DeepSeek-V4.1-Flash: un open weight con contesto da 1M che pareggia Opus 5 su DeepSWE (set 2026)
Alle 04:00 UTC del 10 settembre 2026, DeepSeek ha spostato la sua API su un nuovo modello e ha pubblicato i pesi lo stesso giorno: DeepSeek-V4.1-Flash, servito come deepseek-flash. È il membro più piccolo di una nuova famiglia architetturale, ma non è un modello piccolo: 552 miliardi di parametri, un contesto da 1 milione di token, visione nativa e una KV cache che costa 890 byte per token. Su DeepSWE v1.1, il benchmark di ingegneria del software a lungo orizzonte che ora sia Google sia Anthropic mettono in prima pagina, DeepSeek riporta 74.2, un quinto di punto sopra Claude Opus 5. Su Terminal-Bench 4.0 riporta 31.2 contro il 51.8 di Opus 5. Entrambi i numeri sono veri, e il divario tra loro è tutta la storia.
Questa pagina è la guida sul campo per chi usa Claude: cosa è cambiato davvero, il cambio di routing che ha silenziosamente re-indirizzato ogni richiesta deepseek-v4-pro, la manopola dell'effort e cosa fa alla tua fattura, come eseguire i pesi, e i carichi di lavoro in cui Claude resta la scelta giusta.
- Leggere i numeri di lancio di V4.1-Flash come meritano: pareggio con Opus 5 su DeepSWE, molto indietro su Terminal-Bench, e perché quella divisione non è una contraddizione
- Capire il nuovo design Causal Encoder-Decoder + CSA2 abbastanza da sapere cosa ti compra la KV cache da 890 byte (e cosa DeepSeek dice di non aver ancora caratterizzato)
- Usare deliberatamente la manopola reasoning_effort da 1 a 100 — 25 vs 100 è un'oscillazione di 8 punti su DeepSWE per ~2,5× i token di output
- Fare i conti onesti sui costi: $0.30 / $1.20 in fascia di punta, la metà fuori punta, $0.003 per milione su un cache hit fuori punta — e la finestra di punta in UTC che decide quale tariffa paghi
- Conoscere il cambio di routing del 14 settembre: deepseek-v4-pro ora serve silenziosamente V4.1-Flash finché non esce V4.1-Pro
- Scegliere un percorso di serving (API hosted, vLLM, SGLang, Docker Model Runner) e i default di sampling che DeepSeek raccomanda
La versione in una frase
V4.1-Flash è il primo modello DeepSeek su una nuova architettura (un "Causal Encoder-Decoder" con Compressed Sparse Attention 2), rilasciato con licenza MIT, visione nativa, finestra da 1M token, output massimo di 384K e un reasoning effort controllabile in modo continuo da 1 a 100. Sostituisce immediatamente ogni endpoint Flash dell'era V4 e, dal 14 settembre, risponde anche a ogni chiamata deepseek-v4-pro a prezzi Flash finché non arriva V4.1-Pro.
Tre cose che chi usa Claude non dovrebbe perdersi
1. La parità su DeepSWE e il deficit su Terminal-Bench sono lo stesso fatto visto due volte
La tabella di lancio di DeepSeek, nelle colonne che contano per chi costruisce agenti:
| Benchmark | DeepSeek-V4.1-Flash | Claude Opus 5 | GPT-5.6 Sol |
|---|---|---|---|
| DeepSWE v1.1 (risolti) | 74.2 | 74.0 | 73.0 |
| Terminal-Bench 3.0 | 30.0 | 43.3 | — |
| Terminal-Bench 4.0 | 31.2 | 51.8 | — |
| CyberGym | 88.1 | — | — |
| AutomationBench | 54.8 | — | — |
DeepSWE premia un modello che legge un repository, pianifica una patch e la applica: contesto lungo, retrieval accurato, poche modifiche grandi. Terminal-Bench premia molti turni di shell brevi e adattivi in cui ogni decisione dipende dall'ultimo risultato dello strumento. V4.1-Flash ha 1M token di contesto e una cache economica, quindi la prima forma gli si addice. Esegue 8B parametri attivi per token in prefill e 16B in decode, cioè molto meno "pensiero per passo" di un modello frontier denso, quindi la seconda forma lo penalizza. Se il tuo lavoro assomiglia a una pull request, la rivendicazione di parità è credibile e merita un eval. Se il tuo lavoro assomiglia a una sessione di terminale interattiva, i 20 punti di divario su Terminal-Bench sono il numero su cui fare il budget. La stessa divisione compare nel lancio di Gemini 3.8 Flash di Google, una settimana prima, e per le stesse ragioni architetturali.
Le righe del modello base raccontano una storia più silenziosa: MMLU-Pro 74.1 (V4-Flash 68.3, V4-Pro 73.5), HumanEval 79.4 (V4-Flash 69.5), GSM8K 93.0 (V4-Flash 90.8). Il nuovo "Flash" è una base migliore del "Pro" del mese scorso, ed è per questo che DeepSeek si è sentita tranquilla a instradarci sopra il traffico Pro.
2. La manopola del reasoning effort è una manopola vera, ed è sulla tua fattura
A differenza dell'effort di Claude (low/medium/high/max), V4.1-Flash espone un intero da 1 a 100. L'ablation di DeepSeek stessa su DeepSWE v1.1: effort 25 ottiene 66.0%, effort 100 ottiene 74.2%, e l'impostazione massima emette circa 2,5× i token di output. Dicono anche che la fascia 60–80 offre gran parte dell'accuratezza dell'effort massimo a meno della metà del budget di token. Ogni riga di benchmark qui sopra è stata eseguita a reasoning_effort=100. Quindi il numero della parità è il numero costoso. Riproducilo a 100 prima, poi scendi verso l'impostazione più economica a cui i tuoi eval passano ancora. È la stessa disciplina che raccomandiamo per thinking_level su Gemini e effort su Claude in Modelli di reasoning a confronto.
3. Due cambi di routing sono avvenuti senza alcuna modifica lato client
- Dal 10 settembre,
deepseek-v4-flashedeepseek-v4-flash-vision-expinstradano verso V4.1-Flash, fatturati a tariffe Flash. I numeri della pagina V4-Flash-Vision-Exp ora descrivono i pesi open, non l'endpoint hosted. - Dalle 04:00 UTC del 14 settembre, ogni richiesta
deepseek-v4-proinstrada anch'essa verso V4.1-Flash a tariffe Flash, "finché V4.1-Pro non viene lanciato".
Se hai eval fissati su deepseek-v4-pro, il tuo modello di produzione è cambiato sotto i tuoi piedi domenica mattina. Ri-esegui la suite. Il lato positivo è che la stessa chiamata ora costa circa un quarto della tariffa Pro; il lato negativo è che qualsiasi comportamento specifico di Pro per cui avevi ottimizzato è sparito. È esattamente la modalità di guasto di cui avverte Portare i prompt tra modelli quando un provider crea alias degli ID dei modelli.
Scheda modello in sintesi
| Specifica | DeepSeek-V4.1-Flash |
|---|---|
| ID modello API | deepseek-flash |
| Rilascio | 10 settembre 2026 (API + pesi open lo stesso giorno) |
| Parametri | 552B totali; 8B attivi in prefill, 16B in decode |
| Layout MoE | 384 esperti instradati + 1 condiviso per layer MoE; 6 esperti instradati attivi per token |
| Architettura | Causal Encoder-Decoder, Compressed Sparse Attention 2 (CSA2) |
| KV cache | 890 byte per token (FP4, E2M1): ~1/4 di V4-Flash in HBM, ~1/8 su storage SSD; durata della cache globale di almeno 72 ore |
| Contesto / output massimo | 1M token / 384K token |
| Visione | Nativa; DeepSeek-ViT addestrato da zero, 2D-RoPE, downsampling pixel-unshuffle 3×3 |
| Controllo del reasoning | reasoning_effort intero 1–100 |
| Licenza | MIT |
| Pesi | Safetensors in BF16, F32, F8_E4M3, I8 |
| Serving | vLLM, SGLang, Docker Model Runner, Transformers; codice di inferenza di riferimento nella cartella inference/ |
| Sampling raccomandato | temperature 1.0, top_p 0.95 o 1.0, contesto 1M |
| Concorrenza API | 2.500 |
La riga della KV cache è il titolo architetturale. Una conversazione da 1M token a 890 byte per token sta sotto un gigabyte di cache, ed è per questo che DeepSeek può promettere una durata della cache di 72 ore e prezzare i cache hit a frazioni di centesimo. La risposta di Anthropic allo stesso problema è una tariffa di lettura dalla cache più economica su Claude Fable 5.1; quella di DeepSeek è rendere la cache fisicamente piccola. Entrambe ti spingono verso la stessa abitudine: metti il prefisso stabile per primo e non modificarlo mai a metà esecuzione. Vedi Prompt caching.
Prezzi: la trappola della fascia di punta
DeepSeek mantiene una tariffa a due livelli. Le ore di punta sono 01:00–04:00 e 06:00–10:00 UTC, dal lunedì al venerdì; tutto il resto è fuori punta a esattamente la metà della tariffa di punta.
| Per 1M token | Punta | Fuori punta |
|---|---|---|
| Input, cache hit | $0.006 | $0.003 |
| Input, cache miss | $0.30 | $0.15 |
| Output | $1.20 | $0.60 |
Ne seguono due cose. Primo, il titolo "$0.003 per milione" è il prezzo cache hit fuori punta, la più economica di sei celle; un'esecuzione di agente a freddo in ora di punta paga 100× tanto sull'input. Secondo, la finestra di punta è definita in UTC e copre la mattina europea e la coda della notte statunitense. Un job batch programmato alle 09:00 UTC paga il doppio di quello che lo stesso job paga alle 11:00 UTC. Se puoi spostarlo, spostalo. Per un framework che mette queste celle accanto ai listini di Anthropic, OpenAI e Google, usa Quanto costa l'AI tra i provider; i listini attuali di Claude sono su Modelli e prezzi.
Eseguirlo in proprio
L'hosted è la scelta giusta per quasi tutti: il modello è enorme, e l'API è la cosa più economica di questa pagina. Fai self-hosting quando i dati non possono lasciare la tua rete o quando vuoi la manopola dell'effort e la finestra da 1M senza rate limit.
- 552B parametri in BF16 sono oltre un terabyte di pesi; i safetensors F8_E4M3 e I8 li dimezzano o li riducono a un quarto, ma servono comunque un nodo multi-GPU. Se non esegui già MoE della classe di Kimi K3 o Colibrì, l'endpoint hosted a $0.30 / $1.20 in punta batterà il tuo costo hardware ammortizzato. Vedi i conti sull'hardware in Eseguire Kimi K3 in locale.
- vLLM, SGLang, Docker Model Runner e Transformers sono i quattro elencati. La card non fornisce un template chat Jinja; usa un'implementazione di encoding personalizzata, quindi usa il codice di riferimento nella cartella inference del repo (o il toolkit deepseek-recipe) invece di costruire a mano il formato del prompt.
- temperature 1.0, top_p 0.95 o 1.0, finestra di contesto 1M. Sono le impostazioni con cui sono state prodotte le righe dei benchmark. Non portare alla cieca una temperature 0.2 ottimizzata per Claude.
- Riproduci prima il numero di DeepSeek sul tuo eval. Poi prova 80, 60, 40 e registra accuratezza vs token di output. La maggior parte dei team finirà nella fascia 60–80 che il vendor stesso indica.
- DeepSeek dice che la nuova architettura ha confini di robustezza non ancora pienamente caratterizzati, in particolare il retrieval sparso su contesti molto lunghi. Esegui un test needle-in-haystack e uno di retrieval multi-hop alla lunghezza di contesto che userai davvero. Tratta il numero 1M come un tetto, non come una promessa.
Chiamata hosted con la manopola dell'effort (endpoint compatibile OpenAI)
curl https://api.deepseek.com/chat/completions \
-H "Authorization: Bearer $DEEPSEEK_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "deepseek-flash",
"reasoning_effort": 70,
"messages": [
{"role": "system", "content": "You are a senior engineer. Reply with a unified diff and one paragraph of rationale."},
{"role": "user", "content": "The test suite in ./tests fails on macOS only. Here is the log and the relevant module: ..."}
]
}'Self-hosted con vLLM (solo la forma; controlla la model card per i flag esatti)
# One node, tensor-parallel across all visible GPUs. # The card names vLLM, SGLang, Docker Model Runner and Transformers as supported. vllm serve deepseek-ai/DeepSeek-V4.1-Flash \ --tensor-parallel-size 8 \ --max-model-len 1000000 \ --trust-remote-code # Then hit http://localhost:8000/v1/chat/completions with the same body as above.
Quando puntare su V4.1-Flash, e quando restare su Claude
- Punta su V4.1-Flash: task di coding su scala repository che assomigliano a DeepSWE (leggere molto, modificare poco), dove puoi girare a effort 60–100 e il costo per issue risolta batte comunque Claude di un ordine di grandezza.
- Punta su V4.1-Flash: qualsiasi cosa richieda una finestra da 1M token e una cache calda per giorni — una durata della cache globale di 72 ore e una KV da 890 byte per token rendono economico 'tenere l'intero codebase nel contesto'.
- Punta su V4.1-Flash: carichi self-hosted o con vincoli di residenza dei dati dove la licenza MIT conta e già esegui uno stack MoE multi-GPU.
- Resta su Claude: agenti di terminale interattivi e qualsiasi loop a molti turni brevi. Un divario di 20 punti su Terminal-Bench 4.0 (31.2 vs 51.8) non è rumore, ed è la forma della maggior parte delle sessioni reali di Claude Code.
- Resta su Claude: lavoro che richiede il loop di tool use di Anthropic, turni assistant prefilled, rigore dello structured output, o le garanzie di sicurezza e retention di un'API first-party. L'API DeepSeek ha la forma di OpenAI e il modello ha modalità di guasto su contesto lungo documentate e non caratterizzate.
- Verifica entrambi: per un agente di coding, esegui il tuo eval a effort=100 di DeepSeek e all'effort di default di Claude, poi all'impostazione più economica che passa su ciascuno. Le tabelle del vendor sono state eseguite a effort massimo; la tua fattura no.
Per il framework durevole dietro quella lista, Come scegliere un modello. Per cosa cambia quando sposti un prompt tra un'API a forma Anthropic e una a forma OpenAI, Portare i prompt tra modelli. Per il riferimento lato Claude a cui questi confronti si agganciano, Claude Fable 5.1 e Opus 5.
Verifica rapida
Check yourself
0/5- V4.1-Flash è un modello a forma di repository: parità con Opus 5 su DeepSWE, deficit di 20 punti su Terminal-Bench 4.0. Abbinalo a lavoro che legge molto e modifica poco.
- La manopola dell'effort da 1 a 100 è la leva del prezzo. Ogni numero di lancio è a 100; la guida di DeepSeek stessa è che 60–80 mantiene gran parte dell'accuratezza a meno della metà dei token.
- Sei celle di prezzo, non una. Il titolo $0.003 è input cache-hit fuori punta; un token a freddo in ora di punta costa 100× tanto. La punta è 01:00–04:00 e 06:00–10:00 UTC nei giorni feriali.
- Due cambi di routing silenziosi: endpoint V4-Flash il 10 set, deepseek-v4-pro il 14 set. Se avevi fissato Pro, il tuo modello è cambiato — ri-esegui gli eval.
- La KV cache da 890 byte e la durata della cache di 72 ore rendono economici i contesti da 1M token a lunga vita, ma DeepSeek stessa segnala il retrieval sparso su contesto lungo come non caratterizzato. Testa prima di fidarti.
Fonti e approfondimenti
- Documentazione API DeepSeek — Introducing DeepSeek-V4.1-Flash (10 settembre 2026) — ID modello, routing, data di efficacia dei prezzi
- Documentazione API DeepSeek — Modelli e prezzi — la tabella prezzi a sei celle, definizione delle ore di punta, limiti di contesto e output, concorrenza
- Hugging Face — deepseek-ai/DeepSeek-V4.1-Flash — licenza, architettura, tabelle di valutazione, intervallo di reasoning effort, sampling raccomandato, stack di serving
- VentureBeat — DeepSeek-V4.1-Flash debutta con tariffa di $0.003/1M per input in cache fuori punta — confronti della tabella di lancio vs Opus 5 e GPT-5.6 Sol, ablation dell'effort, la citazione sulla robustezza non caratterizzata
- Correlato su AILmanac: DeepSeek V4-Flash-Vision: il primo open weight con visione nativa — il predecessore da cui questo endpoint ora si allontana
- Correlato su AILmanac: Eseguire Kimi K3 in locale: vLLM, DSpark e il vero costo hardware — i conti del self-hosting per MoE di scala frontier
Prossimi passi
- Gemini 3.8 Flash per chi usa Claude — l'altro cavallo da tiro di settembre che pareggia Opus 5 su DeepSWE, con lo stesso divario su Terminal-Bench
- DeepSeek, Qwen e l'ondata open-weight — il panorama in cui si colloca questo modello
- Come scegliere un modello — il framework durevole