Em post de 13 de setembro, a SemiAnalysis afirmou que a AMD só lançou sua própria imagem do DeepSeek V4.1 Flash dois dias depois de o vLLM, do lado CUDA, já suportar o modelo. A imagem em si funciona nativamente, sem nenhum recurso faltando. A diferença está no custo-benefício: segundo os cálculos da consultoria, o mesmo modelo rodando em hardware AMD entrega desempenho por dólar até 14,8 vezes pior que a H200 e até 42 vezes pior que as B200 e B300.
A explicação dada pela SemiAnalysis é o ecossistema. A colaboração da Nvidia com sua comunidade de desenvolvedores permite que o caminho CUDA já chegue otimizado no primeiro dia de lançamento do modelo; a consultoria estima essa comunidade em 6 milhões de desenvolvedores.
De onde vem a diferença de dois dias
Nos primeiros dias após o lançamento de um novo modelo, o trabalho do lado da inferência se concentra em adaptar operadores, escolher o caminho de quantização e ajustar o escalonador. O núcleo de desenvolvimento de frameworks de inferência como vLLM e SGLang gravita há muito tempo em torno do CUDA, e as implementações de referência feitas pelos próprios fabricantes de modelos também costumam rodar primeiro em CUDA. O lado AMD precisa esperar o merge no branch principal para então fazer uma rodada de portabilidade e validação — a diferença de dois dias é o resultado normal dessa cadeia.
O DeepSeek V4.1 Flash é uma geração de modelo que começou em teste interno no início de setembro e depois foi lançada oficialmente, com estrutura diferente das gerações anteriores. Quanto maior a mudança estrutural, maior o custo de portabilidade — e maior a diferença de desempenho no primeiro dia.
A mesma ordem de grandeza já havia sido medida três semanas antes
Voltando três semanas, em 24 de agosto a SemiAnalysis já havia divulgado um benchmark chamado AgentX 1.0, voltado especificamente para inferência de agentes com contexto longo. Esse teste usou 393 traços anonimizados de chamadas do Claude Code, com contexto superior a 1 milhão de tokens, envolvendo mais de 1.000 placas com consumo de cerca de 2 megawatts, e um orçamento registrado acima de 3 milhões de dólares.
Os resultados daquela vez variaram por modelo: com o Qwen3.5 rodando em SGLang, na faixa de 90 tok/s por usuário, a Nvidia superou a AMD em mais de 20 vezes; com o GLM 5.3, na faixa de 150 tok/s por usuário, a eficiência de custo da Nvidia foi cerca de 5 vezes maior; o caminho FP4 da B300 elevou o desempenho por dólar em 12 vezes em relação à H100. O mesmo material trazia uma frase ainda mais constrangedora: em toda a Alibaba, apenas uma pequena unidade de publicidade usava a pilha ATOM da AMD.
A faixa de 5 a 20 vezes de três semanas atrás e a faixa de 14,8 a 42 vezes desta vez estão na mesma ordem de grandeza. A diferença é que o AgentX mediu um modelo que já rodava de forma estável havia algum tempo, enquanto desta vez o teste foi feito com um modelo novo, em seus dois primeiros dias — o que amplia ainda mais a diferença na fase de partida a frio.
O hardware em si não é o gargalo
As especificações no papel da MI355X não ficam atrás. Em seu material de agosto, a SemiAnalysis já havia mencionado que, em certas faixas, mesmo que o chip da AMD fosse dado de graça, ele ainda perderia em custo por token — até que vLLM e SGLang alcançassem o nível necessário. Depois de 21 de agosto, graças a uma série de otimizações da Inferact e da Nvidia incorporadas ao vLLM, o desempenho por dólar da B200 ultrapassou o da MI355X.
Para quem compra placas, a leitura desses números é: a variável decisiva na compra deixou de ser o pico de desempenho e passou a ser a maturidade da pilha de software e a latência de adaptação a novos modelos. Para um provedor de inferência que precisa entrar no ar no dia do lançamento de um novo modelo, a diferença de dois dias da AMD significa dois dias sem receita.
Pontos a tratar com cautela nos números
Tanto os 14,8 quanto os 42 vezes são dados unilaterais da SemiAnalysis; a AMD não se pronunciou, e não há reprodução independente por terceiros. O indicador de desempenho por dólar é extremamente sensível a premissas sobre o preço das placas — a diferença de preço de mercado entre uma H200 usada e uma B300 nova pode puxar a proporção para qualquer direção. Relatórios de benchmark anteriores da consultoria já divulgaram publicamente a metodologia de teste e o modelo de custos, mas a publicação desta vez não veio acompanhada de uma descrição metodológica completa.
A pilha de software da AMD vem correndo atrás nos últimos dois anos. Se esse ritmo consegue superar o investimento da Nvidia em otimização a cada nova geração de hardware é algo que só se verá quando o próximo modelo com mudança estrutural relevante for lançado — e quantos dias as imagens dos dois lados ainda estarão distantes.
Fontes: SemiAnalysis, CocoLoop, registros públicos do projeto vLLM; os fatores de desempenho por dólar e a escala de computação do benchmark AgentX foram registrados conforme divulgado pela própria SemiAnalysis, sem reprodução por terceiros.