DeepSeek, il laboratorio cinese ormai consolidato tra i principali attori open-weight, ha rilasciato il 10 settembre 2026 DeepSeek 4.1 Flash. Si tratta di un Mixture-of-Experts multimodale da 552 miliardi di parametri totali, pensato come successore diretto di V4-Flash e collocato nella fascia flash della gamma DeepSeek, quella orientata a velocità, costo contenuto e carichi agentici.
L’approccio del produttore resta coerente con la sua storia, privilegia l’efficienza infrastrutturale e la disponibilità dei pesi sotto licenza MIT, piuttosto che inseguire solo i picchi di intelligenza grezza. Rispetto al predecessore V4 Flash, V4.1 Flash introduce un’architettura asimmetrica e una compressione del KV cache molto più aggressiva, mantenendo il contesto a 1 milione di token e aggiungendo finalmente la visione nativa.
La missione è offrire maggiore capacità a costi e latenze inferiori, soprattutto quando gli agenti devono gestire contesti lunghi e molte interazioni. Il modello interessa perché sposta ulteriormente la curva costo-prestazioni verso il basso in un momento in cui i workload multi-step stanno diventando standard.
Il modello si rivolge a sviluppatori e power user che costruiscono agent, automazioni o applicazioni con contesti estesi e che cercano un equilibrio concreto tra qualità, velocità e spesa. I punti di forza principali sono l’efficienza di attivazione (solo 8 miliardi di parametri in lettura e 16 in scrittura), la riduzione drastica della memoria di contesto e prezzi API molto aggressivi.
L’architettura causal encoder-decoder e la compressione del contesto
Il cuore tecnico di DeepSeek 4.1 Flash è l’architettura Causal Encoder-Decoder, un Transformer a 40 layer diviso in 20 layer di encoder causale e 20 di decoder. A differenza dei modelli tradizionali in cui ogni layer mantiene e aggiorna il proprio KV cache, qui il decoder proietta il cache globale dagli stati finali dell’encoder.
Di conseguenza, durante la fase di prefill vengono attivati solo circa 8 miliardi di parametri, mentre in generazione se ne usano 16 miliardi. Questo schema asimmetrico riduce il costo computazionale proprio nei compiti in cui l’input è lungo e l’output relativamente più contenuto, tipici degli agent.
Parallelamente, DeepSeek ha spinto la compressione del KV cache. Rispetto a V4-Flash il fabbisogno di HBM scende a un quarto e quello di storage SSD a un ottavo, grazie a Compressed Sparse Attention 2, caching in FP4 e una tecnica di ricostruzione limitata delle finestre scorrevoli. In pratica, mantenere un contesto di un milione di token diventa sensibilmente meno oneroso sia in termini di memoria GPU sia di storage persistente. Il risultato è un’occupazione di 890 byte per ogni token, in pratica 437 volte inferiore del primissimo modello DeepSeek di due anni fa.
Il modello include anche un encoder vision addestrato da zero e un meccanismo di reasoning effort regolabile da 1 a 100 (altra novità tra i modelli di frontiera), che consente di scambiare token aggiuntivi per maggiore accuratezza. Questi elementi rendono V4.1-Flash particolarmente adatto a scenari in cui il costo per token e la latenza contano molto.
I pesi sono pubblicati su Hugging Face sotto licenza MIT, con supporto a vLLM, SGLang e Transformers per chi vuole ospitarlo in proprio, e l’addestramento ha usato quarantacinque mila miliardi di token con un rapporto di sette a uno tra testo e materiale multimodale.
Velocità di generazione e throughput
Nei primi test condivisi emergono valori di throughput molto elevati. Diversi report indipendenti parlano di 300-420 token al secondo in generazione, con picchi che superano i 400 token/s e in alcuni casi si spingono verso 420-500+. Restano comunque differenze tra endpoint e configurazioni hardware, quindi i valori reali dipendono dal provider e dal carico di sistema.
Questi numeri derivano dall’architettura asimmetrica e dalla separazione tra memoria e calcolo, che riducono il carico durante il decode. In pratica, generare decine di migliaia di token richiede pochi minuti invece di tempi sensibilmente più lunghi.
La velocità elevata diventa un vantaggio per chi gestisce agent multi-step o pipeline che producono output lunghi, perché abbassa la latenza complessiva e migliora la fluidità delle interazioni.
Prestazioni su benchmark agentici e capacità di ragionamento
Sui test agentici DeepSeek 4.1 Flash mostra risultati solidi, specialmente quando si attiva il reasoning effort massimo (100). Terminal-Bench 2.1, che valuta la capacità di completare compiti reali in un ambiente a riga di comando (installazioni, debugging, script multi-step), arriva al 90,6 percento, un valore superiore a diversi modelli frontier come Claude Opus 5 (89,1) e GPT-5.6 Sol (88,8).
In pratica significa che il modello riesce a portare a termine sequenze operative lunghe con meno errori di percorso, riducendo i tentativi falliti e quindi i costi di riesecuzione. DeepSWE v1.1, orientato alla risoluzione di issue di software engineering, raggiunge il 74,2 percento, di nuovo competitivo con le soluzioni a pagamento di punta.
GPQA Diamond si attesta a 90,9 e il rating Codeforces a 3471, indicando una buona padronanza di ragionamento scientifico e coding competitivo. Su alcuni test più recenti e difficili, come Terminal-Bench 3.0 e 4.0, i punteggi restano inferiori a quelli dei modelli chiusi di ultima generazione.
Il reasoning effort regolabile permette di osservare miglioramenti netti, per esempio Terminal-Bench 2.1 passa da circa 82 percento a 90,6 percento alzando l’effort, ma aumenta anche il consumo di token di circa 2,5 volte. In sintesi, V4.1-Flash non è il modello più forte in assoluto su ogni dimensione, ma su molti scenari agentici e di coding pratico offre prestazioni molto vicine o superiori a soluzioni significativamente più costose, con il vantaggio di potersi regolare in base al budget disponibile.
Prezzi tagliati, fasce orarie e disponibilità
DeepSeek ha deciso di applicare tariffe a fasce orarie, cosa insolita per un modello di frontiera. Nella fascia scontata, che copre gran parte della giornata, il prezzo è di 0,003 dollari per milione di token in ingresso serviti dalla cache, 0,15 dollari per l’ingresso non in cache e 0,60 dollari in uscita. Nelle ore di punta, cioè grosso modo la mattina presto in Europa, le tariffe raddoppiano.
Il taglio più marcato riguarda proprio la cache, scesa del 60% rispetto al listino precedente, ed è la voce che pesa di più su un agente che rilegge lo stesso contesto a ogni turno.
DeepSeek 4.1 Flash è disponibile da subito sull’API ufficiale con il nome di modello deepseek-flash. I precedenti endpoint V4-Flash e V4-Flash-Vision vengono temporaneamente dirottati su di esso per mantenere la compatibilità, mentre da metà settembre le richieste a V4-Pro verranno pure instradate verso Flash a tariffe Flash, almeno fino all’arrivo di V4.1-Pro.
Sul fronte della disponibilità, il modello passa dall’API ufficiale di DeepSeek, oltre che dai pesi scaricabili su Hugging Face per l’installazione locale sotto licenza MIT. Chi preferisce le piattaforme di terze parti trova già V4 Flash su OpenRouter servito da diciassette fornitori diversi con instradamento automatico, e la versione 4.1 vi comparirà con ogni probabilità nei prossimi giorni, dato che i pesi aperti ne rendono banale l’adozione.
Rispetto ai frontier chiusi di fascia alta, spesso 20-30 dollari per milione di token in output, il vantaggio economico è evidente, soprattutto nei flussi agentici con molti token di contesto e cache. Il posizionamento competitivo è quindi chiaro, V4.1-Flash punta a chi vuole prestazioni elevate su task pratici senza pagare il premium dei modelli chiusi di punta.
Attenzione infine alla concorrenza interna cinese, perché su questa stessa fascia Qwen3.8-Flash di Alibaba e GLM-5.3-Flash di Z.ai viaggiano su tariffe simili.
Scelta pragmatica per sviluppatori
DeepSeek 4.1 Flash è un caso in cui un aumento di versione minimo nasconde una riscrittura profonda. Il modello non insegue il primato assoluto sui problemi più difficili, dove resta un gradino sotto Opus 5 e GPT-5.6 Sol, ma ridefinisce il rapporto tra capacità e costo proprio dove serve, cioè sui carichi agentici lunghi che rileggono contesti enormi.
Resta da monitorare l’arrivo di DeepSeek V4.1-Pro e dei nuovi modelli che usciranno da ora fino a fine anno, ma per molti casi d’uso attuali V4.1-Flash offre già un rapporto qualità-costo difficile da ignorare. In sintesi, è una scelta pragmatica per chi privilegia efficienza e controllo della spesa su workload reali piuttosto che i massimi assoluti di intelligenza.
