Un modello che accende 8 miliardi di parametri quando legge il contesto e 16 quando genera la risposta, su 552 totali. La scheda di DeepSeek-V4.1-Flash, pubblicata il 10 settembre insieme ai pesi, cioè ai parametri numerici che formano il modello addestrato, distribuiti su Hugging Face con licenza MIT, si legge come un documento di ingegneria della memoria.
E in effetti il technical report che l’accompagna porta in titolo la compressione della KV cache, la memoria di lavoro in cui il modello tiene tutto quello che ha già letto nella conversazione in corso.
La conseguenza commerciale arriva quattro giorni dopo. Dal 14 settembre le chiamate all’endpoint deepseek-v4-pro, l’indirizzo a cui le applicazioni recapitano le richieste dirette al modello di punta da 1.600 miliardi di parametri, verranno instradate su questo Flash da 552 e fatturate a tariffa Flash.
Un laboratorio cinese ha appena mandato in pensione il proprio modello più grande sostituendolo con uno tre volte più piccolo, senza aspettare la generazione successiva e senza chiedere a nessuno di cambiare una riga di integrazione.
Chi compra token per far girare agenti farebbe bene a leggere il report tecnico prima del comunicato. Il listino di DeepSeek non è mai stato una scelta di marketing, discende da quanto costa tenere in memoria il contesto di una sessione lunga, e ogni rilascio dell’azienda dal 2024 in poi ha lavorato su quella voce di costo.
Indice degli argomenti:
890 byte per token: l’architettura CED
V4.1-Flash è un Mixture-of-Experts multimodale da 552 miliardi di parametri, ossia un modello che di quei 552 miliardi ne accende soltanto una frazione a ogni passo, scegliendo di volta in volta quali sottoreti specializzate interpellare, e che elabora nativamente sia testo sia immagini. La finestra di contesto arriva a un milione di token, l’unità minima di testo che i modelli contano e fatturano, in italiano più o meno tre quarti di parola: qualche migliaio di pagine di documenti tenute insieme in una sola sessione. L’output può spingersi fino a 384mila token.
Causal Encoder-Decoder
La novità architetturale si chiama Causal Encoder-Decoder: un transformer da 40 livelli organizzato in 20 di encoder causale, la parte che legge, seguiti da 20 di decoder, la parte che scrive, dove la KV cache globale del decoder viene proiettata dagli stati finali dell’encoder invece che derivata livello per livello. Da lì nasce l’asimmetria che spiega tutto il resto, 8 miliardi di parametri attivi in fase di prefill, quando il modello ingoia la domanda e tutto il materiale allegato, e 16 in fase di decode, quando produce la risposta un pezzo alla volta.
Sopra c’è la Compressed Sparse Attention 2, che assegna a ogni livello di attenzione una modalità fissa fra Full, Reindex e Reuse per condividere le chiavi fra livelli e riutilizzare gli indici di attenzione sparsa. L’attenzione sparsa è il meccanismo per cui un modello, invece di rileggere ogni parola già vista a ogni nuovo passo, ne consulta soltanto una selezione, e il costo smette di crescere in modo quadratico con la lunghezza del testo.
Si aggiunge un caching FP4 delle chiavi principali, una rappresentazione numerica a quattro bit al posto dei sedici abituali, quattro volte più compatta, con una perdita di precisione che il modello viene addestrato a tollerare. Il risultato misurabile è quello del titolo: 890 byte di cache globale per token, circa un quarto di DeepSeek-V4-Flash e 437 volte meno della prima generazione di modelli dell’azienda. La cache persistente su disco scende a un ottavo, grazie a una tecnica che ricostruisce gli stati mancanti rigiocando soltanto gli ultimi token della finestra scorrevole.
DeepSeek spiega perché ha lavorato lì. L’adozione di agenti a lungo orizzonte ha reso i carichi «increasingly input-heavy», sempre più sbilanciati sull’input, il prefill resta computazionalmente caro e le cache di grandi dimensioni saturano la memoria HBM, quella ad altissima banda saldata accanto al processore delle GPU e una delle risorse più costose di un datacenter, insieme allo storage e alla banda di trasferimento. Il pavimento del costo di servizio lo fissano quelle voci, mentre il conteggio dei parametri resta un dato da comunicato stampa.
Il modello processa immagini e testo nativamente, con un encoder visivo addestrato da zero e un corpus di pre-training da 45mila miliardi di token, e supporta un livello di ragionamento regolabile con continuità da 1 a 100, dove il numero governa quanto a lungo il modello elabora prima di rispondere. Quel cursore è una primitiva commerciale prima che tecnica, perché permette di comprare accuratezza a scaglioni, decidendo caso per caso quanto costo di inferenza vale la pena spendere su un compito.
Listini Flash al posto del V4-Pro
I prezzi ufficiali del nuovo modello, in vigore dalle 04:00 UTC del 10 settembre, sono 0,15 dollari per milione di token in input e 0,60 in output nelle ore di morbida, il doppio nelle ore di punta. L’input già presente in cache, vale a dire il testo che il modello ha elaborato in precedenza nella stessa sessione e non deve rileggere da capo, costa 0,003 dollari. Il V4-Pro che esce di scena stava a 0,66 e 1,98 dollari in morbida, con cache hit a 0,022: il passaggio vale un taglio del 77% sull’input, del 70% sull’output e dell’86% sulla lettura da cache. Il limite di concorrenza, cioè il numero di richieste che un cliente può tenere aperte nello stesso istante, sale da 500 a 2.500.
Le fasce di punta cadono fra le 01:00 e le 04:00 e fra le 06:00 e le 10:00 UTC nei giorni feriali, che sull’orologio italiano corrispondono alla notte fonda e all’intera mattinata lavorativa, dalle otto a mezzogiorno. Chi lavora dall’Italia paga la tariffa piena esattamente quando l’ufficio è pieno, e quella ridotta dal primo pomeriggio in avanti: una pianificazione dei batch notturni, qui, vale quanto una rinegoziazione contrattuale.
Ad agosto era successo l’opposto. Il 13 agosto DeepSeek aveva rilasciato la versione ufficiale di V4-Pro e, tre giorni dopo, aveva abbandonato il listino piatto per passare alle fasce orarie, portando l’output del proprio modello di punta da 0,87 dollari a 1,98 in morbida e 3,96 in punta. Un rincaro fra il doppio e il quadruplo, letto allora come il segnale di un’azienda arrivata al limite della capacità di calcolo disponibile. Tre settimane e mezzo dopo il prezzo torna giù, con un’architettura diversa sotto.
Un conto veloce sui listini ufficiali chiarisce dove finiscono quei risparmi. In un agente che lavora per molti passi consecutivi il modello si rilegge ogni volta tutto il materiale accumulato fino a quel momento, e quella rilettura gonfia il conto più di qualunque risposta generata. Un agente che ripassa un prefisso da 200mila token per cinquanta passi muove dieci milioni di token di input già visto in una sola sessione: 0,22 dollari con il vecchio V4-Pro in fascia ridotta, 0,03 con V4.1-Flash. Su una flotta di agenti che gira in continuo, quella differenza diventa l’intera voce di bilancio.
DeepSeek comprime la cache dal 2024
Il percorso di rilascio dell’azienda, riletto oggi, ha una coerenza quasi ostinata. Con V2 era arrivata la Multi-head Latent Attention, che comprimeva chiavi e valori dell’attenzione in uno spazio latente, ossia li riscriveva in una forma più corta prima di depositarli in memoria. Con V3.2-Exp era arrivata la DeepSeek Sparse Attention, prima generazione di quella selezione del contesto che oggi si chiama CSA2, presentata insieme a un taglio dei listini superiore al 50%.
Ad aprile 2026 la preview di V4 ha portato compressione token-wise e attenzione sparsa dentro due modelli, il Pro da 1.600 miliardi di parametri con 49 attivi e il Flash da 284 con 13, rendendo il contesto da un milione di token lo standard su tutti i servizi ufficiali. Il 31 luglio il Flash è passato in versione stabile, il 21 agosto è arrivata la vista sperimentale, il 10 settembre la vista diventa nativa e l’intero stack di attenzione viene riscritto.
L’annuncio di scala, nella storia recente dell’azienda, non c’è mai stato: ogni passaggio ha spostato l’efficienza dell’inferenza, la metrica che decide se un modello possa essere venduto a quel prezzo e restare in piedi.
Attorno al modello, intanto, DeepSeek ha costruito il resto della catena. Il 13 agosto ha aperto in licenza MIT il proprio agent runtime, DeepSeek Harness. Un runtime di questo tipo è l’impalcatura che circonda il modello e gli dà mani e piedi: gli strumenti da invocare, la memoria della sessione, i permessi su cosa può toccare, la sandbox dove eseguire codice senza rompere nulla.
Quello di DeepSeek è posizionato come alternativa agli ambienti di coding agentico chiusi, con un’architettura in cui perfino il ciclo decisionale dell’agente e l’interfaccia sono componenti sostituibili, e il giorno stesso del rilascio il repository raccoglieva già circa 27.500 stelle su GitHub.
Il technical report di V4.1-Flash misura poi il modello su otto scaffold diversi, otto impalcature concorrenti fra cui Claude Code e Codex, e la configurazione minimale dell’harness di casa ottiene il punteggio più alto su Terminal-Bench 2.1, 90,6 contro 88,0.
Modello, orchestrazione e librerie di prompt in Rust: l’inferenza si paga, tutto quello che le sta intorno viene regalato.
Il 17% di OpenRouter e lo 0,3% di Ramp
Due misure raccontano storie diverse, e servono entrambe. La prima è OpenRouter, il marketplace che instrada le chiamate API di decine di migliaia di sviluppatori e per questo funziona da termometro di cosa gira davvero in produzione. Lì i modelli di origine cinese sono passati, stando alle rilevazioni sui dati pubblici della piattaforma, da meno del 2% del traffico di fine 2024 a circa il 46% del volume identificato a metà 2026, e DeepSeek da sola vale intorno al 17%, il singolo fornitore più usato davanti a Google, Anthropic e OpenAI.
Nello stesso periodo il traffico complessivo del router è cresciuto da circa 5.000 miliardi di token a settimana ad aprile 2025 a oltre 20.000 un anno dopo, quindi la quota sale su una base che nel frattempo si è quadruplicata.
Il costo per compito, che misura quanto si spende per portare a termine un’attività intera invece del solo prezzo al milione di token, conferma la direzione. Artificial Analysis ha misurato la generazione precedente di Flash a circa 3 centesimi per attività della propria suite di valutazione, contro 86 centesimi di Kimi K3, 1,86 dollari di GPT-5.6 Sol e 3,15 di Claude Fable 5, con un punteggio di intelligenza di 50 su 100 che la colloca accanto a Gemini 3.6 Flash.
Poi c’è l’altra misura. L’indice di Ramp, costruito sulle transazioni reali di decine di migliaia di aziende americane, a luglio dava Anthropic al 43,5% delle imprese e OpenAI al 39,7%, con DeepSeek intorno allo 0,3%. L’economista che cura l’indice osserva che le aziende alla prima spesa in intelligenza artificiale continuano a comprare americano, e che a spostarsi sui modelli aperti sono quelle già mature nell’uso. Nello stesso rapporto compare un altro numero utile a tarare le aspettative: a un mese dal lancio, il modello di punta di Anthropic pesava per il 6% dei token acquistati dai suoi clienti business.
DeepSeek vince dove i token li bruciano le macchine e perde dove i contratti li firmano gli uffici acquisti. Chi guarda solo il primo dato sopravvaluta la penetrazione commerciale dell’azienda cinese in Occidente, chi guarda solo il secondo non vede il volume di lavoro che gli sta già passando sopra la testa.
CyberGym 88,1 contro Terminal-Bench 4.0
I numeri pubblicati dall’azienda, ancora privi di verifica indipendente, disegnano un profilo netto. V4.1-Flash arriva a 74,2 su DeepSWE v1.1, la prova che conta quante segnalazioni di bug reali un agente riesce a chiudere da solo dentro repository veri, sopra Claude Opus 5 a 74,0 e GPT-5.6 Sol a 73,0, e a 90,6 su Terminal-Bench 2.1, dove si valuta quanto sa cavarsela davanti a una riga di comando senza nessuno che lo guidi. Anche lì sopra entrambi i rivali americani. Segue l’88,1 su CyberGym, la suite di sicurezza offensiva, contro l’84,5 di Sol, e il 54,8 su AutomationBench, che misura catene di automazione portate a termine, dove Opus si ferma a 50,3. Su Codeforces, la piattaforma delle gare di programmazione competitiva, tocca un rating di 3.471, il più alto mai dichiarato dall’azienda.
Sui banchi di prova più recenti la distanza si riapre, e parecchio. Terminal-Bench 3.0 lo dà a 30,0 contro il 43,3 di Opus e la versione 4.0 a 31,2 contro 51,8, due edizioni della stessa prova da riga di comando costruite apposta per non essere saturate dai modelli attuali. L’Humanity’s Last Exam, un esame di domande specialistiche progettato per restare fuori portata, lo vede a 36,8 contro 56,3. Su ProgramBench e su NL2Repo-Bench, che misurano la costruzione di interi repository a partire da una specifica scritta in linguaggio naturale, il divario con Opus resta a doppia cifra su entrambi.
Fonte: elaborazione su DeepSeek, «DeepSeek-V4.1-Flash Technical Report»
Da questa forma discende un perimetro di impiego abbastanza preciso. Sui compiti agentici ripetitivi e ad alto volume, quelli dove un errore costa un nuovo tentativo invece di un incidente, il modello sta alla frontiera a una frazione del prezzo: revisione di codice, migrazione di basi legacy, generazione di test, lettura di log e documentazione tecnica, estrazione da documenti sfruttando la vista nativa e il milione di token di contesto, scansione di vulnerabilità su codebase estese. Sui compiti dove l’autonomia deve reggere per centinaia di passi e il fallimento costa più dei token risparmiati, la frontiera occidentale difende ancora un vantaggio che i benchmark rendono visibile. C’è poi una tara da mettere in conto: le versioni precedenti generavano circa il doppio dei token della mediana per completare le stesse prove, e siccome l’output si paga più caro dell’input quella verbosità si mangia una parte del risparmio di listino.
Pesi MIT dentro il perimetro europeo
I pesi stanno su Hugging Face con licenza MIT, una delle più permissive in circolazione, che consente uso commerciale, modifica e ridistribuzione senza chiedere permesso a nessuno: la strada dell’esecuzione fuori dalla Cina esiste per definizione. Il pacchetto scaricabile dichiara 485 miliardi di parametri, il che colloca l’installazione su macchine proprie nella categoria dei cluster: la stessa DeepSeek, in fondo all’annuncio, invita a contattarla chi stia pianificando impianti da duemila GPU. Nelle prime ore dopo il rilascio nessun fornitore di inferenza terzo lo serviva ancora. Sono le piattaforme europee e americane che ospitano modelli aperti per conto dei clienti, e sono la via con cui un’azienda italiana usa un modello cinese senza che i dati lascino il continente: una condizione che di solito si risolve in pochi giorni e che al momento della scelta va comunque verificata.
L’alternativa, l’API diretta, significa mandare dati in Cina, e su questo il Garante italiano è stato il primo regolatore al mondo a bloccare DeepSeek, a inizio 2025. Il contesto si è irrigidito ancora l’8 settembre, quando NSA, CISA e FBI hanno pubblicato l’avviso congiunto AA26-251A che accusa sei aziende cinesi, DeepSeek in testa all’elenco, di condurre campagne di distillazione su scala industriale contro i modelli americani. La distillazione consiste nell’addestrare un proprio modello sulle risposte generate da quello di un concorrente, ed è una tecnica ordinaria quando c’è un accordo: secondo le agenzie qui l’estrazione è arrivata a miliardi di token da Claude, GPT, Gemini e Grok attraverso account fraudolenti e servizi di intermediazione. Pechino respinge le accuse e la licenza dei pesi non cambia di una virgola. Cambia il modo in cui quella scelta va documentata davanti a un consiglio di amministrazione o a un’autorità di settore, e cambia l’esposizione di chi la compie senza un’istruttoria scritta alle spalle.
Il 14 settembre le chiamate al modello da 1.600 miliardi di parametri finiranno su uno da 552 senza che nessun cliente debba toccare una riga di codice, e la differenza si vedrà a fine mese in fattura più che nella qualità delle risposte.
I budget 2027 costruiti su ipotesi di costo per token ricavate dai listini di primavera lavorano su numeri che il mercato ha già superato due volte in un mese solo, verso l’alto ad agosto e verso il basso a settembre, e la leva che li ha mossi entrambe le volte è la stessa: quanti byte di memoria bisogna tenere occupati per ogni token di contesto. È diventata quella la grandezza da scrivere nei capitolati, accanto al prezzo di listino.
Partecipa alla community