Una scheda hero generata intitolata 'Hy4 flash vs Qwen3.8-Flash', con un riquadro sinistro che riporta Tencent, 16 novembre 2026, 0,070 $ in input e 0,281 $ in output per milione, 220B totali con 11,3B attivi, un contesto di 1.048.576 token, input testo e immagini con output testo, e nessun punteggio indipendente per ora; e un riquadro destro che riporta Alibaba, su QwenCloud dal 26 agosto 2026, 0,15 $ in input e 0,47 $ in output per milione, 125B MoE con circa 6B attivi, un contesto di 1M e un output massimo di 131K, input testo, immagini e video con output testo, e un Intelligence Index di 28,6 per la build open-weights. Un piè di pagina recita che i prezzi di Hy4 flash sono le tariffe di listino Tencent, i prezzi di Qwen3.8-Flash sono quelli del listino QwenCloud, e il dato dell'indice è Artificial Analysis v5.0.1 per Qwen3.8-Flash-Next.
Guides & Insights

Hy4 flash vs Qwen3.8-Flash: il doppio dei parametri attivi, metà del prezzo per token

Autore

jinhao.song

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

Il modello più economico qui è quello più grande. Hy4 flashattiva 11,3 miliardi di parametri di testo su ogni token e ha un prezzo di listino di $0,070 per milione di token di input. Qwen3.8-Flashne attiva circa 6 miliardi e ha un prezzo di listino di $0,15. Quasi il doppio del calcolo attivo per token, meno della metà del prezzo di input — e nessuno di questi due numeri è quello che decide quale modello dovresti effettivamente chiamare.

Hy4 flash ha due giorni di vita. Tencent lo ha reso disponibile sulla propria API il 16 novembre 2026, ha pubblicato i pesi il giorno successivo e ha distribuito tre repository: il checkpoint instruct, una build FP8 e un modello base. È un mixture of experts da 220 miliardi di parametri con 12 miliardi attivi, una finestra di contesto di 1.048.576 token, input di immagini e output testuale, sotto la Tencent Hy License. Qwen3.8-Flash è su QwenCloud da quando Alibaba lo ha reso disponibile insieme ai pesi di Qwen3.8-Flash-Next il 26 agosto 2026: un corpo esperto da 125 miliardi di parametri che ne attiva circa 6 miliardi, più una tabella di embedding n-gram da 51 miliardi di parametri, che accetta testo, immagini e video e restituisce testo, con contesto da 1M e output massimo di 131K.

Quindi la forma di questo confronto è insolita. Un modello è la fascia economica meglio documentata sul mercato e l'altro è quella meno documentata. Uno ha una riga di benchmark indipendente e l'altro ha un 404. E i due listini sono denominati in valute diverse, venduti su mercati diversi e coperti da quantità diverse di clausole in piccolo. La parte interessante non è il 2,1x sulla riga dell'input — è ciò che succede a quel divario quando smetti di prezzare i token e inizi a prezzare il lavoro finito.

L'inversione sulla rate card, prima di ogni altra cosa

La scheda di Tencent per la Cina continentale relativa a Hy4 flash riporta ¥0,5 per milione di input, ¥2 per milione di output e ¥0,02 per milione di input in cache. Tencent riporta le stesse tre voci in dollari come $0,070, $0,281 e $0,003. La scheda di QwenCloud per Qwen3.8-Flash riporta $0,15 in input, $0,47 in output, $0,016 per una lettura della cache e $0,20 per milione per la creazione esplicita di una cache di cinque minuti.

• Input — $0.070 contro $0.15. Hy4 flash è 2,1 volte più economico.

Output — $0.281 rispetto a $0.47. Hy4 flash è 1,7 volte più economico.

• Input in cache — $0,003 contro $0,016. Hy4 flash costa 5,3 volte meno sulla voce di costo che pesa di più per qualsiasi agente che reinvia un prompt fisso.

Tariffa combinata con rapporto input-output di 3:1 — circa 0,123 $ per milione rispetto a 0,230 $.

• Tariffa combinata a 1:3, con prevalenza dell'output — circa 0,228 $ contro 0,390 $.

Si tratta di un divario reale, e più piccolo di quanto lasci intendere il rapporto principale, perché la colonna dell’output è dove entrambi i modelli spendono davvero denaro nel lavoro agentico e il divario sull’output è solo di 1,7x. È anche più piccolo del divario che ciascuno di questi modelli mostra rispetto a un flagship occidentale, cioè l’azienda che ciascuno di essi tiene in questa fascia.

L'avvertenza onesta su tutte e cinque le righe: non sono lo stesso tipo di prezzo. Quella di Tencent è una tariffa di listino in RMB per la Cina continentale che Tencent ha convertito per i lettori di lingua inglese, e Tencent ha già applicato sconti promozionali su questo modello nella sua prima settimana. Quella di QwenCloud è una tariffa di listino in USD su un endpoint globale. Un team che acquista in dollari da fuori dalla Cina continentale dovrebbe considerare le cifre di Hy4 flash come il minimo di ciò che è disponibile, anziché come l'importo che gli verrà fatturato, e dovrebbe rileggere la scheda prima di basare qualsiasi calcolo su di essa.

Esegui comunque il volume, perché la struttura regge. Dieci milioni di token di input e due milioni di token di output al giorno costano 1,26 $ su Hy4 flash e 2,44 $ su Qwen3.8-Flash — 461 $ contro 891 $ in un anno, una differenza di circa 430 $ per una dimensione del carico di lavoro che un piccolo team può effettivamente generare. Sposta il mix verso la cache, come fa qualsiasi agente multi-turno, e il divario si allarga: due milioni di input nuovi, otto milioni di letture dalla cache e due milioni di output arrivano a 0,73 $ al giorno contro 1,37 $, perché il rapporto di lettura dalla cache è 5,3x anziché 2,1x.

A generated two-column scoreboard for Hy4 flash and Qwen3.8-Flash across six shared dimensions: input price $0.070 against $0.15, output price $0.281 against $0.47, cached input $0.003 against $0.016, active parameters 11.3B of 220B against roughly 6B of 125B, video input no against yes, and independent score none against 28.6. A footer notes the prices are Tencent and QwenCloud list rates and the 28.6 is Artificial Analysis Intelligence Index v5.0.1 for Qwen3.8-Flash-Next.

Entrambi i fornitori hanno speso quasi un terzo dei parametri per la stessa idea

Questa è la parte del confronto che nessuno dei post di lancio dei due fornitori mette accanto a quella dell'altro, ed è il motivo per cui i prezzi dei due modelli differiscono di un fattore due invece che di un fattore dieci.

Hy4 flash contiene 63,5 miliardi di parametri Engram — rappresentazioni apprese di bigrammi e trigrammi, recuperate tramite ricerche hash multi-head e inserite nel backbone ai layer 1, 11, 21 e 31. Ciò significa che il 28,9% dei 220 miliardi di parametri del modello risiede in una tabella di lookup anziché negli esperti. Qwen3.8-Flash contiene una tabella di embedding n-gram da 51 miliardi di parametri indicizzata sul token corrente più diversi token precedenti, su circa 180 miliardi di parametri su disco — 28,3%.

Due laboratori, due generazioni, la stessa conclusione: il modo più economico per aggiungere capacità a un modello sparso è smettere di pagare il calcolo per token necessario a farlo. Entrambe le tabelle possono risiedere nella memoria host ed essere precaricate in modo asincrono, quindi nessuna delle due occupa permanentemente la memoria GPU. Nessuna delle due aggiunge una moltiplicazione matriciale al passaggio in avanti. Entrambe sono, di fatto, una scommessa sul fatto che una grande frazione di ciò che un modello linguistico deve sapere sia localmente prevedibile dagli ultimi pochi token, e che il corpo sparso degli esperti debba essere riservato a ciò che non lo è.

Anche gli stack di attenzione si assomigliano. Hy4 flash intreccia IndexPool sparse attention con finestre scorrevoli da 512 token a un rapporto di 1:3 su 42 layer, e Tencent riporta che la KV cache risultante è 1/24 di quella di Hy3 e 1/6 di quella di Hy4. Qwen3.8-Flash usa Gated DeltaNet con Qwen Sparse Attention, comprimendo la cronologia in stati a dimensione fissa in tre layer su quattro e instradando il resto attraverso un indicizzatore a livello di blocco. Entrambe sono risposte alla stessa domanda — come si serve una finestra da un milione di token senza pagare per una KV cache da un milione di token — ed entrambe le risposte approdano a una qualche variante di "non prestare attenzione a tutto".

La differenza sta in ciò che i parametri attivi extra consentono di ottenere. Hy4 flash impiega 11,3 miliardi di parametri di testo contro i 6 miliardi di Qwen3.8-Flash, su 41 livelli MoE con 16 esperti instradati su 512 più un esperto condiviso, in uno spazio latente di 1.536 dimensioni. Si tratta di quasi il doppio del calcolo per token, in un modello che fa pagare meno della metà per token. Qualunque altra cosa sia vera, Tencent non recupera quel costo dal cliente: lo recupera dallo stack di serving, ossia pesi a 4 bit, megakernel e DFly2, un drafter da 0,85 miliardi di parametri che riutilizza le selezioni sparse di KV e indice del modello target, così che ogni token di draft presti attenzione ad al massimo circa 2.000 chiavi indipendentemente dalla lunghezza del contesto. Tencent dichiara un decoding superiore a 150 token al secondo mettendo insieme questi tre elementi.

Cosa si guadagna davvero con 29,5 minuti per attività

I prezzi per token sono l'unità sbagliata per entrambi questi modelli, e i dati indipendenti lo rendono concreto su un lato del confronto.

Artificial Analysis assegna a Qwen3.8-Flash-Next — l'artefatto open-weights, non lo SKU ospitato — un punteggio di 28,6 su Intelligence Index v5.0.1, a $0,569 per attività, in oltre 29,5 minuti per attività, a 83,6 token di output al secondo, con 2,5 secondi al primo token e 68,3 secondi al primo token della risposta.

Quei cinque numeri, moltiplicati tra loro, danno qualcosa di più utile di ciascuno di essi preso singolarmente. A 83,6 token al secondo per 1.768 secondi, un’attività produce circa 148.000 token di output. A $0,47 per milione, sono circa sette centesimi di output. Gli altri cinquanta centesimi dei $0,569 sono input, il che, a $0,15 per milione, implica almeno 3,3 milioni di token di input per l’intera attività — di più se una parte è stata servita dalla cache a una tariffa più bassa. Un input da 3,3 milioni di token rispetto a un contesto da 1M non è un singolo prompt. È un ciclo: leggi, agisci, leggi di nuovo, per venti o trenta turni di profondità, con il contesto ricostruito o portato avanti ogni volta.

Quello è il carico di lavoro per cui entrambi i modelli sono progettati, ed è per questo che le scelte progettuali di Hy4 flash si spiegano così. La pipeline di post-training di Tencent ha ridotto l'output medio end-to-end del 50% tramite reinforcement learning, e la sua valutazione cieca interna riporta un completamento mediano delle attività di 6,7 minuti a RMB 0,26 per attività — circa 0,037 $ ai tassi prevalenti. La sua suite interna WorkIndex colloca Hy4 flash a 42,1 contro 39,7 di Hy4 preview, con un costo medio per attività che Tencent dichiara pari a un tredicesimo di Hy4 preview, un ventesimo di Hy4 e un ottavo di DeepSeek-V4.1-Flash-1017 ai prezzi delle ore di punta.

Non dividere quei dati per quelli di Artificial Analysis. Una mediana di 6,7 minuti su 259 attività WorkBuddy svolte da 85 utenti interni non è una mediana di 29,5 minuti sull'Intelligence Index, e un valore in RMB per attività ricavato dall'harness proprietario di un fornitore non è un valore in dollari per attività ricavato da uno indipendente. Il confronto che supportano è indicativo e vale la pena dirlo chiaramente: il costo per attività misurato di Qwen3.8-Flash è dominato da quanti token consuma e da quanto tempo impiega, non da quanto addebita per token. Un modello che scrive la metà e termina in un quinto del tempo può costare 1,7 volte meno per token di output e un ordine di grandezza meno per lavoro completato. Che Hy4 flash sia effettivamente quel modello è esattamente ciò che nessuno ha ancora misurato.

Il tabellone ha una sola riga, e non è per il modello che chiameresti.

Due rivelazioni, entrambe delle quali modificano il peso che i numeri sopra possono avere.

Innanzitutto: Hy4 flash non ha una pagina su Artificial Analysis. Non un punteggio basso, non una voce non classificata: https://artificialanalysis.ai/models/hy4-flash ha restituito un 404 il 18 novembre 2026, tre giorni dopo l'apertura dell'API e un giorno dopo l'arrivo dei pesi. Non esiste alcuna misurazione indipendente di questo modello. La tabella di benchmark pubblicata da Tencent copre i checkpoint base pre-addestrati, Hy4 flash Base rispetto a Hy4 Base e ai modelli base di DeepSeek, il che dice qualcosa sul pre-addestramento e nulla sul modello instruction o sulla modalità di ragionamento che chiameresti effettivamente. L'unica evidenza sul modello instruction è quella di Tencent stessa: WorkIndex, il test in cieco e un rapporto costi per attività.

In secondo luogo: il 28,6 e lo 0,569 $ appartengono a Qwen3.8-Flash-Next, il checkpoint scaricabile. La versione ospitata di Qwen3.8-Flash su QwenCloud è una build di serving ottimizzata separatamente; Alibaba la commercializza come membro della linea pronto per la produzione e i due non sono intercambiabili. Artificial Analysis registra inoltre Qwen3.8-Flash-Next con un contesto di 256.000 token — la finestra nativa del checkpoint prima dell'estensione YaRN — mentre QwenCloud serve il modello ospitato con 1 milione di token e un input massimo di 991.000. Se stai determinando il prezzo del modello ospitato, ti affidi alla scheda di QwenCloud e alle valutazioni di Alibaba stessa per ogni aspetto tranne il punteggio di intelligenza, che è quello del checkpoint.

Quindi l'asimmetria è netta in un modo facile da enunciare e difficile da risolvere: un modello ha un punteggio indipendente che appartiene a un artefatto diverso, e l'altro non ha alcun punteggio indipendente. Qualsiasi articolo che qui ti presenti un vincitore in termini di capacità se lo sta inventando. Ciò che si può dire è più limitato e comunque utile. Qwen3.8-Flash a 28,6 si colloca sotto Tencent Hy4, il modello di punta da 770 miliardi di parametri della stessa famiglia, a 34,6, e sotto Claude Haiku 5.5 a 36,5 sulla stessa versione dell'indice — un solido punteggio di fascia media, che è ciò che un piccolo modello flash dovrebbe produrre. Hy4 flash, sulla suite interna di Tencent, ottiene un punteggio superiore a Hy4 preview e ben inferiore a Hy4, che è la stessa posizione relativa misurata con uno strumento diverso.

Video è l'unica riga che decide da sé

Tutto quanto sopra è discutibile. Questo no.

• Input di Hy4 flash — testo e immagini, tramite un encoder derivato da SigLIP2-So400m su un proiettore MLP. L'output è testo.

• Input Qwen3.8-Flash — testo, immagine e video. L'output è testo.

Se la tua pipeline acquisisce una registrazione dello schermo, la registrazione di una chiamata o un file video, Hy4 flash non può accettarla e Qwen3.8-Flash sì. I pesi aperti non aiutano, un adattatore non aiuta e nessun vantaggio di prezzo riesce a colmare il divario. Entrambi supportano un milione di token di contesto, entrambi gestiscono documenti e screenshot e, su questo terreno comune, il confronto resta aperto; sul video è chiuso.

I carichi di lavoro consigliati da Tencent per Hy4 flash sono coerenti con questo limite — ricerca approfondita, elaborazione di documenti, creazione di slide, semplici demo frontend, uso del computer — e le sue stesse indicazioni indirizzano l'ingegneria del software a lungo termine su Hy4. È un fornitore che ammette un tetto, il che è più informativo della maggior parte dei testi di lancio e vale la pena prenderlo per buono.

Entrambi sono scaricabili, e i download non sono equivalenti

A screenshot of the Hugging Face model card for tencent/Hy4-flash, showing the Image-Text-to-Text pipeline tag, the Tencent Hy License, a 220B parameter model size in BF16 with F32 tensor type, mixture-of-experts, multimodal, instruct and conversational tags, 96 likes, and a table of contents covering model introduction, capability, cost efficiency, blind evaluation, benchmark results, the DFly2 speculative draft model and quantisation.

Hy4 flash è stato rilasciato come pesi aperti il 17 novembre: tencent/Hy4-flash, tencent/Hy4-flash-FP8 e tencent/Hy4-flash-base. Un elenco di file del 18 novembre indica il checkpoint BF16 a 440,5 GB su 148 shard e la build FP8 a 287,1 GB. Qwen3.8-Flash-Next è pubblico dal 24 agosto e misura 360,0 GB su 131 shard.

• Ricetta di serving — Tencent pubblica immagini con versione fissata, vllm/vllm-openai:hy4-flash e lmsysorg/sglang:hy4-flash, con i flag tensor-parallel-8 e speculative-decoding scritti per esteso. Qwen3.8-Flash-Next ha il supporto di SGLang, vLLM e Transformers fin dalla settimana del suo rilascio.

• Transformers — Hy4 flash richiede un'installazione da un ref di pull request, refs/pull/50903/head, perché il supporto non è ancora su main. Qwen3.8-Flash-Next si carica da main.

• Quantizzazione — Tencent rilascia una build FP8 ufficiale e un GGUF AngelSlim; l'ecosistema Qwen ha avuto quattro mesi per produrre proprie quantizzazioni della community.

Segnale dall'ecosistema — Qwen3.8-Flash-Next ha registrato 2.983.542 download nell'ultimo mese e 7.276 like il 18 novembre. Hy4 flash, pubblicato il giorno precedente, ha totalizzato 96 like e zero download.

Hardware — 440 GB di pesi BF16 non stanno su otto schede da 80 GB, quindi la versione FP8 da 287 GB su otto H100 è il deployment realistico su singolo nodo, e questa è esattamente la configurazione TP=8 specificata dalla ricetta di Tencent.

Le immagini pinned e un'installazione da PR-ref non sono motivo di esclusione; significano che stai eseguendo le build testate da Tencent anziché build rilasciate, il che cambia chi è responsabile del prossimo bug. Il vantaggio di Qwen in questo caso è interamente funzione dei quattro mesi trascorsi, e si eroderà. Oggi è reale, ed è il secondo divario più grande in questo confronto dopo la riga del benchmark mancante.

Le due licenze contengono entrambe una clausola sul modello come servizio, e sono clausole diverse.

Entrambi i modelli sono gratuiti da scaricare e nessuno dei due è incondizionatamente rivendibile, ma i meccanismi di attivazione non hanno la stessa struttura e la differenza è importante se ospiti modelli per altre persone.

• Licenza Tencent Hy v1.0 — un derivato di Apache 2.0. La sezione 10.2 richiede una licenza scritta separata se gestisci un'attività model-as-a-service e i tuoi ricavi lordi mondiali superano i 50 milioni di dollari statunitensi in qualsiasi periodo di dodici mesi, oppure se il tuo prodotto supera i 100 milioni di utenti attivi mensili. La sezione 10.3 esenta l'uso interno.

• Licenza Qwen Community 1.0 — richiede una licenza separata per qualsiasi attività Model-as-a-Service o AI Work Assistant, indipendentemente dalle dimensioni, con l'uso interno esente. Richiede inoltre separatamente che il nome del modello sia visualizzato in modo ben visibile se si superano 100 milioni di utenti attivi mensili o 20 milioni di dollari USA di ricavi mensili.

• L'eccezione di Qwen merita una seconda lettura — la licenza esclude esplicitamente dalla propria definizione di Model as a Service «la mera inoltro di richieste a modelli ospitati da altre terze parti». La licenza di Tencent non contiene alcuna frase equivalente.

Nessuno dei due comporta una restrizione territoriale, il che è più di quanto si possa dire di diverse licenze cinesi open-weight. Se stai costruendo uno strumento interno, entrambi sono gratuiti a qualsiasi scala. Se stai costruendo un prodotto che rivende l'inferenza, la soglia di Tencent è più semplice e la deroga sul relay di Qwen è più permissiva per un tipo specifico di intermediario, e quale dei due ti vincola dipende da quale di queste due attività svolgi.

Che cosa è richiamabile oggi, con un solo tasto

A screenshot of the OrcaRouter model page for qwen/qwen3.8-flash, showing the Qwen3.8 Flash heading, a 1M-token context and 131K maximum output, text, image and video input with text output, vision, tools, JSON and reasoning capability tags attributed to Qwen with a 26 August 2026 date, zero data retention availability, a 10.00-second p50 time to first token, and the start of the model description as a multimodal reasoning model from Alibaba.

Qwen3.8-Flash è presente nel catalogo OrcaRouter come qwen/qwen3.8-flash, a $0,15 per milione di token in input e $0,47 per milione di token in output, con una lettura dalla cache a $0,0184 — le tariffe pubblicate da QwenCloud per prompt e completamento ribaltate a un ricarico dello 0%, così una riduzione di prezzo del fornitore su questo modello ti raggiunge il giorno stesso in cui avviene, anziché alla successiva sincronizzazione del catalogo.

Hy4 flash non è ancora nel catalogo. Quello che c'è per questa famiglia è tencent/hy4-preview a $0.834 e $2.501 per milione con una lettura cache da $0.042 — il modello da cui è stato distillato Hy4 flash, e il riferimento corretto su cui confrontarsi con l'API di Tencent mentre aspetti che arrivi la route flash. Dire diversamente significherebbe rivendicare una route che non abbiamo.

Quell'asimmetria ti offre un modo economico per risolvere la discussione da solo. Esegui i tuoi venti compiti più rappresentativi su qwen/qwen3.8-flash con la chiave che hai già, e su Hy4 flash con quella di Tencent. Registra token di input, token di output, hit della cache, tempo reale trascorso e se l'output è stato utilizzabile. Il rapporto per compito che ottieni è l'unica versione dell'affermazione di Tencent di un tredicesimo che si applichi al tuo traffico, e costa un pomeriggio invece di una migrazione.

Quando la route flash arriva davvero, il pattern utile è una regola di routing più che un interruttore: colloca il tier di ingestion video sulla route Qwen, perché è l'unica delle due che accetta i video, e il tier testo-e-documenti sul modello che i tuoi stessi numeri favoriscono. Il DSL di routingesprime questa suddivisione in un unico endpoint, il failover automatico fa sì che il degrado di una route non collaudata di due giorni non trascini con sé la pipeline, e la stessa chiave raggiunge più di 200 modelli senza un secondo contratto.

La decisione, enunciata sotto forma di tre casi

Se hai bisogno di input video, il confronto finisce qui. Qwen3.8-Flash lo supporta, Hy4 flash no, e nessun argomento sul prezzo regge di fronte a una modalità mancante.

Se hai bisogno di un modello con un punteggio indipendente prima che entri in contatto con un percorso rivolto ai clienti, hai già la risposta per lo stesso motivo. 28,6 sull'Intelligence Index v5.0.1 è un numero modesto — inferiore al 34,6 del flagship di Tencent e a Claude Haiku 5.5, a 36,5 — ma è misurato, pubblico e riproducibile, e Hy4 flash non ha nulla del genere. Probabilmente cambierà; è la cosa più preziosa che chiunque potrebbe pubblicare su questo modello.

Se il tuo carico di lavoro è composto da testo e documenti ad alto volume, sensibile alla latenza e puoi eseguire la tua valutazione, Hy4 flash vale l'intero pomeriggio. Quasi il doppio dei parametri attivi a meno della metà del prezzo di input non è uno scambio normale, la riga dell'input in cache a $0.003 rende quasi gratuito il re-prompting per agenti di lunga durata, e i pesi significano che il prezzo è un'opzione anziché l'unica. Entra sapendo che sei la prima persona a misurarlo, che la sua tabella di benchmark pubblicata descrive un checkpoint diverso da quello che chiamerai e che 440 GB di pesi BF16 non entreranno in un singolo nodo senza la build FP8.

Il numero da tenere d’occhio non è un altro post di lancio. È una riga di Artificial Analysis per Hy4 flash, perché converte un rapporto interno del fornitore in una cifra che puoi confrontare direttamente con i $0,569 per attività su 29,5 minuti di Qwen3.8-Flash-Next. Se Hy4 flash si colloca sensibilmente al di sotto di quella cifra sul costo per attività mantenendosi entro pochi punti indice, il divario di prezzo è tutta la storia e questa fascia si riorganizza attorno a esso. Se si colloca a buon mercato perché svolge meno lavoro per attività, allora è un modello per documenti e slide con un listino insolitamente favorevole, e le linee guida di deployment di Tencent stessa lo dicono già.

Confrontati in questo articolo3

Rilevato da questo articolo