então. No primeiro semestre de 2026, a linha já inclui o DeepSeek V4, com modo de raciocínio híbrido e janela de contexto de 1M tokens, o V3.2-Speciale (medalha de ouro na IMO 2025) e um R2 compacto, de 32B de parâmetros, que roda em uma única GPU de consumo. A tecnologia é genuinamente impressionante. Mas “tecnologia impressionante” e “adequada para a medicina” não são a mesma afirmação.

Neste artigo, percorro os detalhes de engenharia do DeepSeek R1 e de seus sucessores: como o raciocínio é treinado, onde os pesos abertos mudam o jogo, por que a cadeia de raciocínio é uma faca de dois gumes em contextos clínicos e como o pipeline estruturado do Wizey se compara. Para entender o básico de como os LLMs generalistas lidam com laudos laboratoriais — RAG, Lost in the Middle, alucinações, HIPAA/GDPR —, veja nosso artigo-pilar Wizey vs ChatGPT para IA médica.

O que torna o DeepSeek R1 arquiteturalmente diferente

A principal diferença é o raciocínio. Um LLM padrão vai direto de “prompt → resposta”. O R1 primeiro gera uma longa cadeia de raciocínio interna — muitas vezes de 2.000 a 10.000 tokens — e só então emite a resposta final. Dá para ver isso diretamente na API: um bloco <think> mostra o modelo deliberando como um professor que resolve um problema no quadro.

Nos bastidores, o R1 é construído sobre o DeepSeek V3, com uma espinha dorsal de mistura de especialistas (Mixture of Experts, MoE). O modelo reúne muitos “submodelos” especializados e roteia cada consulta apenas para o subconjunto de que precisa — é assim que se chega a centenas de bilhões de parâmetros totais com custo de inferência moderado. A própria capacidade de raciocínio não foi treinada por ajuste fino supervisionado clássico, mas por aprendizado por reforço com GRPO (Group Relative Policy Optimization), descrito no artigo original do DeepSeek R1 no arXiv e depois publicado na Nature. Simplificando: o modelo não aprendeu as “respostas certas” — foi recompensado por chegar a respostas certas e, sozinho, descobriu estratégias como autoverificação, enumeração de hipóteses e retrocesso.

A segunda diferença estrutural são os pesos abertos. Todo lançamento da DeepSeek (V3, R1, V3.2, V4, R2) é publicado no Hugging Face sob licença MIT. Qualquer empresa pode baixar os pesos, rodá-los na própria infraestrutura, ajustá-los para uma tarefa específica e não pagar nada ao fornecedor pela inferência. Para os modelos de fronteira fechados (GPT, Claude, Gemini), isso é arquiteturalmente impossível.

Onde os pesos abertos realmente vencem: privacidade e implantação local

Pesos abertos não são retórica de marketing — eles mudam a economia e a questão da conformidade. É aqui que, na minha visão, o DeepSeek é mais forte, e onde a cobertura da imprensa costuma subestimar as implicações.

No fluxo em nuvem — chat.deepseek.com ou a API —, a privacidade é igual à de qualquer outro provedor: seus dados vão para os servidores da DeepSeek, sob a legislação chinesa de proteção de dados. Para dados médicos dos EUA ou da Europa, isso é um impedimento absoluto: nem a HIPAA nem o GDPR toleram o processamento transfronteiriço e sem controle de informações de saúde protegidas.

Os pesos abertos mudam o quadro por completo. Você pode implantar o modelo no seu próprio hardware — um data center hospitalar, um laboratório de pesquisa, até a estação de trabalho de um médico — e nenhum byte do prontuário do paciente sai do seu perímetro. Alvos de hardware na prática:

• DeepSeek-R1-Distill-Llama-8B (destilado — um modelo menor treinado para imitar o grande): cerca de 6 GB de VRAM, roda em uma RTX 3060 ou superior.
• DeepSeek-R1-Distill-32B: cerca de 20 GB de VRAM — RTX 3090, RTX 4090 ou uma T4/A10 de servidor.
• DeepSeek-R1-Distill-70B: cerca de 40 GB de VRAM — duas RTX 4090 ou uma A100.
• DeepSeek-R1 completo (671B MoE): um servidor com múltiplas H100/A100 e mais de 1 TB de memória agregada. Irrealista para um setup caseiro, comum para um data center clínico.
• R2 de 32B: cabe em uma única RTX 4090 de consumo (24 GB de VRAM), aproximando-se da qualidade de fronteira.

Compare isso com os modelos de fronteira fechados: no GPT-5 ou no Claude Opus, você simplesmente não pode “baixar o modelo” — toda requisição precisa passar pela nuvem do fornecedor. Com o DeepSeek, você instala o Ollama ou o vLLM em um servidor dentro da sua rede, conecta um front-end local e mantém todo o fluxo isolado da rede (air-gapped). Esse é o único caminho prático para rodar um LLM de classe mundial respeitando totalmente a HIPAA e o GDPR — e é uma vantagem real para as equipes de TI hospitalar que avaliam IA médica.

Dentro do Wizey, testamos variantes destiladas do R1 como parte de uma linha de pesquisa interna. A qualidade é inferior à dos modelos fechados de topo, mas, para tarefas bem delimitadas — pré-processamento anonimizado, sumarização interna —, o modelo local é uma ferramenta que funciona.

Onde o DeepSeek supera os modelos de fronteira fechados

Para não fazer um texto de um lado só: o R1 e seus sucessores não são um “clone barato do GPT”. Em várias dimensões, eles são objetivamente fortes.

• Custo. O preço atual do DeepSeek V4 fica cerca de uma ordem de grandeza abaixo dos planos de topo da OpenAI e da Anthropic. Para cargas de trabalho de alto volume, essa é a diferença entre um produto que sai do papel e um que não sai.
• Matemática e lógica formal. No AIME, no MATH-500, no SWE-bench e no GPQA Diamond, o R1/R2 se equipara aos modelos de raciocínio da OpenAI. Para a medicina, isso importa: cálculos de eGFR, dose por peso, conversões de unidades — são tarefas matemáticas em que a CoT genuinamente ajuda.
• Transparência do raciocínio. O rastro da CoT é devolvido a quem faz a chamada, então dá para auditar onde a lógica saiu dos trilhos. Os modelos da série o da OpenAI escondem o raciocínio atrás da API.
• Capacidade de ajuste fino. Como os pesos são abertos, grupos de pesquisa médica podem continuar o pré-treinamento e o RLHF sobre corpora clínicos verificados. Isso é estruturalmente impossível para modelos fechados.

São ganhos reais. A questão é se eles somam a ponto de formar uma ferramenta de nível clínico — e é aí que a história fica complicada.

Raciocínio vs alucinação: a cadeia de raciocínio ajuda na medicina?

Esta é a questão central do artigo e onde tenho os sentimentos mais divididos como engenheiro.

A boa notícia. O grande estudo de 2025 “Medical Hallucinations in Foundation Models” constatou que a cadeia de raciocínio reduziu as taxas de alucinação médica em 86% dos casos testados. Em média, o raciocínio explícito de fato torna a resposta mais precisa. O R1 apresentou resultados de base sólidos em resistência a alucinações — melhores que os da maioria dos modelos da geração anterior.

A má notícia. A CoT também obscurece o sinal de alucinação. Os métodos clássicos de detecção — confiança no nível do token, entropia da saída — deixam de funcionar bem, porque o modelo escreve um texto fluente e internamente coerente mesmo quando a conclusão está errada. A análise das limitações do ChatGPT em contextos clínicos da The Lancet Digital Health já mostrava que a confiança do texto é um mau indicador da veracidade médica. Os modelos de raciocínio amplificam isso.

A notícia realmente ruim. As análises de alucinações de IA em 2025 convergem para uma constatação específica: os modelos de linguagem têm cerca de 34% mais probabilidade de usar uma linguagem confiante (“com certeza”, “sem dúvida”, “claramente”) justamente quando estão errados. Os modelos de raciocínio pioram isso: um rastro longo e com aparência de reflexão faz a resposta final soar com mais autoridade mesmo quando a CoT sai do rumo no passo 3 e depois caminha de forma coerente na direção errada por mais 2.000 tokens.

Na medicina, esse é o modo de falha crítico. Imagine: o modelo “raciocina” por 3.000 tokens sobre a sua fosfatase alcalina elevada, constrói um diferencial elegante em torno das causas possíveis e conclui por osteomalácia — porque, no passo 3 da CoT, confundiu o intervalo de referência do adulto com o pediátrico. A saída se lê como o parecer de um médico consultor. E está errada. Sem a CoT, o mesmo modelo poderia ter dado uma resposta mais vaga e menos assertiva — e seria mais provável que o paciente buscasse acompanhamento em vez de se ancorar na conclusão.

O trade-off é real: o raciocínio reduz a taxa média de alucinação, mas aumenta o poder de persuasão das alucinações que sobram. Para tarefas puramente técnicas (matemática, código), essa é uma troca aceitável. Na medicina, o custo de um erro é assimétrico — e isso muda a equação.

Teste de cenário: o mesmo painel de exames no R1 vs no Wizey

Concretamente — um cenário que rodei durante a avaliação técnica.

O painel: um exame real (anonimizado) de painel metabólico completo + hemograma completo + ferritina + TSH + T4 livre + PCR + homocisteína + vitamina D + B12 + perfil lipídico, 47 marcadores no total. Várias alterações: ferritina elevada em 320 ng/mL, PCR moderadamente elevada em 8,5 mg/L, TSH perto do limite superior, em 4,1 mIU/L, e homocisteína em 14 µmol/L.

DeepSeek R1 pela interface de chat (em inglês, o idioma mais forte do modelo):

1. CoT de cerca de 4.500 tokens, percorrendo cada marcador e construindo associações.
2. Conclusão final: sinalizou a ferritina como “possível sobrecarga de ferro ou inflamação crônica”, ligou-a corretamente à PCR, mas propôs hemocromatose como diferencial de primeira linha (uma condição genética rara) com base em um único valor de ferritina.
3. Interpretou o TSH de 4,1 como “dentro da faixa normal”, sem perceber que 4,1 com homocisteína limítrofe e inflamação justifica uma investigação com anticorpos anti-TPO e uma repetição em 6–8 semanas — a investigação padrão de hipotireoidismo subclínico.
4. A homocisteína de 14 não foi sinalizada como algo que merece atenção (muitos laboratórios usam < 10 como ideal).
5. O modelo acrescentou repetidamente o aviso padrão “consulte um profissional de saúde”, mas, entre essas ressalvas, emitia hipóteses muito específicas em tom confiante.

O mesmo painel pelo pipeline do Wizey:

1. Os 47 marcadores extraídos para uma tabela estruturada, comparados com valores de referência específicos por idade e sexo.
2. Ferritina com PCR elevada interpretada corretamente: primeiro descartar a inflamação (comportamento de reagente de fase aguda), depois considerar a sobrecarga de ferro. A hemocromatose só é levantada após saturação de transferrina confirmatória e teste genético — não a partir de um único valor de ferritina.
3. TSH de 4,1 destacado como limítrofe, com recomendação explícita de repetir o exame com anticorpos anti-TPO.
4. Homocisteína de 14 sinalizada como levemente elevada, com a via B12/folato/B6 e a sugestão de verificar esses cofatores.
5. Cada afirmação está vinculada a uma fonte específica no grafo de conhecimento médico (diretrizes clínicas, referências do StatPearls do NCBI sobre reagentes de fase aguda, revisões da Nature Medicine).

A diferença não é que o DeepSeek seja “mais burro” — é um modelo capaz. A diferença é que um modelo de raciocínio generalista não tem salvaguardas embutidas para conversão de unidades, seleção do intervalo de referência ou uma hierarquia bayesiana de hipóteses diagnósticas. Ele raciocina. O Wizey segue protocolos — e usa o raciocínio apenas onde um protocolo verificado diz que o raciocínio é apropriado.

Quando o DeepSeek R1 é a ferramenta certa

Quero ser justo. Alguns cenários em que o DeepSeek — sobretudo implantado localmente — é genuinamente a escolha certa:

• Ambientes clínicos ou de P&D isolados (air-gapped). Se a sua organização tem requisitos rígidos de privacidade, um R1-Distill-32B ou R2 local, no seu próprio servidor, entrega qualidade próxima da fronteira sem enviar um único byte a terceiros. É o caminho mais prático para a conformidade com HIPAA/GDPR usando um LLM de ponta.
• Base para ajuste fino de domínio. Os pesos abertos permitem que grupos de pesquisa médica continuem o pré-treinamento sobre corpora clínicos validados e montem suas próprias pilhas de RLHF. Essa opção não existe para modelos fechados.
• Subtarefas técnicas dentro de um pipeline médico. Cálculos de dose, conversão de unidades, escores de risco como CHA2DS2-VASc ou Wells — módulos isolados de matemática/lógica em que o raciocínio ajuda. Use-o como componente, não como o “médico”.
• Tradução e explicação de terminologia — nisso o modelo está no mesmo nível dos sistemas de fronteira.
• Cargas de trabalho sensíveis a custo — se você precisa rodar milhões de requisições, a diferença de preço em relação aos modelos de fronteira fechados chega a dezenas de milhares de dólares por mês.

O que eu não faria: colar o PDF do exame de um paciente real no chat do DeepSeek na nuvem e tratar a saída como uma resposta clínica. Entre o fluxo transfronteiriço de dados, o modo de falha da CoT persuasiva-mas-errada, a ausência de certificação como dispositivo médico e a falta de disciplina com os valores de referência, isso é uma má opção para o caso de uso de consumidor. Para um paciente que quer “mandar o exame para um bot e receber uma resposta”, um serviço médico feito sob medida é a ferramenta certa.

Como o Wizey usa raciocínio — dentro de um protocolo, não no lugar dele

A pergunta que mais recebo: o Wizey também usa raciocínio internamente? Usa — mas de forma restrita. Nosso pipeline é assim:

1. OCR e extração. Cada valor do PDF é extraído de forma determinística e mapeado para um esquema estruturado (padrão LOINC), com o intervalo de referência específico do laboratório.
2. Vinculação aos valores de referência. Cada valor é avaliado com base na faixa correta para a idade, o sexo e (quando relevante) a gestação ou a função renal do paciente. Isso é código, não saída de LLM.
3. RAG sobre um grafo de conhecimento clínico validado. Cada afirmação do laudo final está ancorada em uma fonte específica — diretriz, artigo revisado por pares, verbete do StatPearls — e não em geração livre.
4. Raciocínio para cadeias diagnósticas, dentro de salvaguardas. É aqui que o pensamento no estilo CoT se justifica: construir um diferencial bayesiano em que a priori e a verossimilhança vêm do grafo de conhecimento, não da opinião do modelo.
5. Saídas travadas por protocolo. O texto final está vinculado ao resultado estruturado. O modelo não pode inventar um diagnóstico que o protocolo não autorizou.

Essa arquitetura faz duas coisas ao mesmo tempo. Ela captura o ganho real do raciocínio — lógica diagnóstica passo a passo, cálculos seguros quanto a unidades, atenção à covariação entre marcadores — enquanto elimina o modo de falha específico que torna um modelo de raciocínio puro arriscado na medicina: uma cadeia de raciocínio longa, persuasiva e internamente consistente que está errada porque as premissas nunca foram verificadas.

Conclusão

O DeepSeek é um trabalho tecnicamente impressionante, e fico genuinamente feliz por a indústria ter uma alternativa de código aberto aos modelos de fronteira fechados. A implantação local desbloqueia opções de privacidade e de ajuste fino que os usuários de modelos fechados simplesmente não têm — e isso importa para hospitais, grupos de pesquisa e qualquer um que leve a sério a soberania de dados.

Mas o raciocínio, sozinho, não resolve o problema médico. Uma cadeia de raciocínio longa e bem formada sobre premissas erradas continua sendo uma resposta errada — apenas mais bem embalada. Para a tarefa de ler os exames de um paciente específico, em que cada número, cada intervalo de referência e cada diferencial importa, a equipe do Wizey seguiu um caminho diferente: um pipeline especializado, com RAG sobre fontes clínicas verificadas e salvaguardas rígidas de protocolo. Para o paciente, isso se traduz em uma promessa concreta — cada afirmação do laudo pode ser mostrada a um médico e rastreada até uma fonte.