DeepSeek V4.1 Flash è uscito il 10 settembre 2026 e la notizia l'hai già letta ovunque: 552 miliardi di parametri, 8 attivi, cache più piccola. Quello che non trovi in giro è la lettura che serve per decidere: i benchmark veri (dove batte Opus 5 e GPT-5.6 e dove no), quanto costa rispetto ai modelli che usi oggi (0,15 $ per milione di token in input contro i 10 di Fable 5.1 e Astra), cosa fare entro il 14 settembre se hai V4-Pro in produzione, e la risposta onesta a "gira in locale?". Io lavoro con questi modelli tutti i giorni per i miei clienti: qui c'è il pezzo che avrei voluto leggere.
Tutti i numeri vengono dalla scheda ufficiale del modello, dall'annuncio DeepSeek e dal changelog delle API. I benchmark sono quelli pubblicati dal produttore alla massima intensità di ragionamento: li riporto con i confronti che DeepSeek stessa ha scelto, e dove il quadro è meno lusinghiero lo dico.
DeepSeek V4.1 Flash in 60 secondi
- Cos'è: il modello più piccolo della nuova famiglia di architettura DeepSeek, pensato per agenti di coding, terminale, uso del computer e analisi su contesti lunghi.
- Dimensioni: 552B di parametri di backbone, 8B attivi quando legge l'input, 16B quando scrive. Con la memoria condizionale Engram da 196B, il repository pesa 763B: ecco perché su Reddit c'è chi dice "non è 552B, è 748B". Hanno ragione entrambi: dipende cosa conti.
- Contesto: fino a 1.048.576 token in ingresso e fino a 384.000 in uscita.
- Multimodale nativo: immagini e testo addestrati insieme dall'inizio, non aggiunti dopo come nel vecchio V4-Flash-Vision-Exp.
- Prezzo API: 0,15 $/M input, 0,60 $/M output, 0,003 $/M in cache-hit; tariffe off-peak al 50%.
- Nome del modello:
deepseek-flash. I vecchideepseek-v4-flashedeepseek-v4-flash-vision-expvengono instradati temporaneamente sul nuovo. - Licenza: MIT, pesi aperti su Hugging Face con il report tecnico. Sì, è open source nel senso pieno del termine.
- Sforzo di ragionamento: regolabile in modo continuo da 1 a 100, per scambiare costo e accuratezza.
Benchmark: dove vince e dove no
È la ricerca che sta crescendo di più su Google in questi giorni, e ha senso: le specifiche le hanno scritte tutti, i risultati quasi nessuno. Ecco i numeri pubblicati da DeepSeek nel confronto con i modelli di punta, tutti a massimo sforzo di ragionamento.
| Benchmark | V4.1 Flash | V4-Pro | Opus 5 | GPT-5.6 Sol |
|---|---|---|---|---|
| Terminal-Bench 2.1 | 90,6 | 87,9 | 89,1 | 88,8 |
| Terminal-Bench 4.0 | 31,2 | 12,4 | 51,8 | 39,9 |
| DeepSWE v1.1 | 74,2 | 62,7 | 74,0 | 73,0 |
| AutomationBench | 54,8 | 43,2 | 50,3 | 45,8 |
| Agent's Last Exam | 31,8 | 25,7 | 28,6 | 26,7 |
| HLE con strumenti | 63,9 | 60,0 | 63,6 | n.d. |
| GPQA Diamond | 90,9 | 92,4 | 93,4 | 94,1 |
| HLE (senza strumenti) | 36,8 | 42,7 | 56,3 | 44,5 |
| Codeforces (rating) | 3471 | 3348 | n.d. | n.d. |
La lettura in tre righe. Sul lavoro agentico di volume è al livello di Opus 5: DeepSWE, AutomationBench, HLE con strumenti e Terminal-Bench 2.1 sono pari o sopra, e batte nettamente il suo stesso V4-Pro, che infatti DeepSeek manda in pensione. Sul ragionamento puro resta sotto: su HLE senza strumenti fa 36,8 contro 56,3 di Opus 5, e su Terminal-Bench 4.0, la versione più dura, fa 31,2 contro 51,8. Sulle conoscenze generali il modello base perde 13 punti su SimpleQA rispetto a V4-Pro (42,3 contro 55,2): un modello che sa meno cose ma le usa meglio quando ha strumenti in mano.
Un dato che mi interessa più della tabella: DeepSeek ha misurato il modello dentro scaffold diversi. Su DeepSWE fa 69,8 con l'harness di Claude Code, 65,5 con OpenCode, 65,6 con Codex e 74,2 con mini-SWE. Quindi funziona con Claude Code, e il risultato dipende dal telaio quanto dal motore. È lo stesso punto che faccio in Claude Code vs Codex: il modello è metà della storia.
Cosa c'è di nuovo nell'architettura, tradotto per chi fa agenti
La sigla da ricordare è CED, Causal Encoder-Decoder: 40 layer divisi in 20 di encoder causale e 20 di decoder, con la cache KV globale del decoder proiettata dagli stati dell'encoder invece di essere calcolata layer per layer. È questo che permette di attivare 8B di parametri quando legge e 16B quando scrive.
Perché ti riguarda: un agente di coding passa la maggior parte del tempo a leggere (file, output dei tool, istruzioni) e poco a scrivere. Un'architettura che costa la metà in lettura è disegnata esattamente su quel carico.
La seconda novità è la compressione della cache KV: con Compressed Sparse Attention 2 e la cache in FP4 la cache globale scende a 890 byte per token, circa un quarto rispetto a V4-Flash; con SWA Bounded Replay la cache persistente su SSD o RAM scende a circa un ottavo. Nei carichi agentici le letture in cache sono spesso la voce più grossa della fattura, e questo è il motivo per cui il prezzo del cache-hit è sceso a 0,003 dollari.
Il pre-training è su 45 trilioni di token multimodali, con attenzione sparsa addestrata a 64K e contesto esteso a 1M. Il post-training è il classico SFT, RL e distillazione on-policy: DeepSeek dice esplicitamente che il salto sta nella sintesi automatica su larga scala di task e ambienti per agenti, non in nuovi algoritmi.
Quanto costa rispetto ai modelli che usi oggi
| Modello | Input $/M | Output $/M | Contesto |
|---|---|---|---|
| DeepSeek V4.1 Flash | 0,15 | 0,60 | 1M |
| Gemini 3.8 Flash | 0,75 | 3,75 | vedi guida |
| Muse Spark 1.3 | 1,25 | 4,25 | 1M |
| Claude Opus 5 | 5 | 25 | 1M |
| Claude Fable 5.1 | 10 | 50 | 1M |
| GPT-6 Astra | 10 | 50 | n.d. |
I prezzi degli altri modelli sono quelli riportati nei miei articoli su Gemini 3.8 Flash, Muse Spark 1.3, Fable 5 vs Opus 5 e GPT-6 Astra vs Claude Fable 5.1. Messo accanto alla tabella dei benchmark, il quadro è questo: su DeepSWE e AutomationBench fa i numeri di Opus 5 a un trentesimo del prezzo in input.
Il mio metodo però non cambia da quando ho scritto perché non rincorro ogni modello: il prezzo a token non è il costo. Il costo è per compito completato e accettato. Un modello economico che ci prova quattro volte può costare più di uno caro che chiude al primo colpo, e i benchmark qui sopra sono a sforzo 100, che è anche il livello più caro. La leva da provare per prima è proprio il parametro di reasoning effort: trovare il valore minimo che regge il tuo compito.
V4-Pro va in pensione il 14 settembre: cosa fare
Dalle 04:00 UTC del 14 settembre 2026 tutte le richieste a deepseek-v4-pro vengono instradate su V4.1-Flash, alle tariffe di V4.1-Flash, finché non esce V4.1-Pro. V4-Flash e V4-Flash-Vision-Exp sono già ritirati.
Se hai prompt tarati su V4-Pro, il comportamento può cambiare senza che tu abbia toccato una riga. Le cose da fare prima di lunedì: fissare il nome del modello in configurazione, rilanciare la tua suite di test su deepseek-flash, controllare i parametri di sampling (DeepSeek consiglia temperature 1.0 e top_p 0.95, diversi da molti default), e loggare quale modello ha risposto. È la stessa lezione della sospensione di Fable 5 a giugno: la disponibilità di un modello cambia dall'oggi al domani.
Dove lo usi da subito
- Chat DeepSeek, gratis: è la risposta alla domanda "si può usare gratis?". Sì in chat; le API si pagano a consumo.
- API DeepSeek con il nome
deepseek-flash, formato compatibile OpenAI, function calling e output JSON. - OpenRouter, servito da una dozzina di provider: comodo per provarlo senza aprire un account DeepSeek, e la query "deepseek v4.1 flash openrouter" è già tra quelle in crescita.
- OpenCode, partner ufficiale del lancio insieme a WorkBuddy e CodeBuddy. Se hai letto il mio confronto tra Claude Code e OpenCode, questo è il caso d'uso: OpenCode con un modello da 0,15 dollari dietro.
- Claude Code: non è supportato ufficialmente, ma DeepSeek lo ha misurato proprio con l'harness di Claude Code (69,8 su DeepSWE). Si collega con un proxy come LiteLLM, con la procedura del metodo 3 di Claude Code gratis con Ollama, OpenRouter e NIM.
- DeepSeek Harness, che ne ho parlato in DeepSeek Harness: Claude Code diventa un plugin: è lo scaffold con cui DeepSeek ottiene i risultati migliori su Terminal-Bench.
Gira in locale? La risposta onesta
I pesi sono aperti con licenza MIT e su Hugging Face esistono già decine di quantizzazioni per llama.cpp, Ollama e LM Studio, quindi la domanda è legittima. La risposta è no per l'hardware che ha una persona o una PMI. Gli 8 o 16 miliardi attivi contano per il calcolo, ma i 763B del repository vanno tenuti in memoria: anche quantizzato a 4 bit parliamo di centinaia di gigabyte, fuori portata per una workstation con una GPU da 24 GB e per un mini PC da 128 GB di memoria unificata. Nei forum si parla di farlo girare su due DGX Spark o su quattro RTX Pro 6000: configurazioni da laboratorio, non da ufficio.
Se il tuo obiettivo è un modello in locale per Claude Code o OpenCode, le opzioni realistiche restano Qwen 3.8 Flash-Next e GLM 5.2 con 25 GB di RAM. DeepSeek V4.1 Flash è un modello da cloud: il suo vantaggio è il prezzo, non la privacy. Se il codice non può uscire dalla rete del cliente, non è questa la strada.
Flash o Pro: quale scegliere
È una delle domande più cercate e la risposta è diventata semplice: V4-Pro non esiste più come scelta, dal 14 settembre risponde V4.1-Flash. Sui compiti agentici il Flash lo batte quasi ovunque; sulla conoscenza enciclopedica e sul ragionamento lungo senza strumenti il Pro era più forte. Se il tuo caso d'uso è "rispondi a domande di cultura generale senza cercare", aspetta V4.1-Pro o guarda altrove. Se è "esegui, chiama strumenti, lavora su documenti lunghi", il Flash è il modello giusto ed è anche quello più economico.
Cosa significa per una PMI italiana
- Analisi documentale lunga: contratti, capitolati, manuali. Un milione di token di contesto a 0,15 dollari rende sensato mandare il documento intero invece di spezzarlo.
- Agenti che girano di notte su task ripetitivi: classificazione, estrazione dati, generazione di test. Le tariffe off-peak dimezzano un prezzo già basso, e AutomationBench a 54,8 dice che su questo tipo di lavoro regge.
- Lettura di immagini nei flussi: bolle, fatture scansionate, screenshot. Con DocVQA a 95,6 la multimodalità nativa evita di tenere un secondo modello per la visione.
Due cose che non cambiano: i dati passano dai server del provider (DeepSeek è un'azienda cinese, e per alcuni clienti questo chiude la discussione a prescindere dal prezzo), e il modello va comunque messo dietro validazione dell'output e fallback, come spiego in agenti AI per aziende, senza hype.
Cosa ne penso
DeepSeek ha fatto una scelta di prodotto più interessante del modello stesso: ha costruito l'architettura attorno al costo della lettura, che è il costo vero degli agenti, e ha portato il "modello economico" ai livelli di Opus 5 sui benchmark agentici. Il fatto che spenga V4-Pro invece di tenerlo a listino dice quanto ci creda.
Per me resta un modello da mettere in coda ai flussi di volume, non al posto di Fable 5.1 o Astra sul ragionamento difficile. Ma la coda, in un'azienda, è il 90% delle chiamate. Lo provo questa settimana su un'estrazione dati da PDF e su un refactoring con OpenCode, partendo da reasoning effort 30 e salendo; i numeri, buoni o cattivi, finiscono qui.
Leggi anche
- DeepSeek Harness: Claude Code diventa un plugin
- Gemini 3.8 Flash vs 3.1 Pro: quale usare e quanto costa
- Qwen 3.8 Flash-Next: 125B che gira come un 6B
- Claude Code vs OpenCode: quale scegliere nel 2026
- Prezzi AI +90%: perché paghi di più e come difenderti
Se stai valutando di spostare parte dei tuoi flussi su un modello economico e vuoi sapere quali sì e quali no, scrivimi: guardo il tuo caso e ti dico dove il risparmio è reale e dove ti costerebbe in qualità.
