DeepSeek V4.1 Flash: 1 milione di token, 552 miliardi di parametri e il cambio di rotta nella gamma

DeepSeek-V4.1-Flash, pubblicato il 10 settembre 2026, è un modello open-weight e multimodale. La novità non è soltanto la scala: DeepSeek abbina un sistema Mixture-of-Experts (MoE) da 552 miliardi di parametri a un’attivazione sparsa e a una cache KV molto più piccola, con l’obiettivo di rendere più sostenibile l’inferenza su contesti estremamente lunghi. 1735

Cosa cambia nella linea di modelli DeepSeek

Per chi usa l’API DeepSeek, il modello Flash da usare oggi è V4.1 Flash, richiamato con l’identificatore deepseek-flash. Rispetto al precedente Flash, aggiunge la comprensione nativa delle immagini oltre al testo. 1517

I modelli precedenti V4 Flash e V4 Flash Vision Exp sono stati ritirati. Per compatibilità, gli ID legacy deepseek-v4-flash e deepseek-v4-flash-vision-exp vengono ancora accettati temporaneamente, ma le richieste sono servite da V4.1 Flash e fatturate secondo le tariffe Flash. 1523

La situazione di V4 Pro è diversa. Le prime notizie sulla transizione indicavano un inoltro del traffico a V4.1 Flash in attesa di V4.1 Pro. Il changelog ufficiale dell’API, aggiornato successivamente, afferma però che, in risposta alle richieste degli utenti, DeepSeek continuerà a offrire V4 Pro via API anche dopo il 14 settembre 2026, senza modificare la fatturazione. Chi necessita di risultati riproducibili dovrebbe quindi usare gli ID attualmente documentati ed eseguire test di regressione, anziché presumere che un endpoint legacy punti sempre a V4.1 Flash. 1523

552 miliardi di parametri, ma non tutti lavorano a ogni token

V4.1 Flash è un modello Mixture-of-Experts, o MoE, con 552 miliardi di parametri di base. In questa architettura non viene eseguito l’intero modello per ogni token: entra in azione soltanto una parte selezionata degli esperti.

DeepSeek dichiara che V4.1 Flash attiva 8 miliardi di parametri nella fase di elaborazione dell’input (prefill) e 16 miliardi nella generazione dell’output (decoding). L’architettura è definita dall’azienda Causal Encoder–Decoder: una distinzione rilevante perché prompt molto lunghi e risposte molto lunghe comportano costi di inferenza differenti. 1735

L’attivazione sparsa, da sola, non garantisce automaticamente costi bassi o velocità elevate in qualsiasi infrastruttura. Prestazioni effettive e prezzo dipendono anche da GPU disponibili, batching, quantizzazione, software di serving, lunghezza del contesto e tipologia delle richieste. È però un elemento centrale del profilo di efficienza previsto dal modello.

Perché il contesto da un milione di token dipende dalla cache KV

V4.1 Flash supporta contesti fino a un milione di token. 35

Il problema operativo dei contesti lunghi è la cache key-value, o KV cache: lo stato dell’attenzione conservato dal modello mentre genera ciascun token successivo. Quando prompt e risposta crescono, questa memoria può trasformarsi in uno dei principali vincoli dell’infrastruttura di serving.

Secondo la model card, l’architettura Causal Encoder–Decoder proietta la cache KV globale del decoder dagli stati nascosti finali dell’encoder, invece di ricavarla separatamente dagli stati di ogni livello del decoder. Il rilascio combina inoltre Compressed Sparse Attention 2 e caching KV in FP4. DeepSeek indica così un’impronta della cache KV globale di circa 890 byte per token, all’incirca un quarto di quella corrispondente in DeepSeek V4 Flash. 3539

Questo non significa che ogni attività da un milione di token sia automaticamente economica o affidabile. La capacità massima di contesto non equivale alla capacità di recuperare informazioni, ragionare o seguire istruzioni con precisione sull’intero prompt. Chi lavora con grandi basi di codice, archivi documentali o cronologie di agenti dovrebbe misurare recupero delle informazioni, latenza e costo su carichi di lavoro realistici.

Pesi aperti e possibilità di self-hosting

DeepSeek ha pubblicato i pesi di V4.1 Flash su Hugging Face con licenza MIT. La model card descrive il rilascio come open-weight, consentendo alle organizzazioni di scaricare e distribuire il modello nei termini di tale licenza. 35

Rispetto a un modello disponibile esclusivamente via API, questo offre la possibilità di valutare il sistema sulla propria infrastruttura e controllare direttamente lo stack di serving. Non elimina la complessità di deployment, soprattutto per un backbone da 552 miliardi di parametri, ma apre una strada verso self-hosting e ottimizzazioni più profonde.

V4.1 Flash supera davvero V4 Pro?

DeepSeek attribuisce a nuovi metodi di pretraining e a un post-training con reinforcement learning su scala maggiore risultati di benchmark superiori a quelli di modelli di punta, incluso V4 Pro. L’azienda cita anche test di più soggetti che collocherebbero V4.1 Flash davanti a V4 Pro per prestazioni, costo, velocità e tempo totale di esecuzione. 17

Sono indicazioni importanti, ma restano risultati riportati dal fornitore e non un verdetto universale. I benchmark possono variare in funzione delle attività selezionate, dei prompt, della configurazione degli strumenti, della metodologia di valutazione e della versione del modello testata. Prima di migrare un flusso di produzione, è opportuno confrontare i modelli sui casi d’uso effettivi: ragionamento complesso, tasso di accettazione del codice, uso di tool, precisione multimodale, affidabilità, controlli di sicurezza, latenza e costo complessivo.

I primi segnali su OpenRouter: domanda elevata, ma solo su quella piattaforma

V4.1 Flash arriva in un mercato in cui DeepSeek e altri fornitori cinesi avevano già un forte utilizzo instradato. OpenRouter ordina i modelli in base ai token, inclusi prompt e completamenti, elaborati attraverso la propria API. Nella classifica del 13 settembre, DeepSeek V4.1 Flash era indicato a 4,94T token e contrassegnato come nuovo; DeepSeek V4 Flash 0731 era a 11,6T, V4 Flash 0423 a 4,36T e Xiaomi MiMo-V2.5 a 7,77T. 57

I dati precedenti mostrano anche quanto rapidamente possa cambiare la graduatoria: una rilevazione di agosto collocava V4 Flash a 7,1T di token settimanali e riportava che nove dei dieci modelli più usati nella classifica erano cinesi. 50

La precisazione essenziale riguarda il perimetro del dato: i conteggi di OpenRouter descrivono il traffico passato dalla sua API, non l’utilizzo mondiale dell’IA, le installazioni aziendali, i ricavi né la qualità assoluta dei modelli. Sono un segnale utile della domanda su una piattaforma per sviluppatori, non la prova che un modello abbia conquistato l’intero mercato.

Cosa significa in pratica per gli sviluppatori

Il motivo più forte per valutare V4.1 Flash è la combinazione tra multimodalità nativa, contesto da un milione di token, pesi aperti e un’architettura pensata per ridurre il costo in memoria dell’inferenza di lunga durata. 1735

Un percorso di migrazione ragionevole è il seguente:

1. Per le nuove integrazioni Flash, usare deepseek-flash.
2. Considerare i vecchi ID Flash e Vision Exp come percorsi di compatibilità, non come versioni fissate e stabili.
3. Confrontare V4.1 Flash e V4 Pro sui propri prompt e criteri di successo.
4. Misurare recupero su contesti lunghi e latenza end-to-end separatamente dalla semplice capacità dichiarata della finestra di contesto.
5. Leggere le classifiche OpenRouter come indicatore di domanda, non come sostituto della valutazione in produzione.

Le affermazioni tecniche di V4.1 Flash sono rilevanti, in particolare il dato di 890 byte per token della cache KV globale e l’attivazione sparsa. La sua portata concreta dipenderà però dalla capacità di tradurre questi vantaggi in prestazioni affidabili e accessibili nei carichi di lavoro che sviluppatori e aziende eseguono davvero.