DeepSeek V4 Flash e Harness: perché il nuovo modello open-weight sta attirando l'attenzione

La nuova release non cambia dimensioni né architettura rispetto all'anteprima: i miglioramenti dichiarati derivano soprattutto da una fase ulteriore di post-training . Secondo DeepSeek, V4 Flash raggiunge livelli comparabili al più grande V4 Pro nei benchmark dedicati alla programmazione e agli agenti AI .

Che cos'è DeepSeek V4 Flash

V4 Flash è il modello della famiglia DeepSeek V4 orientato a velocità, costi contenuti e carichi di lavoro ad alto volume. L'architettura MoE consente al modello di disporre di un ampio insieme di esperti specializzati, attivandone soltanto una parte durante ogni elaborazione.

I primi checkpoint della famiglia V4 erano stati distribuiti come anteprima nell'aprile 2026; il modello V4-Flash-0731 rappresenta la versione produttiva successiva .

Licenza MIT: cosa significa per gli sviluppatori

I pesi di V4 Flash e V4 Pro sono distribuiti con una licenza MIT permissiva. In pratica, la licenza consente l'uso commerciale, la modifica e la ridistribuzione senza royalties, nel rispetto dei termini della licenza . I pesi sono disponibili su piattaforme come Hugging Face e possono essere installati su infrastrutture private.

Questo distingue DeepSeek da molti modelli proprietari accessibili soltanto tramite API. Per aziende e sviluppatori significa poter valutare il self-hosting, il fine-tuning e l'integrazione in prodotti commerciali senza dipendere esclusivamente da un fornitore esterno. La disponibilità dei pesi, tuttavia, non elimina i requisiti hardware: un modello da 284 miliardi di parametri resta impegnativo da eseguire localmente.

Un milione di token grazie a CSA e HCA

La finestra di contesto da un milione di token è resa possibile da un sistema di attenzione ibrido che combina due meccanismi di compressione:

• Compressed Sparse Attention (CSA): comprime di quattro volte le informazioni chiave-valore lungo la sequenza usando un pooling con gating softmax. Un componente chiamato Lightning Indexer, che opera in FP4, seleziona poi i 512 blocchi compressi più rilevanti per ciascuna query .
• Heavily Compressed Attention (HCA): applica una compressione più aggressiva, con rapporto 128:1, per gestire la parte più distante del contesto. Questo percorso è denso e non utilizza una selezione sparsa .

Gli strati del modello alternano i due percorsi: quelli pari, a partire dal secondo, usano CSA; quelli dispari, dal terzo in poi, usano HCA. Una finestra scorrevole sugli ultimi 128 token non compressi mantiene l'attenzione sulle informazioni più recenti .

Il risultato è un modello in grado, almeno sul piano dichiarato dell'architettura, di lavorare con documenti, repository di codice e cronologie molto estese senza applicare l'attenzione completa a ogni token della sequenza.

Precisione mista FP4/FP8 e requisiti hardware

Il checkpoint utilizza una combinazione di formati numerici per ridurre memoria e traffico dati:

• i pesi degli esperti MoE sono memorizzati in FP4, con due valori impacchettati in un byte int8 ;
• attenzione, normalizzazione, router ed esperti condivisi restano in FP8 ;
• NVIDIA distribuisce anche una variante NVFP4, identificata come nvidia/DeepSeek-V4-Flash-NVFP4 .

In FP8, i soli pesi del modello richiedono circa 284 GB. Per un deployment completo con contesto da un milione di token, una configurazione indicata nelle analisi tecniche utilizza quattro GPU NVIDIA H200 SXM5, per un totale di 564 GB di VRAM . Le configurazioni possono cambiare in base a quantizzazione, lunghezza effettiva del contesto e ottimizzazioni del runtime: il fatto che soltanto 13 miliardi di parametri siano attivi per token non significa che l'intero modello possa essere caricato senza tenere conto dei pesi complessivi.

Tre livelli di ragionamento

DeepSeek V4 Flash espone il parametro configurabile reasoning_effort, che permette di scegliere quanta elaborazione dedicare alla risposta:

• Non-think: modalità rapida e diretta, adatta a classificazione, estrazione e richieste di routine ;
• Think High: ragionamento più deliberato per problemi complessi, pianificazione e analisi logica ;
• Think Max: livello massimo di ragionamento, con prompt di sistema dedicato e impostazioni orientate a sfruttare un budget d'inferenza più ampio .

Per chi integra il modello in un prodotto, questa impostazione consente di bilanciare latenza, costo e profondità. Non tutte le richieste hanno bisogno della modalità più lenta: per un flusso ad alto volume, poter usare una modalità rapida può essere importante quanto la qualità massima del modello.

Prezzi API: 0,14 dollari per milione di token in input

Il listino API di DeepSeek V4 Flash indica:

Il prezzo dell'input già presente nella cache equivale a una riduzione del 98% rispetto al prezzo in caso di cache miss . Il vantaggio è particolarmente rilevante per applicazioni che riutilizzano lunghi prompt di sistema, istruzioni comuni o prefissi ripetuti.

Le cifre sono state descritte da più fonti come tra le più basse disponibili nella fascia dei modelli frontier . I confronti con modelli concorrenti dipendono dal listino e dalla data di riferimento: alcune analisi stimano l'output di V4 Flash 54 volte più economico di Sonnet 4.6 e 107 volte più economico di GPT-5.5 .

Coding e agenti: i numeri della versione 0731

Il registro ufficiale dell'aggiornamento riporta questi risultati per la versione produttiva:

• Terminal Bench 2.1: 82,7;
• NL2Repo: 54,2;
• altri benchmark agentici: 76,7 .

DeepSeek afferma che il modello raggiunge prestazioni comparabili a V4 Pro nei benchmark di programmazione e nei compiti agentici . La differenza rispetto alla tradizionale distinzione tra versione Pro e versione Flash è quindi meno netta quando il carico di lavoro riguarda uso di strumenti, gestione di repository e attività a più passaggi .

I materiali esaminati non confermano invece un punteggio specifico e indipendente per SWE-bench relativo a V4-Flash-0731 . È quindi preferibile non equiparare automaticamente i risultati dichiarati da DeepSeek a una classifica generale di tutti i modelli di coding.

DeepSeek Harness: il framework per gli agenti AI

Parallelamente al rilascio di V4 Flash, DeepSeek sta lavorando su DeepSeek Harness, un framework di esecuzione per agenti. Il software dovrebbe occuparsi di aspetti che vanno oltre la generazione del testo: gestione del contesto, chiamate agli strumenti e completamento autonomo di attività .

Il nome Harness è comparso nel changelog di V4-Flash-0731 con la formula «to be released soon» . Il 1° agosto 2026 DeepSeek ha iniziato a cercare sviluppatori open source per una fase di beta test chiusa. Ai candidati viene richiesto di avere esperienza in progetti collegati agli Agent Harness e di inviare il proprio ID GitHub insieme a lavori rappresentativi .

La squadra dedicata a Harness sarebbe stata costituita nel marzo 2026, quando Cui Tianyi è entrato in DeepSeek per avviare il team . Non è stata però comunicata una data di rilascio pubblico del framework .

La strategia: modelli capaci, aperti e poco costosi

La direzione associata al CEO Liang Wenfeng viene spesso descritta come un tentativo di combinare capacità elevate e costi ridotti, anche in vista dell'obiettivo più ampio dell'intelligenza artificiale generale . Il prezzo di V4 Flash e la scelta della licenza MIT sono le manifestazioni più concrete di questa impostazione.

DeepSeek compete in Cina con realtà come Alibaba, attraverso la famiglia Qwen, ByteDance con Doubao, Moonshot AI, MiniMax e Z.AI . La famiglia V4 viene distinta soprattutto per la disponibilità di pesi aperti con licenza MIT e contesto da un milione di token .

Alcune fonti riportano anche presunti preparativi per una futura IPO di DeepSeek, ma non risultano confermati né una tempistica precisa né eventuali sottoscrittori o documenti ufficiali .

Cosa resta da verificare

Il quadro è ampio, ma alcuni elementi non sono stati confermati in modo indipendente dalle fonti consultate:

• il punteggio esatto di V4-Flash-0731 su SWE-bench;
• dichiarazioni dirette di Liang Wenfeng sulla strategia AGI;
• calendario, valutazione o intermediari di una possibile IPO;
• i precedenti ruoli specifici di Cui Tianyi presso TSY Capital e Jane Street, citati in una sola fonte e non corroborati da altre .

Per ora, il dato più rilevante è la combinazione di tre fattori: un modello di grandi dimensioni ma con soli 13 miliardi di parametri attivi per token, una licenza MIT che ne facilita l'utilizzo commerciale e un prezzo API di 0,28 dollari per milione di token in output. Se Harness manterrà le promesse, DeepSeek non starebbe puntando soltanto a rendere più economico il modello, ma anche a controllare lo strato software che trasforma un LLM in un agente capace di portare a termine attività.