DeepSeek V4: come scegliere tra Flash e Pro per il tuo prodotto

DeepSeek V4 oggi: due modelli e una migrazione da verificare

DeepSeek, la famiglia di modelli accessibile via API e con pesi scaricabili, va identificata con la versione esatta nella documentazione di produzione. La sola sigla «V4» non basta più a sapere quale modello ha elaborato una richiesta. Nell'API attualmente gestita da DeepSeek, deepseek-flash corrisponde a DeepSeek-V4.1-Flash-1017 e deepseek-v4-pro a DeepSeek-V4-Pro-0813. Modelli e prezzi.

Verificato il 18 ottobre 2026 sulla pagina Modelli e prezzi di DeepSeek e sulle schede Hugging Face delle revisioni esatte. Le raccomandazioni si basano sulle funzionalità documentate, sui requisiti di deployment e sui criteri con cui impostare una valutazione; non derivano da test diretti delle prestazioni.

Quando è uscito DeepSeek V4? Cosa è cambiato il 17 ottobre

L'uscita di ottobre aggiorna il ramo Flash della famiglia. I vecchi nomi deepseek-v4-flash e deepseek-v4-flash-vision-exp sono ancora accettati, ma i modelli a cui rimandavano sono stati ritirati. Le richieste ora vengono elaborate da V4.1-Flash-1017, mantenendo le tariffe di Flash. Per le nuove integrazioni, usa deepseek-flash. Corrispondenza attuale degli alias.

Per chi gestisce il servizio, una richiesta riuscita non dimostra che il vecchio modello sia ancora in uso. Un alias funziona come il numero di telefono di un ufficio: il numero può restare lo stesso anche quando a rispondere è un'altra persona. Se uno strumento interno ha cambiato stile di scrittura, scelta degli strumenti o lunghezza delle risposte senza modifiche alla configurazione, considera anche la migrazione del modello tra le possibili cause.

La prima cosa da fare è rieseguire attività rappresentative e confrontare i risultati che superano i criteri di accettazione. Impostare il nome consigliato nella configurazione rende più chiara l'integrazione, ma non ripristina il modello ritirato.

Sono i limiti del servizio API riportati nella tabella dei modelli di DeepSeek. Un token è un'unità di testo elaborata dal modello. Il contesto è lo spazio di lavoro disponibile per una richiesta; il limite di output stabilisce quanto testo può generare. Nessuno dei due valori garantisce che il modello recuperi con precisione tutte le informazioni fornite.

Un CTO che sta valutando l'analisi di repository dovrebbe specificare chiaramente i file rilevanti e i controlli di accettazione. Una finestra ampia permette di includere più materiale, ma non dimostra che il modello abbia trovato le prove giuste o rispettato ogni vincolo.

Quale modello scegliere per il proprio prodotto?

Parti dagli input necessari e dai risultati che superano i tuoi controlli, poi confronta i costi operativi. Per una nuova valutazione, consiglio di iniziare con Flash: accetta più tipi di input e ha tariffe pubblicate per token più basse. Ha senso assegnare un flusso a Pro quando produce risultati migliori secondo i criteri di accettazione di quel flusso, oppure quando un'integrazione Pro esistente soddisfa già i requisiti.

DeepSeek V4 Flash: inizia da un compito ben delimitato

Chi ha fondato una startup finanziata e vuole aggiungere la classificazione dei ticket di assistenza o la stesura di bozze di risposta può partire da Flash, scegliendo un compito con un esito verificabile. Fornisci le regole pertinenti, definisci le categorie consentite e misura quante volte un revisore accetta il risultato. Sono proposte di valutazione, non affermazioni secondo cui il modello avrebbe già superato i test sul tuo carico di lavoro.

Se sviluppi da solo, applica lo stesso rigore al codice: scegli una modifica circoscritta, conserva il caso che riproduce l'errore e richiedi che la patch superi i controlli del progetto. Un modello che scrive spiegazioni convincenti ma lascia il bug al suo posto non ha portato a termine il compito.

DeepSeek V4 e immagini: la scelta dipende dall'input

Flash accetta immagini in input; Pro no. Per un bug dell'interfaccia mostrato in uno screenshot, un modulo fotografato o una richiesta di lettura di un grafico, questa differenza determina la scelta prima ancora di discutere i benchmark. Supporto delle immagini per modello.

Se l'applicazione passa le richieste più difficili a Pro, prevedi un percorso separato per quelle che contengono immagini. Inviare la stessa richiesta a un modello privo di capacità visive non preserva il compito originale. Convertire prima l'immagine in una descrizione testuale crea un altro flusso di lavoro e un'ulteriore occasione di perdere informazioni.

Mantieni Pro nei flussi testuali in cui ha dimostrato di essere utile. Il CTO di un'azienda di medie dimensioni con un assistente interno stabile basato su Pro dovrebbe conservarlo come riferimento durante la valutazione di Flash. Chi gestisce il servizio dovrebbe confrontare anche l'impegno richiesto per la revisione e la gestione degli errori, oltre alle risposte completate. L'esistenza di una revisione più recente, da sola, non giustifica la migrazione di un flusso testuale affidabile.

Nelle fasce fuori punta, Flash costa $0.15 per l'input / $0.60 per l'output, contro $0.66 / $1.98 per 1M token di Pro, in entrambi i casi con input non in cache; le tariffe ufficiali di DeepSeek e la nostra guida ai prezzi di DeepSeek riportano il listino completo.

Modalità thinking: cambia la richiesta, non il nome del modello

Thinking e non-thinking sono impostazioni disponibili per entrambi i modelli, non prodotti distinti da selezionare. La modalità thinking introduce una fase esplicita di ragionamento prima della risposta finale. Valutala per pianificare, affrontare bug complessi e svolgere compiti con vincoli che interagiscono tra loro; prova non-thinking per estrazioni o classificazioni circoscritte, in cui un ragionamento aggiuntivo potrebbe servire a poco.

L'API gestita da DeepSeek abilita thinking per impostazione predefinita. Nelle richieste Chat Completions, imposta thinking.type su enabled o disabled; i livelli di ragionamento documentati sono low, high e max, con high come valore predefinito. Esplicita queste impostazioni per poter riprodurre i confronti in futuro. Controlli della modalità thinking.

Chi migra un agente deve controllare lo stato della conversazione oltre alla risposta finale. Quando una richiesta include tools, DeepSeek richiede di reinviare il precedente reasoning_content, anche per i turni senza chiamate a strumenti. Ometterlo può causare un errore 400. Una chat riuscita con un solo scambio, quindi, non basta a validare un agente con più turni di conversazione. Requisiti sullo stato delle conversazioni con strumenti.

Come usare le API attuali di DeepSeek

Nel campo model usa l'alias dell'API, non il nome del repository Hugging Face. Se la chiave DeepSeek è già disponibile nella variabile d'ambiente DEEPSEEK_API_KEY, questa richiesta segue l'interfaccia Chat Completions documentata:

curl --fail-with-body https://api.deepseek.com/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer ${DEEPSEEK_API_KEY}" \
  -d '{
    "model": "deepseek-flash",
    "messages": [
      {"role": "user", "content": "List the checks before releasing a small API change."}
    ],
    "thinking": {"type": "enabled"},
    "reasoning_effort": "high",
    "stream": false
  }'

Per valutare Pro su attività testuali, sostituisci il valore del modello con deepseek-v4-pro. Per la modalità non-thinking, imposta thinking.type su disabled. Gli URL di base documentati sono https://api.deepseek.com per il formato compatibile con OpenAI e https://api.deepseek.com/anthropic per quello compatibile con Anthropic. Guida rapida alle API di DeepSeek.

L'esempio deriva dalla documentazione: la richiesta non è stata eseguita per questo articolo. Una volta verificata la connessione, controlla l'interpretazione delle risposte, i cicli di chiamata e risposta degli strumenti, gli errori e i timeout usando il client del tuo prodotto. Sono questi controlli a stabilire se l'integrazione è pronta.

Benchmark di DeepSeek V4: ogni risultato va legato alla sua versione

Il checkpoint esatto e la configurazione della valutazione contano più di un titolo «Flash contro Pro». Un benchmark è un insieme definito di compiti; l'harness di un agente è il software che lo circonda, esegue gli strumenti e restituisce i risultati al modello. Modificare l'uno o l'altro può cambiare il risultato.

La scheda di Flash-1017 pubblicata da DeepSeek riporta 77.0 su DeepSWE v1.1 con Mini-SWE-V2 e 42.3 su Terminal-Bench 4.0 con Claude Code. Sono dati dichiarati da DeepSeek, qui riportati con i nomi dei benchmark e le indicazioni sugli harness presenti nella scheda. Non sono misurazioni indipendenti delle prestazioni della tua applicazione. Scheda di Flash-1017.

Benchmark di DeepSeek V4 Pro: conserva il riferimento ai compiti valutati

La scheda di Pro-0813 pubblicata da DeepSeek riporta 87.9 su Terminal Bench 2.1. Per i compiti pubblici destinati agli agenti di programmazione, descrive l'uso di DeepSeek Harness in modalità minima e con il massimo livello di ragionamento. È un risultato dichiarato da DeepSeek su quella versione del benchmark. Non si può confrontarlo con il punteggio di Flash-1017 su Terminal-Bench 4.0 come se i compiti fossero identici. Scheda di Pro-0813.

Per chi sceglie un assistente di programmazione, l'esperimento utile mantiene costanti repository, compito, strumenti e controlli di accettazione. Registra se la patch funziona e quanta revisione richiede. I risultati pubblicati giustificano una prova del modello; non stabiliscono quale debba gestire il traffico in produzione.

Quando qualcuno condivide un risultato meno recente, il punto di partenza corretto è la scheda della revisione specifica. Un punteggio associato soltanto a «V4.1 Flash» potrebbe riferirsi al checkpoint precedente.

Pesi aperti: scegli chi gestisce il modello

Entrambe le revisioni esatte mettono a disposizione repository e pesi con licenza MIT. I pesi sono i parametri appresi dal modello; scaricarli permette di organizzare l'inferenza su un'infrastruttura che gestisci tu. Usare l'API ospitata dal fornitore è una scelta di deployment distinta. Flash-1017, Pro-0813.

Per chi sviluppa da solo, una prova tramite API richiede un progetto d'integrazione più contenuto. Per un'azienda che gestisce già un'infrastruttura per modelli, i pesi scaricabili offrono un'altra possibilità. La domanda da porsi è chi si occuperà della capacità di erogare il servizio, degli aggiornamenti, dei log e della risposta agli incidenti.

DeepSeek V4: report tecnico e istruzioni per il deployment

La scheda di Flash-1017 rimanda al report tecnico di V4.1 e alle proprie istruzioni per l'inferenza locale, compresa la conversione dei pesi. La scheda di Pro-0813 rimanda al report di V4 e documenta esplicitamente l'erogazione del servizio con vLLM e SGLang, software per eseguire l'inferenza dei modelli. Segui le istruzioni del checkpoint che scarichi effettivamente. Istruzioni per Flash, Istruzioni per Pro.

C'è un aspetto concreto dell'integrazione da pianificare: entrambe le schede forniscono implementazioni dedicate per la codifica dei prompt al posto di un template di chat in formato Jinja, usato da molti stack di serving per organizzare i messaggi della conversazione. La scheda di Flash descrive anche deepseek-recipe per codificare le richieste e interpretare le risposte, lasciando al chiamante l'inferenza, l'esecuzione degli strumenti e il trasporto HTTP. Scaricare i pesi non significa avere già assemblato tutti questi componenti.

Per una selezione più ampia di modelli da gestire in autonomia, consulta la nostra guida agli LLM open source. Tieni distinta la scelta del deployment dalla posizione del modello nei benchmark.

Search e Fetch: cosa deve registrare un agente

Registra le richieste agli strumenti web separatamente dai token del modello. La pagina Modelli e prezzi di DeepSeek presenta Search e Fetch come API autonome, fatturate per ogni richiesta riuscita. Indica che gli strumenti lato server di DeepSeek Harness, Claude Code e Codex usano già queste API; le chiamate integrate sono attualmente gratuite, mentre la fatturazione per richiesta inizierà alle 00:00, ora di Pechino, del 1 novembre 2026. Avviso sulla fatturazione di Search e Fetch.

Per chi gestisce un agente di ricerca, una risposta completata può comportare sia generazione del modello sia più operazioni sul web. Una dashboard che conta soltanto i token non rappresenta l'intero carico di lavoro. Aggiungi contatori separati delle richieste riuscite per Search e Fetch e verifica se i nuovi tentativi e le consultazioni ripetute stanno producendo lavoro utile.

Quella data cambia le condizioni operative di un agente esistente, ma non è un motivo per ricostruirlo. Prima della scadenza, rendi visibile il traffico degli strumenti e definisci un budget di richieste adatto al compito. Per il dettaglio delle tariffe, consulta la guida ai prezzi collegata.

Cosa viene sopravvalutato e come muoversi adesso

Un nome più recente, una finestra di contesto più ampia e i pesi aperti rispondono a esigenze diverse. Nessuno di questi elementi rende un modello la scelta automatica per qualsiasi compito.

La dicitura «Pro» non stabilisce una graduatoria universale di qualità. Un limite di contesto elevato non garantisce il recupero affidabile delle informazioni. I pesi con licenza MIT non equivalgono a un sistema di serving pronto né a inferenza gratuita sul servizio del fornitore. E il fatto che un vecchio alias venga accettato non significa che il vecchio modello sia ancora disponibile.

Intervieni subito se il tuo prodotto usa uno dei vecchi nomi di Flash: riesegui i test di accettazione e verifica il comportamento della revisione attualmente in servizio. Intervieni anche se il tuo agente usa Search o Fetch integrati, perché i dati di utilizzo devono distinguere le voci soggette a fatturazione.

Aspetta a cambiare se un flusso testuale basato su Pro soddisfa i requisiti e non hai dati che ne giustifichino la sostituzione. La migrazione degli alias di Flash non modifica il percorso configurato per Pro: la corrispondenza attuale resta Pro-0813. Mantieni i normali controlli previsti per qualsiasi dipendenza da un servizio esterno.

Per la scelta del fornitore, che è una decisione distinta, consulta DeepSeek vs Claude o DeepSeek vs ChatGPT. La scelta del modello deve inserirsi nel prodotto e nel flusso di lavoro complessivi.

Da fare lunedì: scegli un compito frequente e verificabile, poi riesegui gli esempi salvati sia con il percorso attuale sia con il modello candidato pertinente. Includi un caso con immagini se il prodotto le accetta, un input lungo e una chiamata a uno strumento non riuscita. Registra gli esiti che superano i controlli, l'impegno di revisione, il tempo trascorso, i token del modello e le richieste agli strumenti web. Adotta il candidato solo quando questi risultati giustificano il cambiamento.

Domande frequenti

Iscriviti alla newsletter per consigli pratici su come scegliere e gestire gli strumenti di AI.