DeepSeek V4.1 Flash: un modello base completamente nuovo che indossa un numero di point-release

DeepSeek V4.1 Flash ha sei giorni, e le tre domande che il suo lancio ha lasciato aperte ora si sono chiuse — due a favore dell'azienda e una nettamente contraria. Il modello in sé è invariato rispetto al 10 settembre: un mixture-of-experts da 552 miliardi di parametri con pesi MIT aperti, un contesto da un milione di token e una nuova architettura Causal Encoder-Decoder che la model card dello stesso fornitore classifica in quella che l'azienda chiama la sua "nuova famiglia di architetture". Ciò che si è mosso è tutto ciò che lo circonda. Un valutatore indipendente ha pubblicato un punteggio che la mattina del lancio non esisteva. L'azienda ha ritirato il pensionamento di DeepSeek V4 Pro che aveva annunciato nel proprio changelog. E il lavoro di serving del giorno zero che quella mattina non esisteva ora gira su diversi runtime di inferenza mainstream — con le sue due parti più difficili, le tabelle di memoria Engram e la separazione prefill/decode da cui dipendono i deployment in produzione, ancora oggetto di rielaborazione attiva in pubblico.

Il disallineamento nel nome è ancora il motivo per cui esiste questo articolo. Leggere «V4 Flash to V4.1 Flash» come un passaggio di patch è la cosa più naturale da fare e anche quella sbagliata: il numero di versione è a un decimale di distanza da una ritaratura, mentre l’architettura sottostante dà origine a una famiglia. Sei giorni di prove non l’hanno attenuato. Semmai, i numeri indipendenti l’hanno rafforzato, perché un modello che supera in punteggio l’ammiraglia da 1.600 miliardi di parametri del suo stesso produttore non è una point release — è una generazione che ha rifiutato di darsi un nome.

Cosa è stato effettivamente rilasciato il 10 settembre

Non si è trattato di una fuga di notizie né di una beta. Il test API di due giorni iniziato l'8 settembre con l'ID modello deepseek-v4.1-flash-expires-on-0910 si è concluso come diceva il suo suffisso, e il rilascio è approdato sulla web app, sull'app mobile e sull'API first-party di DeepSeek, con i pesi e un rapporto tecnico pubblicati su Hugging Face sotto deepseek-ai/DeepSeek-V4.1-Flash.

I dettagli pratici non si sono mossi da sei giorni:

• Nome del modello — chiama deepseek-flash. I nomi legacy deepseek-v4-flash e deepseek-v4-flash-vision-exp sono ancora accettati, ma non risolvono più ai modelli a cui si riferivano: entrambi sono stati ritirati, e le richieste che li nominano sono servite da DeepSeek V4.1 Flash e fatturate alla tariffa Flash.

• Cosa include — una finestra di contesto da 1M di token, output massimo di 384K, output JSON, function calling, input immagini nativo e una modalità di pensiero attiva per impostazione predefinita con impostazioni di impegno basso, alto e massimo.

• Licenza — MIT, pesi inclusi, con una cartella per l'inferenza e un modulo di codifica separato nel repository. DeepSeek ha invitato esplicitamente la comunità open source a sviluppare il supporto all'inferenza fin dal primo giorno, e la comunità ha raccolto l'invito più rapidamente di quanto l'invito stesso lasciasse intendere.

La .1 che non è una point release

L'affermazione che ha dato il via a questo articolo proviene da teortaxesTex, un osservatore di DeepSeek pseudonimo ma molto seguito, in un post del 10 settembre: che questa è "la prima volta che DeepSeek etichetta un modello base completamente nuovo con una versione di rilascio .1", che V4.1 è "più diverso da V4 di quanto, diciamo, LLaMA 3 lo sia da LLaMA 1", e che DeepSeek "non ritiene che questo meriti ancora V5" — senza che l'autore del post sappia spiegare perché.

Tratta la parte causale come un'inferenza e la parte strutturale come verificabile. L'inferenza — perché DeepSeek ha scelto .1 invece di V5 — è la lettura di un osservatore e niente di più; nessuno al di fuori dell'azienda ha spiegato la decisione, e gli stessi materiali di DeepSeek non ne parlano mai. La parte verificabile è l'architettura, e non si presenta come una release minore. Il changelog di DeepSeek descrive V4.1 Flash come "il modello più piccolo della nostra nuova famiglia di architetture", che è una frase strana da scrivere per un incremento di versione: un incremento di versione estende una famiglia, non la fonda.

C'è un costo reale in questa ambiguità, e ricade sui compratori, non su DeepSeek. I numeri di versione sono il segnale più economico che uno sviluppatore abbia per capire "questa è una nuova generazione o una ritoccata, e quanto del mio budget di valutazione si merita?". DeepSeek ha ora reso quel segnale inaffidabile in una direzione: un modello che fonda una famiglia di architetture si trova a un decimale di distanza da uno che ha cambiato la sua ricetta di post-training. L'azienda può tenersi in serbo il suo marchio V5. Chiunque faccia una valutazione di migrazione paga per la confusione.

Cosa significa "nuova architettura" nei pesi

La model card è insolitamente specifica, il che rende verificabile l'affermazione generazionale senza un singolo benchmark. Cinque cose risaltano — la quinta è quella che la copertura del lancio ha per lo più tralasciato, e quella che si rivela più importante per chiunque cerchi di servire questo modello.

• Attivazione asimmetrica — la separazione encoder-decoder causale è un trasformatore a 40 livelli organizzato come un encoder causale a 20 livelli seguito da un decoder a 20 livelli, in cui la cache KV globale del decoder è proiettata dagli stati nascosti finali dell'encoder piuttosto che derivata dalla cache KV di ciascun livello del decoder. Lo scopo di questa progettazione è che il modello attiva solo 8 miliardi di parametri per token durante la prefill e 16 miliardi durante la decodifica. I carichi di lavoro degli agenti con molti input — documenti lunghi, lunghe tracce di strumenti — ottengono la metà economica del modello; la generazione ottiene la metà costosa.

• Compressione della cache KV, misurata per token — DeepSeek-V4.1-Flash utilizza la cache KV principale in FP4 a 890 byte per token, che la scheda colloca a circa un quarto di DeepSeek V4 Flash. La copertura cinese è andata oltre e ha inquadrato la compressione rispetto al modello V4 di prima generazione come una riduzione di 437×; quest'ultima cifra è un calcolo proveniente dal fornitore su una baseline diversa, quindi va trattata come un'affermazione piuttosto che come una misurazione.

• SWA Bounded Replay — l'attenzione a finestra scorrevole normalmente richiede di persistere lo stato KV su SSD per ricostruire il contesto. Questo approccio ricostruisce gli stati KV SWA mancanti riproducendo solo la finestra di token più recente, riducendo l'impronta KV persistente a circa un ottavo di quella di DeepSeek V4 Flash.

• Compressed Sparse Attention 2 — ogni strato di attenzione opera in una delle tre modalità statiche (Full, Reindex o Reuse), condividendo lo stato KV e dell'indicizzatore tra gli strati, con un indicizzatore sparso gerarchico che limita il costo degli strati più profondi indipendentemente dalla lunghezza del contesto.

• Engram — un modulo di memoria condizionale che mantiene la memoria separata dal calcolo, implementato come ricerche hash di n-grammi inserite tramite gating nel flusso residuo del modello anziché come attenzione o come esperti aggiuntivi. Le due tabelle fp8 contengono 189 GiB di pesi, secondo la descrizione dell'architettura fornita da SGLang stesso, e i fornitori di runtime che hanno eseguito il porting del checkpoint collocano le tabelle a circa 196B parametri oltre il backbone da 552B — motivo per cui il conteggio dei parametri in evidenza sulla scheda descrive il backbone e non l'intero download. Engram viene addestrato su due livelli, usa n-grammi di ordine due, tre e quattro con otto teste hash per ordine, e collassa i token che si normalizzano allo stesso modo, così che le varianti di maiuscole/minuscole producano lo stesso hash bucket. Il dettaglio di progettazione che vale la pena portare con sé è il costo che impone: ogni passo di decodifica legge quelle tabelle, quindi dove le collochi decide quanta KV cache ti rimane.

Leggi quei cinque insieme e il quadro strategico è leggibile: questa è innanzitutto un'architettura di sparsità, efficienza della cache e offload della memoria, dimensionata in modo che la stessa struttura possa essere scalata in seguito. Il riferimento a una "nuova famiglia di architetture" fa un lavoro concreto — è l'affermazione che c'è dell'altro in arrivo.

Il punteggio indipendente è finalmente arrivato — e sostiene il fornitore

Quattro giorni fa questa sezione si sarebbe letta in modo molto diverso. Al momento del lancio, Artificial Analysis non aveva pubblicato nulla su DeepSeek V4.1 Flash, la pagina del modello di Hugging Face riportava ancora la nota che il modello «non è distribuito da alcun Inference Provider», e l'affermazione portante dell'intero rilascio — che un modello di livello Flash batte in modo completo un flagship da 1,6T parametri su prestazioni, costo, velocità e tempo totale del task — era un'asserzione del fornitore senza alcuna verifica esterna. Da allora, tutte e tre queste lacune sono state colmate.

Artificial Analysis ha ora misurato il modello sul suo Intelligence Index, e la versione breve è che l'affermazione di DeepSeek sopravvive al contatto con una terza parte:

• Indice di intelligenza — DeepSeek V4.1 Flash ottiene 40 con il massimo sforzo di ragionamento, classificandosi sesto su 113 modelli nella sua classe di confronto e ben al di sopra della mediana di 18 per modelli open-weights comparabili. DeepSeek V4 Pro 0813, il modello di punta che DeepSeek V4.1 Flash è stato accusato di spodestare, ottiene 36 sullo stesso indice.

• Costo per compito — 0,27 $ per compito dell'Intelligence Index per V4.1 Flash rispetto a 0,67 $ per V4 Pro 0813. Questa è l'affermazione capacità-per-dollaro, riprodotta in modo indipendente: il modello più economico è quello più capace su questa misura, a circa il 40% del costo per compito completato.

• Velocità — 212,1 token di output al secondo rispetto a una mediana di 73,1 t/s tra modelli comparabili, con tempo al primo token di 1,31 s rispetto a una mediana di 2,37 s. Sullo stesso harness, V4 Pro 0813 misura 94,4 t/s e un TTFT di 1,72 s.

• Prezzo — Artificial Analysis registra $0,30 per milione di token di input e $1,20 per milione di token di output con uno sconto del 98% sulla cache, ovvero il listino di picco di DeepSeek come pubblicato, non un ricarico premium di terze parti.

Etichettalo correttamente, perché l'etichetta è cambiata. Queste sono misurazioni indipendenti, non cifre dei fornitori — ma sono misurazioni indipendenti su un unico harness di terze parti, e un indice non è un verdetto su un modello. Ciò che invece stabilisce è più ristretto e più utile di una posizione in classifica: l'affermazione specifica che DeepSeek ha fatto per giustificare la propria linea di prodotti, ovvero che Flash avrebbe superato Pro in capacità e costo contemporaneamente, ora ha una corroborazione esterna invece di un changelog alle spalle.

C'è anche un'onesta avvertenza dall'altra parte, e proviene dalla stessa fonte di segnalazione di prima. I dati stessi di DeepSeek vedono V4.1 Flash vincere 13 confronti su 16 contro Kimi K3 e 11 su 13 contro GLM-5.3, pur restando indietro rispetto a GPT-5.6 Sol e Claude Opus 5 sui più recenti task Terminal-Bench 3.0 e 4.0 e su ProgramBench. È una forma coerente — più forte nel lavoro di coding, terminale e automazione agentica per cui questa architettura è ottimizzata, più debole nei task di ragionamento di frontiera — ed è la forma che avrebbe un vero salto generazionale. L'indice indipendente concorda con il quadro generale senza risolvere ogni singola casella.

Il ritiro di Pro annunciato da DeepSeek — e poi annullato

Ecco la parte che è cambiata rispetto al piano dichiarato da DeepSeek stesso, ed è la parte che più probabilmente influenzerà un'integrazione live.

Al lancio, DeepSeek ha dichiarato che DeepSeek V4 Pro sarebbe stato ritirato dalla sua API. Dal 14 settembre alle 12:00 ora di Pechino, le richieste che indicano deepseek-v4-pro sarebbero state instradate a V4.1 Flash e fatturate al prezzo di Flash — una riduzione di circa il 70% del costo di output per chiunque abbia il nome del modello Pro codificato in modo fisso — e sarebbero rimaste instradate in quel modo fino al rilascio di un futuro V4.1 Pro. Nel listino del giorno di lancio, ciò significava che i 3,96 $ di Pro per milione di token di output crollavano a 1,20 $ di Flash nelle ore di punta, senza alcuna modifica al codice e senza alcun avviso oltre a una voce nel changelog.

Non è successo. L'11 settembre, DeepSeek ha pubblicato un avviso sulla propria piattaforma aperta, affermando che, in risposta alla domanda degli utenti, avrebbe continuato a fornire il servizio API DeepSeek V4 Pro dopo il 14 settembre, con fatturazione invariata — l'avviso è rimasto visualizzato sulla piattaforma proprio il 14 settembre, dopo che il momento del passaggio era trascorso, quindi questa è una dichiarazione di prima parte in tempo reale, non una voce su di essa. Il motivo riportato è la cosa meno sorprendente di questa storia: gli sviluppatori si sono opposti al fatto che un fornitore sostituisse silenziosamente i pesi dietro a un nome di modello in un'integrazione in produzione, e i test multi-parte condotti da DeepSeek stesso avevano rilevato che V4 Pro manteneva un vantaggio qualitativo su alcuni carichi di lavoro reali dei team, anche dove V4.1 Flash vince le valutazioni pubbliche.

La lettura pratica è un netto ribaltamento di ciò che consigliava la copertura del giorno del lancio. Se hai segnato il 14 settembre sul calendario per ritestare un'integrazione bloccata su Pro, la scadenza è nulla: DeepSeek V4 Pro è ancora DeepSeek V4 Pro, e ha ancora lo stesso prezzo di prima, mentre V4.1 Pro rimane non annunciato, senza scheda, senza numero di parametri, senza data e senza pesi. Ciò che non è cambiato è la direzione di marcia — DeepSeek intende chiaramente far convergere la sua linea sulla nuova architettura, e l'unica cosa che ha confermato sulla vecchia è che non forzerà il passaggio a una data fissa.

Servirlo: 189 GiB di tabelle di n-grammi, e il lavoro ancora aperto

L'impostazione data alla disponibilità il giorno del lancio era «gira sull'API del fornitore e da nessun'altra parte». Questo non è più vero, e il punto in cui ha smesso di esserlo è istruttivo riguardo a questa architettura.

SGLang e Miles hanno pubblicato il supporto day-zero per DeepSeek V4.1 il 10 settembre, nella stessa finestra temporale del modello stesso: così la nota «nessun serving da terze parti» presente sulla pagina Hugging Face al lancio era già superata nel giro di poche ore. La parte interessante non è che giri; è quanto costa farlo girare. Poiché ogni step di decode legge le tabelle Engram, l'approccio di SGLang è lasciarti scegliere se collocarle nella memoria della GPU o in quella dell'host, con l'offload sull'host che libera circa 46 GiB per GPU per la KV cache al prezzo di circa 200 GB di RAM dell'host sul nodo. Su una configurazione GB300 con quattro GPU, l'offload sull'host ha aumentato la capacità di KV cache del 36%, con throughput di decode e time to first token comparabili, e tutte e 28 le completions delle probe greedy corrispondevano alla baseline con tutto sulla GPU. È opt-in, attivabile tramite una singola variabile d'ambiente, non è l'impostazione predefinita. vLLM ha un lavoro parallelo che va nella direzione opposta — mappare in memoria gli shard delle tabelle dal disco invece di tenerli nella RAM dell'host — il che dice la stessa cosa da due angolazioni: sono le tabelle Engram, non i pesi, il vincolo su quanto economicamente si può servire questo modello.

Le modifiche più recenti dell'intera vicenda si trovano qui, e sono piccole, di quelle che meritano di essere etichettate come piccole. Il 15 settembre, un contributore di SGLang ha aperto la pull request #39666, aggiungendo un modulo Engram e un adattatore condiviso per la cronologia delle richieste al branch DeepSeek V4.1 del progetto — 7 file, +1205/−11, con l'adattatore che espone campi opzionali di cronologia n-gram nello scheduler e nei batch forward e ricostruisce tale cronologia attraverso hit di prefisso, ritrazioni e riutilizzo degli slot. È aperta e non sottoposta a merge, le sue esecuzioni CI fallivano ed era in attesa di revisione da parte di nove code owner; il riepilogo dello stesso autore è schietto sui limiti, e osserva che i controlli di lookup non dimostrano la correttezza del ciclo di vita delle richieste. Faceva parte di una serie di pull request per DeepSeek V4.1 aperte su quel branch il 15 settembre, la maggior parte delle quali provenienti dallo stesso contributore, che spaziavano dalla costruzione del modello alla torre di visione, alla codifica della chat e al livello kernel.

Poi il 16 settembre è arrivato in pubblico il piano per la metà più difficile del serving. Una issue di roadmap, #39700, presenta la disaggregazione prefill/decode per DeepSeek V4.1 sulla piattaforma B200 come un elenco a fasi: prima il parallelismo di contesto lato prefill, poi quel lavoro di prefill combinato con MegaMoE, BCG e multi-stream, poi le voci lato decode, tra cui DP attention e CUDA-graph memory. La fase uno è arrivata come pull request #39748, intitolata "[DSV4.1-PD-1/8] Support prefill node use cp parallel strategy" e aperta lo stesso giorno dallo stesso autore. Consente al nodo di prefill in un deployment disaggregato di eseguire una strategia di parallelismo di contesto, con una configurazione di riferimento di otto B200 a TP4/EP4 che eseguono il runner MoE flashinfer_mxfp4 e la decodifica speculativa DSPARK. Il nodo di prefill prende --enable-prefill-cp --cp-strategy interleave insieme a --disaggregation-mode prefill sul backend di trasferimento Mooncake; il nodo di decode viene eseguito senza alcun flag CP. La validazione è data dal punteggio gsm8k più unit test sui percorsi testo e immagine. Come la pull request di Engram, è aperta, non unita e attualmente bloccata nella CI da un'etichetta run-ci mancante.

Essere chiari su cosa sia tutto questo e cosa non sia. È infrastruttura di plumbing all'interno di un runtime che già serve il modello — non cambia nulla di ciò che DeepSeek V4.1 Flash fa, quanto costa, o se dovresti usarlo. Vale queste righe solo perché segnala dove si trovano i restanti spigoli vivi. Sul lato Engram, la cronologia degli n-gram che sopravvive alla retraction e al riutilizzo della prefix-cache è esattamente il tipo di dettaglio di correttezza che separa una demo da un endpoint di produzione. Sul lato disaggregazione, il target sono gli operatori che dividono prefill e decode su pool separati, così che ogni metà possa essere parallelizzata per il proprio collo di bottiglia — un deployment la cui configurazione di riferimento parte da otto B200, il che è una decisione di capitale, non una riga in un file di configurazione. E la serie è etichettata 1/8 mentre la issue della roadmap enumera le sue fasi in sei parti, con l'intera metà decode ancora non scritta: persino la numerazione è provvisoria. Se non stai prendendo quella decisione di capitale, nulla di tutto ciò è visibile da dove sei — DeepSeek V4.1 Flash è live su OrcaRouter alla tariffa pass-through indicata sotto, e il plumbing resta dal lato dell'operatore dell'endpoint.

Sto chiamando DeepSeek V4.1 Flash oggi

Anche da parte nostra la riga sulla disponibilità è cambiata, ed è cambiata nella direzione in cui ai lettori della versione del giorno di lancio di questo pezzo era stato detto di aspettarsi che non sarebbe cambiata. Il 10 settembre OrcaRouter non offriva DeepSeek V4.1 Flash — la pagina del modello restituiva "model not found" e questo articolo lo diceva chiaramente, invece di lasciar intendere il contrario. Ora la offre: deepseek/deepseek-v4.1-flashè attiva nel catalogo a 0,15 $ per milione di token in input e 0,60 $ per milione di token in output, la tariffa dello stesso provider DeepSeek applicata con 0% di markup aggiunto, che è anche il numero da controllare la prossima volta che DeepSeek cambia un prezzo. Da quando è arrivata ha movimentato 54.982,2M token attraverso la piattaforma, con un tempo al primo token p50 di 811 ms e un p95 di 3,03 secondi.

Ciò che ti offre oltre allo stesso tariffario è la capacità di trattare un'architettura di sei giorni come un esperimento anziché come un impegno. Il failover significa che una chiamata a V4.1 Flash che inizia a restituire errori sotto carico può essere reindirizzata verso un altro modello senza un deploy; il routing DSL significa che puoi assegnare il nuovo modello a una parte del tuo traffico e uno già collaudato al resto, e confrontarli sui tuoi stessi input anziché su una classifica; e ogni altro modello del catalogo si trova dietro la stessa chiave, incluso il resto della linea DeepSeek — DeepSeek V4 Flash e DeepSeek V4 Pro — quindi tornare indietro è un cambio di stringa, non un secondo contratto.

Questo conta più del solito, qui, per due ragioni che sei giorni di notizie hanno reso concrete. La prima è che il vantaggio di prezzo è reale ma subordinato al fatto che il fornitore mantenga la tariffa, e un accordo di pass-through è l'unico tipo che rimane onesto quando non lo fa. La seconda è che l'unica avvertenza della settimana di lancio è sopravvissuta: sia il vantaggio di capacità sia il vantaggio di costo sono ora misurati in modo indipendente, ma sono misurati su un unico harness, su un modello il cui nome dice "minor update" e la cui architettura dice il contrario. Instradalo come una nuova generazione, perché è quello che è, e tienilo dietro un tier che puoi spostare.

Cos'è ancora aperto?

Tre cose, in ordine crescente di quanto ti direbbero.

DeepSeek V4.1 Pro metterebbe alla prova la rivendicazione della famiglia. DeepSeek V4.1 Flash si definisce il modello più piccolo di una nuova famiglia di architetture, e il fratello che proverebbe l'esistenza della famiglia non ha ancora una scheda, un conteggio dei parametri, una data, dei pesi né un prezzo. È anche il modello attorno al quale era stata strutturata l'intera manovra di instradamento Pro, ora che la manovra è stata annullata.

Una seconda valutazione indipendente metterebbe alla prova il punteggio. Un Intelligence Index di 40 con un 36 per il modello che ha sostituito è un risultato chiaro su un harness e un singolo punto dati sulla questione se questa architettura sia una generazione avanti o un passo laterale ben ottimizzato. Tieni d'occhio un secondo valutatore, e se il percorso di servizio Engram-offload regge sotto traffico reale piuttosto che su sonde greedy, e se la divisione prefill/decode ora in fase di preparazione nelle pull request si trasformerà mai in una storia di packaging che un team normale possa distribuire.

E quella utile, anche se poco affascinante: se DeepSeek lo farà di nuovo. Una seconda etichetta .1 su un altro nuovo modello base trasformerebbe un'anomalia in una convenzione, e una convenzione è qualcosa su cui uno sviluppatore può pianificare. Un singolo modello è una curiosità. La denominazione diventa fuorviante in modo utile solo quando esiste un pattern.

Per ora, la lettura pratica si divide nettamente a seconda di chi sei. Se sei su DeepSeek V4 Pro, il modello dietro quel nome non cambierà il 14 settembre né in qualsiasi data annunciata — DeepSeek ha fatto marcia indietro, e puoi lasciare invariata la tua integrazione. Se sei su DeepSeek V4 Flash, ti stanno già spostando, allo stesso prezzo, su un'architettura che DeepSeek ha costruito per scalare. E se aspettavi V5, la risposta onesta è che DeepSeek sembra aver rilasciato la generazione, aver rifiutato di darle un nome, e poi aver scoperto che il numero sulla confezione è portante, dopotutto.