DeepSeek V4.1 Flash punta su contesto da 1 milione di token e cache più compatta

DeepSeek V4.1 Flash è il nuovo modello multimodale open-weight annunciato da DeepSeek il 10 settembre 2026. La sua particolarità non è una promessa generica di superiorità: combina 552 miliardi di parametri complessivi, attivazione selettiva durante l’elaborazione, un contesto fino a 1 milione di token e una cache KV globale dichiarata di circa 890 byte per token. È una ricetta pensata per richieste lunghe, coding agent e flussi con molto contesto, ma non trasforma automaticamente un computer comune in una macchina adatta al deployment locale.

Che cos’è DeepSeek V4.1 Flash

DeepSeek V4.1 Flash è un modello Mixture-of-Experts, o MoE: invece di usare tutti i componenti della rete per ogni token, seleziona esperti specifici in base al passaggio da elaborare. Accetta testo e immagini e produce testo, con una finestra di contesto massima di 1.000.000 di token.

I pesi sono disponibili su Hugging Face con licenza MIT. Per chi usa l’API, l’identificatore indicato da DeepSeek è deepseek-flash; i vecchi identificatori deepseek-v4-flash e deepseek-v4-flash-vision-exp sono stati indicati come instradabili temporaneamente verso V4.1 Flash.

DeepSeek ha inoltre annunciato che, dal 14 settembre 2026, le richieste inviate a deepseek-v4-pro sarebbero state indirizzate a V4.1 Flash fino al lancio di V4.1 Pro. Si tratta di una modifica annunciata alla gestione degli endpoint, distinta dal lancio del modello.

Parametri totali e parametri attivi

Il numero da 552 miliardi descrive la dimensione complessiva del backbone, non il numero di parametri utilizzati simultaneamente per ogni token. Durante il prefill, cioè l’elaborazione dell’input, vengono attivati circa 8 miliardi di parametri per token; durante la decodifica dell’output, circa 16 miliardi.

Questa architettura asimmetrica aiuta a capire il progetto, ma non basta per calcolare la memoria necessaria a eseguire tutto il modello in locale. Parametri attivi, pesi complessivi, quantizzazione, offloading e memoria del sistema sono grandezze diverse. Confonderle è il modo più rapido per trasformare una specifica interessante in una configurazione hardware sbagliata.

L’architettura Causal Encoder-Decoder comprende 40 livelli: 20 nel causal encoder e 20 nel decoder. Il modello integra inoltre CSA2 per l’attenzione sparsa, DSpark per la decodifica speculativa ed Engram, una memoria condizionale a accesso sparso.

Cache KV e contesto da un milione di token

La cache KV conserva informazioni intermedie già elaborate durante una conversazione o un’attività con contesto esteso. DeepSeek V4.1 Flash dichiara un’impronta globale di circa 890 byte per token, contro i 3.514 byte indicati per DeepSeek V4 Flash.

Il vantaggio pratico riguarda soprattutto i carichi in cui il modello deve mantenere molto testo, codice o stato operativo. Una cache più compatta può ridurre la pressione su memoria e archiviazione durante il serving; non significa però che l’intero modello richieda poca memoria.

Con un contesto massimo di 1 milione di token, questa distinzione diventa cruciale. La promessa riguarda l’efficienza della gestione del contesto, non una garanzia di prestazioni identiche su ogni provider, configurazione o applicazione.

Come leggere i benchmark

DeepSeek riporta risultati elevati in diverse prove di coding, cybersecurity e agenti. Con il massimo livello di ragionamento indicato dal modello, V4.1 Flash raggiunge 74,2 in DeepSWE v1.1 e 88,1 in CyberGym. Nella stessa famiglia di risultati compare anche 90,6 in Terminal-Bench 2.1.

Sono numeri legati a benchmark, harness e impostazioni precise. Non descrivono una classifica universale dei modelli. Lo si vede anche guardando Terminal-Bench 4.0: V4.1 Flash raggiunge 31,2, mentre nella tabella ufficiale Claude Opus 5 arriva a 51,8 e GPT-5.6 Sol a 39,9.

Artificial Analysis assegna alla configurazione con ragionamento massimo un Intelligence Index di 39,5, una velocità mediana di 206,3 token al secondo e un tempo di 1,13 secondi al primo blocco. Sono misure ottenute con una metodologia diversa da quella dei benchmark ufficiali: utili per orientarsi, non per proclamare un vincitore assoluto.

Un altro test di coding ha esaminato 24 prompt, ripetendo le esecuzioni per tenere conto della variabilità del modello. Il risultato più interessante, per chi sviluppa, è proprio questo: la qualità può dipendere dal prompt, dai parametri di generazione, dal numero di tentativi e dal tipo di attività. Un punteggio alto in CyberGym non garantisce automaticamente lo stesso comportamento nella costruzione di un’applicazione o nella gestione di un agente.

Prezzi API e routing di V4 Pro

La tariffazione ufficiale dell’API è espressa in dollari per milione di token e distingue tra input memorizzato in cache, input non memorizzato, output e periodi di punta o non di punta. Per l’Italia non è indicata una tariffa specifica in euro, né una disponibilità presso rivenditori locali: il riferimento resta quindi il listino globale in USD.

Questa struttura rende il costo dipendente dal modo in cui usi il modello. Una richiesta con molti token già presenti in cache non equivale a una richiesta con input completamente nuovo; allo stesso modo, il volume dell’output e la fascia oraria incidono sul conto. Il prezzo nominale, da solo, non basta per confrontare due agenti di coding.

Il routing annunciato per il 14 settembre aggiunge un elemento operativo: chi invia richieste a deepseek-v4-pro potrebbe ricevere V4.1 Flash secondo la politica comunicata da DeepSeek, fino all’arrivo di V4.1 Pro. Per i team che hanno integrato un endpoint, il nome chiamato e il modello effettivamente servito diventano quindi due aspetti da tenere distinti.

Pesi aperti, hardware locale e compromessi

La licenza MIT dei pesi rende possibile scaricare e studiare il modello, oltre a predisporre un’infrastruttura autonoma. Ma “open-weight” non significa “leggero da eseguire”.

Una dimostrazione di deployment locale ha usato quattro NVIDIA DGX Spark, SSD offloading e una configurazione distribuita. In quella configurazione sono stati osservati circa 70 token al secondo nelle attività di coding e circa 54 token al secondo nei task con agenti. Sono risultati legati a quell’hardware e a quel flusso di lavoro, non una velocità garantita per l’API o per qualsiasi installazione locale.

La domanda pratica è inevitabile: può funzionare su un sistema locale da 256 GB? Non esiste una risposta unica applicabile a ogni quantizzazione, runtime e schema di offloading. Le stime della community indicano che alcune configurazioni complete possono superare quella soglia, mentre la dimostrazione documentata usa un’infrastruttura molto più specializzata. I circa 8 e 16 miliardi di parametri attivi non vanno letti come un requisito di memoria locale.

Chi dovrebbe prestare attenzione a V4.1 Flash

Per chi usa l’API, V4.1 Flash è interessante se il lavoro combina contesti lunghi, immagini, coding agent o molte informazioni da mantenere durante la sessione. La cache KV compatta e il contesto da 1 milione di token sono le specifiche da guardare per prime.

Per chi sviluppa agenti, i risultati in DeepSWE v1.1, CyberGym e Terminal-Bench 2.1 meritano attenzione, ma vanno verificati contro il proprio flusso: un benchmark è una prova circoscritta, non una recensione universale del modello.

Per chi vuole eseguirlo in casa, i pesi MIT sono una buona notizia; la scala del modello e la complessità dell’offloading lo sono molto meno. Prima di pensare alla velocità, bisogna considerare memoria complessiva, storage, banda e runtime.

Il punto, insomma, è questo: DeepSeek V4.1 Flash prova a rendere più efficiente il servizio di un modello enorme, non a cancellare il costo della sua enorme capacità. Il lancio del 10 settembre porta una combinazione notevole di contesto, multimodalità e cache compressa; la sua utilità reale dipenderà dal lavoro concreto, dalla modalità di accesso e dall’hardware disponibile.