DeepSeek-V4.1-Flash-1017: una stima da 45 a 46, un changelog di tre frasi e l'unica riga condivisa da entrambi i tabelloni

DeepSeek-V4.1-Flash-1017 è reale e ha un giorno di vita. Puoi leggere la voce del changelog datata 2026-10-17, scaricare 763 miliardi di parametri di pesi con licenza MIT da Hugging Face e chiamarlo subito con la stringa del modello deepseek-flash invariata e al listino prezzi invariato. Quello che non puoi fare è cercare dove si classifica. Il post più sostanzioso su DeepSeek V4.1 Flash il giorno dopo l'arrivo del suo aggiornamento non era un risultato — era una supposizione. Un attento osservatore del laboratorio ha collocato il punteggio finale del modello sull'Artificial Analysis Intelligence Index a 45-46, ha previsto che Grok 4.7 sarebbe il modello che supera di poco e che AA-Omniscience sarebbe la valutazione che lo appiattisce, e ha indicato 57% come aspettativa ragionevole sul Vals Index. Ognuno di quei numeri è una previsione su una classifica che non ha ancora una riga 1017. Il rilascio è un fatto. Il posizionamento è una scommessa, e la parte interessante è perché nessuno può risolverla oggi.

Cosa è stato effettivamente rilasciato il 17 ottobre

La fonte primaria è breve. La voce del changelog di D​eepSeek per il 2026-10-17 afferma che V4.1 Flash «è stato aggiornato a D​eepSeek-V4.1-Flash-1017», che i modelli web e app sono stati aggiornati di conseguenza, che «il metodo di chiamata API e i prezzi restano invariati» e che le chiamate a deepseek-flash raggiungono il modello più recente. Questa è l'intera dichiarazione a livello di specifiche. Il repository corrispondente, deepseek-ai/D​eepSeek-V4.1-Flash-1017, è stato creato alle 02:40 UTC del 17 ottobre e modificato per l'ultima volta alle 05:46 UTC dello stesso giorno; il suo indice safetensors totalizza 763.205.315.794 parametri tra i tipi di tensore BF16, F32, F8_E4M3 e I8. La licenza è MIT. Nulla in proposito costituisce una fuga di notizie.

Il changelog aggiunge tre cose che non sono numeri. Definisce l’aggiornamento un "miglioramento Pareto prestazioni-costo". Nomina gli harness su cui è stato ottimizzato — D​eepSeek Harness, T​encent CodeBuddy e WorkBuddy — e invita gli utenti a passare a D​eepSeek Harness 0.2.1-rc.1 o versioni successive. E mostra quattro demo di progetto, presentate come animazione: un modello 3D della Città Proibita, un gioco di corse per browser, un remake di Portal 2 realizzato in Godot e una scena 3D chiamata "Valley of Ages". Sono artefatti di marketing, non misurazioni, ed è per questo che questo articolo li tiene in un paragrafo separato dai punteggi.

Ciò che non è cambiato ha lo stesso peso di ciò che è cambiato, perché è la parte a cui sono attaccati i soldi:

• Tariffario — invariato. Input con cache hit 0,006 $ per milione di token in fascia di punta e 0,003 $ fuori punta; input con cache miss 0,30 $ / 0,15 $; output 1,20 $ / 0,60 $. La fascia di punta va dalle 01:00 alle 04:00 e dalle 06:00 alle 10:00 UTC, dal lunedì al venerdì, esclusi i giorni festivi pubblici cinesi.

• Stringa modello — invariata. deepseek-flash ora viene risolto al checkpoint 1017. I nomi ritirati deepseek-v4-flash e deepseek-v4-flash-vision-exp sono ancora accettati e continuano a essere instradati a esso, con fatturazione alle tariffe Flash.

• Envelope — invariato a livello di scheda. Finestra di contesto da 1M di token, max_tokens a 256K o superiore, temperature 1.0 e top_p 1.0 consigliati.

• Magagna di packaging — anch'essa invariata. Non c'è ancora alcun template chat Jinja. Il repository include encoding/encoding.py come implementazione di riferimento che copre conversazioni multi-turno, chiamata di strumenti, modalità di pensiero, sforzo di ragionamento numerico, messaggi di sistema a metà conversazione e immagini intercalate, e indirizza gli utenti in produzione a deepseek-recipe, una libreria Rust con binding Python.

La scheda 1017 non ribadisce l'architettura. La struttura della famiglia — backbone da 552B, un Encoder-Decoder causale suddiviso in un encoder causale da 20 layer e un decoder da 20 layer, attivazione asimmetrica di 8B parametri durante il prefill e di 16B durante il decode, 384 esperti instradati con 6 attivi per token, attenzione CSA2, caching FP4 della KV principale e memoria condizionale Engram da 196B — proviene dalla scheda di settembre, il rapporto tecnico intitolato Spingere i limiti della compressione della KV cache, e dalla citazione della scheda del modello stessa. Chi desidera quei numeri dovrebbe prenderli dal documento di settembre, non da una pagina 1017 che non li rivendica mai.

Undici righe di fornitori, e quella che l'indice legge effettivamente

La tabella dei benchmark dei fornitori è l'unico artefatto confrontabile nel rilascio, ed è pubblicata come immagine nel changelog e come tabella markdown nella scheda del modello. Letta dalla scheda, la colonna 1017 rispetto alla colonna di settembre: HLE senza strumenti 42,6 (44,0 sul sottoinsieme solo testo) contro 36,8 (39,1); Terminal-Bench 4.0 42,3 contro 31,2; DeepSWE v1.1 77,0 contro 74,2; ProgramBench 29,1 contro 20,3; NL2Repo-Bench 68,2 contro 65,4; Automation-Bench v1.0.6 60,5 contro 54,8; Agents' Last Exam 35,4 contro 31,8; Apex Bench v1.1 72,1 contro 64,6; Chartography con strumenti 83,0 contro 78,9; BabyVision con strumenti 92,5 contro 89,6; ZeroBench-main con strumenti 51,0 contro 49,0. Tutte e undici le righe salgono. Due note a piè di pagina precisano la tabella: il simbolo del pugnale contrassegna il sottoinsieme solo testo di HLE, e Terminal-Bench 4.0 è stato eseguito nell'harness C​laude Code mentre DeepSWE v1.1 è stato eseguito in Mini-SWE-V2.

Ora confrontalo con l’Artificial Analysis Intelligence Index, che è l’oggetto della stima da 45 a 46. La versione attuale dell’indice è 4.3.2 ed è un composito ponderato di dieci valutazioni sotto quattro voci: Agenti al 30%, Programmazione al 20%, Ragionamento scientifico al 20%, Generale al 30%. I pesi sono pubblicati e sono l’intero argomento. AA-Briefcase v1.1 pesa per il 15%. AA-Omniscience pesa per il 15%, suddiviso in accuratezza al 10% e tasso di non allucinazione al 5%. Terminal-Bench 4.0 pesa per il 10%. HLE pesa per il 10%. CritPt, il set di fisica non pubblicata a livello di ricerca, pesa per il 10%. GDPval-AA v2.1 pesa per il 10%, GDP.pdf per il 10%, SciCode per il 10%, AutomationBench-AA per il 5% e AA-LCR v1.1 per il 5%.

Solo una di quelle dieci valutazioni compare nella tabella a undici righe di D​eepSeek con lo stesso nome e la stessa configurazione: Terminal-Bench 4.0, a un decimo dell'indice. HLE compare su entrambi i lati ma non in modo identico — la colonna del fornitore è il sottoinsieme di solo testo, e l'indice esegue il set di sole testo da 2.158 domande. Tutto il resto che l'indice legge, comprese le due componenti più pesanti, non ha alcuna riga del fornitore. Questo è il meccanismo dietro l'ipotesi, non una critica al laboratorio: è semplicemente che una tabella del fornitore e un indice composito sono costruiti da parti diverse, e la sovrapposizione è larga una riga.

Da dove viene 45–46 e perché non puoi verificarlo

La previsione è un calcolo aritmetico sul punteggio di settembre. Artificial Analysis assegna attualmente al checkpoint DeepSeek V4.1 Flash di settembre un punteggio di 39 nella sua configurazione di ragionamento con sforzo massimo, il che lo colloca al nono posto su 120 modelli nell'Intelligence Index e ben al di sopra della mediana di 19 per i modelli open-weight della sua classe dimensionale. La stessa voce riporta un costo di $0,27 per attività dell'indice, 175,9 token di output al secondo e 1,23 secondi al primo token. La previsione da 45 a 46 è quindi l'affermazione di circa sei o sette punti indice da un singolo cambio di checkpoint — un salto in un solo passo insolitamente ampio, ed è esattamente per questo che l'autore del post l'ha attenuata con «sarebbe decente» invece di prevederla.

Arrivare lì metterebbe 1017 in compagnia affollata. I modelli attualmente a 46 sono Grok 4.7 con xhigh e high, MiMo-V2.6-Pro e G​PT-6 Astra con low effort. A 45 si trovano Qwen3.8-Max (0902), M​use Spark 1.3 con xhigh e G​LM-5.3 con max. A 44 si trovano S​tep 5 Preview e Kimi K3 con max. Sei o sette punti sposterebbero la fascia economica di D​eepSeek da sotto il cluster open-weight al suo centro, e il confronto scelto dall'autore del post — «meglio di G​rok» — è quello che un 45 o un 46 renderebbe letteralmente vero con l'impostazione di effort propria di Grok 4.7, costando però un ordine di grandezza in meno per attività. Questa è la forma utile dell'ipotesi: non il numero intero, ma la posizione prezzo-punteggio che implica.

C'è un'altra ragione per prestare attenzione alla baseline stessa. Un articolo di terze parti pubblicato a settembre citava il checkpoint di settembre a 40 sull'indice, al sesto posto su 113; il sito oggi riporta 39 al nono posto su 120, su una versione denominata dell'indice. Stessi pesi, interi pubblicati diversi, perché l'indice è versionato e la sua popolazione cresce. Qualsiasi previsione costruita su un numero che si è già spostato due volte è una previsione costruita sulla sabbia, e la versione onesta dell'affermazione 45–46 è un intervallo su un intervallo.

La previsione Omniscience è quella con un meccanismo

Di tutto ciò che c’è nel segnale, l’affermazione che 1017 «verrà affondato di nuovo da Omniscience» è la parte che ha dietro di sé un meccanismo verificabile anziché una sensazione. AA-Omniscience non è un quiz di conoscenza con una soglia di superamento. Assegna un punteggio all’affidabilità fattuale su circa 6.000 domande che coprono 42 argomenti, attribuisce punti per le risposte corrette, sottrae punti per le allucinazioni e lascia neutre le astensioni — quindi astenersi dal rispondere batte indovinare male. Un modello ottimizzato per il throughput agentico e output brevi, che è ciò che descrive il changelog di 1017, è un modello con meno token di deliberazione per risposta. Se questo aiuti o danneggi su un indice che penalizza le risposte sbagliate date con sicurezza è una vera questione aperta, e «di nuovo» fa un lavoro preciso in quella frase: implica che il checkpoint di settembre abbia già deluso su quel fronte. L’indice pubblica l’accuratezza di Omniscience e il tasso di non-allucinazione come numeri separati, ma la pagina del modello D​eepSeek non mostra cifre per singolo benchmark, quindi al momento non è possibile leggere dal sito la ripartizione di Omniscience di settembre. La previsione è plausibile e, oggi, non falsificabile.

L'altra metà della stessa critica — secondo cui l'indice «continua a usare CritPt rotto» — punta a una proprietà genuina del composito. CritPt è fisica inedita a livello di ricerca: problemi le cui risposte non sono ancora nei dati di addestramento, il che è ciò che lo rende resistente alla contaminazione e anche ciò che lo rende soggetto a rumore e lento da aggiornare. Pesa per un decimo dell'indice, lo stesso peso di HLE e Terminal-Bench 4.0. Una famiglia di modelli che non ha mai pubblicato una riga CritPt si porta un punto cieco del 10% in ogni previsione che la riguarda. Entrambe le metà della critica sono in realtà la stessa osservazione: l'indice e il fornitore stanno misurando cose diverse, e la previsione deve colmare quel divario con delle ipotesi.

Il numero Vals è una scheda diversa con una base diversa

Il dato del 57% merita un paragrafo a sé perché è l'unica parte del segnale che corrisponde a un numero pubblicato, e la corrispondenza è vecchia di un anno, ma nella direzione giusta. L'indice di Vals AI colloca il DeepSeek V4.1 Flash di settembre al 57,86%, quindicesimo su 56 modelli e prima voce open-weight, marginalmente davanti a Kimi K3 al 57,81%, a un costo dichiarato di $0,30 per test. Quindi «57% su Vals sembra equo» non è una proiezione al rialzo — è una proiezione di prestazioni pressoché stabili su una classifica in cui il checkpoint di settembre era già il leader open-weight. Due classifiche, due aspettative diverse, dallo stesso autore, nella stessa frase: un grande passo avanti sull'indice e nessun passo su Vals. Questa asimmetria è la cosa più informativa nel post, perché indica che l'autore si aspetta che i guadagni del 1017 si concretizzino nelle valutazioni a cui l'indice dà molto peso e che Vals dà poco — lavoro agentico in stile Terminal-Bench, non l'ampiezza generale del lavoro intellettuale.

Cosa andrebbe effettivamente rieseguito

Nessuno dei numeri indipendenti in circolazione descrive i pesi della 1017. DeepSeek ha sostituito il modello dietro un nome API stabile, il che significa che la titolarità di ogni cifra pubblicata è passata silenziosamente di mano: un punteggio citato per DeepSeek V4.1 Flash da un'esecuzione di settembre ora descrive pesi che il fornitore non eroga più, mentre i pesi che eroga effettivamente non hanno alcun punteggio esterno. Per chi considera la sostituzione di un checkpoint come una modifica di configurazione, la regola pratica è quella mutuata dal software: merita la stessa passata di regressione. Vale la pena rispondere a cinque domande sulla 1017 prima che si avvicini a un percorso di produzione.

• Terminal-Bench 4.0 è riproducibile? Il fornitore l'ha portato da 31,2 a 42,3 nell'harness C​laude Code, ed è una delle poche righe che un board indipendente legge. Una scelta dell'harness del fornitore che lusinga un modello è la modalità di errore più antica nella reportistica dei benchmark.

• Il guadagno di DeepSWE sopravvive a uno scaffold diverso? 77,0 in Mini-SWE-V2 contro il 74,2 di settembre. DeepSWE ha mostrato un'ampia variabilità tra gli harness, quindi è il delta a essere il punto, non il livello.

• La lunghezza dell'output diminuisce davvero? L'affermazione sui costi del changelog si basa su output più brevi, non solo più rapidi. Su un'API a consumo è la differenza tra un miglioramento paretiano e un errore di arrotondamento.

• La manopola dello sforzo di ragionamento si comporta correttamente? Effort è numerico, con low, high e max mappati a valori definiti; high è il valore predefinito, e temperature è accettata ma ignorata in modalità thinking. Testa al valore esatto di effort inviato in produzione, perché una suite eseguita a max non dice nulla su un deployment a high.

• L'uso degli strumenti multi-turno funziona ancora correttamente in entrambe le direzioni? Con gli strumenti, il reasoning_content di ogni turno precedente — inclusi i turni senza chiamata agli strumenti — deve essere restituito, altrimenti la richiesta fallisce. È il tipo di regressione che uno scambio di checkpoint introduce silenziosamente.

Se vuoi eseguire quel passaggio di regressione senza spostare un percorso di produzione su pesi non misurati, questo è il caso per cui è stato creato il failover di OrcaRouter: metti 1017 dietro una catena di fallback, inviagli il traffico che sei disposto a perdere e lascia che una risposta fallita o lenta venga ritentata tra i provider prima che il chiamante la veda. Il prezzo è l'altra metà dell'argomento e quella più semplice — DeepSeek ha mantenuto invariata la rate card di Flash e, poiché OrcaRouter trasmette direttamente il prezzo di listino del provider con 0% di markup, una modifica che non sposta il prezzo di DeepSeek non sposta il nostro. Puoi raggiungere DeepSeek V4.1 Flash alle tariffe proprie di DeepSeek già oggi, senza un secondo contratto e senza modifiche al codice, mentre la classifica si aggiorna.

Le domande che il segnale lascia aperte

Perché mai un cambio di checkpoint dovrebbe spostare l'indice, se l'architettura è la stessa?Perché i pesi dell'indice attribuiscono metà del totale alle valutazioni agentiche e di coding, e sono le valutazioni in cui i cambiamenti di questo tipo apportati dal post-training emergono più rapidamente. La categoria pubblicata più debole del modello di settembre era il lavoro agentico rispetto al suo prezzo; il changelog del 1017 riguarda quasi interamente il lavoro agentico e il costo per attività. La previsione è una scommessa sul fatto che la stessa architettura, con un post-training migliore, arrivi dove i pesi dicono che dovrebbe.

Esiste un modo per leggere un numero 1017 prima che Artificial Analysis ne pubblichi uno? Solo indirettamente. Le due righe agentiche pubblicate dal fornitore — Terminal-Bench 4.0 e Automation-Bench — sono i proxy più vicini, ed entrambe sono autodichiarate. Una terza via è osservare se la voce di settembre su una classifica indipendente viene rinominata, rieseguita o lasciata invariata; una riga obsoleta che mantiene il vecchio punteggio mentre i pesi serviti cambiano è il segnale più chiaro che un numero non significa più ciò che dice.

Il prezzo invariato significa che l'affermazione su Pareto è reale? Significa che l'affermazione è verificabile. Un "miglioramento Pareto prestazioni-costo" con un listino prezzi fisso è vero solo se i token di output per attività diminuiscono, perché è l'unica leva rimasta. Il fornitore afferma che sia il tempo di esecuzione delle attività sia la lunghezza dell'output sono diminuiti. È l'unica affermazione sulla pagina che un lettore può verificare con la propria fattura.

Cosa guardare dopo

La previsione da valutare è specifica, ed è ciò che la rende degna di essere conservata. Se una riga 1017 compare sull'Intelligence Index a 45 o 46, l'autore del post ha indicato la posizione e il meccanismo — una ponderazione fortemente orientata agli agenti più un noto punto debole su Omniscience — e la lezione utile è che il composito è diventato prevedibile dalla tabella del fornitore una volta lette attentamente le ponderazioni. Se si attesta a 39 o sotto, il valore di settembre, la lezione è opposta e più costosa: una tabella del fornitore a undici righe che sale su ogni linea può comunque lasciare piatto un punteggio composito, perché le righe che si sono mosse non sono quelle che contano. Qualunque dei due esiti è un singolo sondaggio su un singolo modello, non un verdetto sul laboratorio, e il numero che lo decide è uno che un lettore oggi non può calcolare.

Ciò che un lettore può fare oggi costa meno di una previsione. I pesi sono sotto licenza MIT e l'API è attiva al prezzo di settembre, quindi il mese prima che chiunque pubblichi una classifica è il mese per farti un'idea sulle tre domande che contano per te: completa più rapidamente i tuoi compiti agentici, dice meno mentre lo fa e regge sui percorsi multi-turno con gli strumenti che esegui davvero.

Nota alla fonte: ogni dato di DeepSeek in questo articolo — le undici righe di benchmark, il totale di 763B parametri, la finestra da 1M token, la licenza MIT, il tariffario invariato e le raccomandazioni sull’harness — proviene dalla voce del changelog del 17 ottobre del fornitore, dalla sua scheda del modello su Hugging Face e dalla sua pagina dei prezzi pubblicata. Ogni dato indipendente — il 39 sull’Intelligence Index, il posizionamento al nono posto su 120, il costo di $0.27 per attività dell’indice, i 175.9 token al secondo e la ponderazione su dieci valutazioni che determina il punteggio — proviene da Artificial Analysis, consultato il 18 ottobre 2026. La previsione da 45 a 46, l’aspettativa del 57% per Vals e la previsione di Omniscience sono stime di un unico osservatore relative a un modello che non ha alcuna riga 1017 su nessuna di queste classifiche, e sono etichettate come stime ovunque compaiano.

I fallimenti documentati dell'IA e gli incidenti degli agenti dietro release come questa sono raccolti nell'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di contestazione.