DeepSeek V4 Flash: il modello compatto che supera V4 Pro su benchmark chiave

DeepSeek ha pubblicato il 31 luglio 2026 la versione definitiva del suo modello compatto, e il dato che sta circolando di più non riguarda la velocità ma la classifica: DeepSeek V4 Flash supera il fratello maggiore V4 Pro su tutti i benchmark agentici di coding e tool-use, pur usando circa un quinto dei parametri della punta della famiglia. Non è una rottura di paradigma, l’architettura non è cambiata di una riga, ma è il segnale più chiaro finora che la gara nell’AI si è spostata dalla dimensione del modello all’efficienza per parametro. Ecco cosa contiene davvero la release 0731, come funziona il modulo di speculative decoding che porta con sé e perché i prezzi che ne derivano cambiano i conti a chi costruisce prodotti.

In questo articolo scoprirai:

• Cosa cambia in DeepSeek V4 Flash 0731 rispetto alla preview
• I benchmark dove DeepSeek V4 Flash supera V4 Pro
• DSpark: lo speculative decoding dentro i pesi di V4 Flash
• Prezzi, quantizzazione e come provare DeepSeek V4 Flash
• Perché l’efficienza parametrica è la nuova gara dell’AI

Cosa cambia in DeepSeek V4 Flash 0731 rispetto alla preview

La release DeepSeek-V4-Flash-0731 sostituisce ufficialmente il checkpoint preview e viene descritta sulla model card di Hugging Face come dotata di capacità agentiche “substantially enhanced”. La specifica sorprendente è cosa non è cambiato: l’architettura è identica alla preview, sempre 284B parametri totali con 13B attivi per token in configurazione Mixture-of-Experts, come confermano sia l’annuncio della famiglia V4 Flash sia la scheda OpenRouter. I guadagni arrivano interamente dal re-post-training, non da pesi più grandi né da hardware nuovo.

Il contesto resta di 1 milione di token, ormai default su tutti i servizi DeepSeek ufficiali, e la licenza rimane MIT, quindi pesi apribili e ridistribuibili senza clausole commerciali restrittive. È lo stesso schema di rilascio open-weight che negli ultimi due anni ha reso i modelli cinesi il termine di paragone obbligato sul rapporto costo/prestazioni.

Tre livelli di reasoning effort e adattamento agli agenti

La 0731 introduce tre livelli di sforzo di ragionamento, low, high e max, che controllano quanto il modello delibera prima di rispondere. Con high e max la lunghezza massima di output sale a 384K token, un valore che ha senso solo pensando a run di agenti che accumulano decine di chiamate a strumenti. Si aggiungono il supporto nativo alla Responses API e l’adattamento a Codex, secondo la ricostruzione di Lumien AI. Cambia anche il chat template: non più Jinja, ma una cartella encoding con script Python dedicati. Dettaglio noioso, ma chi ha pipeline in produzione deve toccarlo.

I benchmark dove DeepSeek V4 Flash supera V4 Pro

I numeri pubblicati da DeepSeek, ripresi nel resoconto di MarkTechPost, sono il cuore della notizia, perché mettono il modello piccolo davanti a quello grande su terreno agentico. Su Terminal Bench 2.1 la 0731 segna 82,7 contro i 72,1 di V4 Pro (preview) e i 61,8 della propria preview. Su NL2Repo fa 54,2 contro 38,5 di Pro; su Toolathlon-Verified 70,3 contro 55,9; su Cybergym 76,7 contro 52,7. Il salto più vistoso è DeepSWE, che passa da 7,3 della preview a 54,4, un balzo che dice più sul post-training precedente (evidentemente immaturo) che sul modello in sé.

Vale la pena essere precisi su cosa significa questo confronto: il riferimento sui benchmark è V4 Pro nella versione preview, non V4 Pro Max, che con 1,6T parametri totali e 49B attivi resta la punta della famiglia e detiene il primato open-weights su SWE-bench Verified. Il rapporto “un quinto dei parametri” è quindi verso V4 Pro Max: per V4 Pro preview DeepSeek non ha pubblicato un conteggio parametri, quindi il confronto sui benchmark riguarda un checkpoint di cui non conosciamo la taglia esatta. Chi legge “il modello piccolo batte quello grande” senza queste precisazioni capisce una cosa più forte di quella che è successa.

Dove DeepSeek V4 Flash resta indietro rispetto a V4 Pro

Il quadro completo è meno trionfale. L’analisi comparativa di Codersera segnala che il divario maggiore è su SimpleQA-Verified: 34,1 per Flash contro 57,9 per Pro, quasi 24 punti di scarto sul richiamo factuale, cioè Flash allucina circa il doppio sui fatti puntuali. Anche su BrowseComp il ritardo è di 10,2 punti: sul browsing agentico, quindi, il vantaggio di Flash non c’è. Sul codice invece la distanza si riduce a 1,3, 1,9 punti. La lettura operativa è netta: Flash per classificazione, sintesi, autocomplete, RAG e tool-calling; Pro per catene agentiche lunghe e per workload dove un’allucinazione costa. I dati di BenchLM sono più severi ancora (73,7% su SWE-bench Verified) ma con copertura dichiaratamente parziale: sui benchmark di terze parti le cifre divergono dai dati vendor, e in assenza di run indipendenti verificabili vanno trattate come indizio, non come verdetto.

DSpark: lo speculative decoding dentro i pesi di V4 Flash

Qui c’è la novità tecnica più concreta, e conviene dirla con precisione perché è facile confonderla. Lo speculative decoding è una tecnica in cui un modello piccolo e veloce “indovina” più token in avanti e il modello grande li verifica in blocco: se le ipotesi sono giuste si generano parecchi token al costo di un passaggio. Di norma richiede di caricare un secondo modello draft. La release 0731 include il modulo draft DSpark dentro i pesi stessi: attivarlo è una flag, non un deployment aggiuntivo.

La recipe ufficiale vLLM documenta la configurazione, metodo dspark, 7 token speculativi, campionamento draft greedy, e DeepSeek riporta una generazione per utente dal 60 all’85% più rapida rispetto al baseline MTP-1 a throughput equivalente, senza cambiare i pesi né aggiungere hardware. Per chi serve un assistente interattivo è un guadagno che si sente, non una voce da changelog.

L’attenzione ibrida CSA + HCA e il taglio ai FLOPs

Il secondo pilastro dell’efficienza è lo stack di attenzione ibrido. Compressed Sparse Attention comprime gruppi di token della KV cache in singole voci e poi applica una selezione sparsa top-k; Heavily Compressed Attention usa un tasso di compressione molto più aggressivo ma mantiene attenzione densa sulle voci risultanti. Insieme aggrediscono le due voci di costo del contesto lungo, memoria e FLOPs per token. Il risultato dichiarato nella recipe vLLM è netto: il 27% dei FLOPs di inferenza per token di V3.2 e il 10% della sua KV cache a 1M di contesto. È questa compressione, più che il conteggio dei parametri, a spiegare il prezzo. Se il concetto di attenzione e di cache dei valori chiave ti è nuovo, la nostra guida su cosa sono e come funzionano gli LLM ricostruisce i meccanismi di base.

Prezzi, quantizzazione e come provare DeepSeek V4 Flash

Il listino ufficiale è 0,14 $ per milione di token in input e 0,28 $ in output, con input in cache-hit a 0,0028 $, praticamente gratis. Il confronto che gira sui social è con Claude Opus 4.8, che sull’output costa ordini di grandezza in più: un rapporto che spiega perché il modello è stato descritto come il più economico tra i major da eseguire. Rispetto a Opus 4.8 non è un confronto di pari livello sulle capacità di frontiera, ma su compiti ripetitivi e a volume la differenza di costo diventa la variabile dominante.

Girare V4 Flash in locale: MXFP4, FP8 e i checkpoint disponibili

Il checkpoint è quantization-aware-trained: gli expert routed sono salvati in FP4 mentre attenzione, norm e router restano in FP8, con quattro varianti di checkpoint (0731 con DSpark, FP8 con MTP, NVFP4 per Blackwell, DSpark fused). Non è un modello da laptop: la modalità think max richiede --max-model-len di almeno 393216 token e un deployment multi-GPU con parallelismo di expert. Chi vuole solo provarlo passa da API o da un aggregatore, e la scheda di MorphLLM riepiloga varianti e requisiti di deployment in forma compatta. Sul fronte opposto della famiglia “Flash”, vale la pena confrontare l’approccio con quello di Google descritto nella nostra scheda su Nano Banana e cosa aspettarsi da Nano Banana 2 Flash: stessa etichetta commerciale, filosofie di accesso molto diverse.

Perché l’efficienza parametrica è la nuova gara dell’AI

Per due anni la narrazione è stata la scala: più parametri, più dati, più GPU. V4 Flash mostra una direzione diversa, e lo fa nel modo più scomodo possibile per chi vende capacità di calcolo, battendo su terreno agentico un fratello maggiore della stessa casa, con un quinto dei parametri della punta di famiglia e senza toccare l’architettura, solo con post-training e compressione dell’attenzione. Se i guadagni arrivano dalla ricetta di addestramento e dal decoding, il vantaggio competitivo si sposta dove il capitale conta meno.

La conseguenza pratica riguarda l’economia dei prodotti costruiti sopra i modelli. Un assistente che risponde su una knowledge base, un agente che smista ticket, una pipeline che riscrive migliaia di schede prodotto: a 0,28 $ per milione di token in output, casi d’uso che l’anno scorso non stavano in piedi diventano banalmente sostenibili. È la stessa dinamica che permette a prodotti come Perplexity AI di costruire esperienze sopra modelli di terzi: quando il costo per token crolla, il margine si sposta dal modello all’interfaccia e al dato proprietario.

Cosa cambia per chi costruisce con l’AI e non la addestra

Il consiglio operativo è meno eccitante della notizia: non si sostituisce un modello di frontiera con un modello compatto in blocco, si sostituisce per singolo compito. Classificazione, estrazione e sintesi vanno su Flash; ragionamento factuale e catene agentiche lunghe restano su modelli più capaci, dato quel divario di 24 punti su SimpleQA. In pratica, per un’azienda che sta valutando l’adozione questo significa fare l’inventario dei processi prima del modello: smistamento di ticket e mail, classificazione di documenti, estrazione di campi da fatture e contratti, sintesi di verbali, autocomplete interno e risposte su knowledge base aziendale reggono senza problemi un modello compatto, perché l’output è verificabile o a basso rischio. Non reggono i processi dove una risposta sbagliata arriva al cliente o a un ente senza passare da una revisione umana: assistenza di primo livello non supervisionata, risposte su normativa e contratti, due diligence, qualsiasi flusso che debba citare dati puntuali. La decisione non è del solo reparto IT: è il responsabile del processo, customer care, amministrazione, legale, a dover dire quale margine di errore è tollerabile, con IT e sicurezza che validano deployment e trattamento dei dati e il controllo di gestione che mette a bilancio il risparmio. Chi vuole inquadrare le alternative può partire dal nostro confronto tra modelli frontier del 2026. E vale ricordare che il costo per token è raramente il collo di bottiglia reale di un progetto AI: come argomentiamo in se l’AI generativa non genera ROI il problema non è la tecnologia, il ritorno dipende dal processo in cui il modello viene inserito, non dal modello.

Fonti:

• model card di Hugging Face
• annuncio della famiglia V4 Flash
• scheda OpenRouter
• recipe ufficiale vLLM
• resoconto di MarkTechPost sulla release 0731
• ricostruzione di Lumien AI
• analisi comparativa di Codersera
• BenchLM
• scheda di MorphLLM