DeepSeek V4.1 Flash 1017: prezzi API, Search API e il mio test

👁 112 letture

DeepSeek V4.1 Flash 1017 combina un checkpoint a pesi aperti aggiornato con un nuovo servizio di ricerca web a partire da ottobre 2026. La famiglia DeepSeek V4 continua a evolversi rapidamente: il 19 ottobre ho messo alla prova il modello via API e ha completato con successo tutti i 12 compiti del mio test in polacco. Il risultato va tenuto distinto sia dai benchmark interni sul codice pubblicati da DeepSeek, sia dalla nuova Search API, che non ho impiegato in questa specifica sessione di prova.

Cosa cambia nell’architettura DeepSeek V4.1 Flash 1017

DeepSeek presenta la versione V4.1 Flash 1017 come un aggiornamento minore, ma i confronti pubblicati dall’azienda indicano progressi evidenti nel ragionamento logico, nella scrittura di codice e nella gestione di compiti per agenti autonomi. La denominazione numerica identifica il rilascio del 17 ottobre. Conviene annotare sempre questo suffisso quando registri i tuoi dati di test: gli alias dell’interfaccia di programmazione possono rimanere invariati anche se l’architettura sottostante viene aggiornata. Per un quadro completo sulle altre uscite a pesi aperti della stessa settimana, puoi consultare la mia panoramica sui modelli AI open weight di ottobre 2026.

Nei dati condivisi da DeepSeek, la valutazione su DeepSWE v1.1 sale da 74,2 a 77,0, il punteggio su Terminal-Bench 4.0 passa da 31,2 a 42,3 e Automation-Bench v1.0.6 cresce da 54,8 a 60,5. Questi valori rappresentano misurazioni dichiarate dal produttore. Non ho replicato direttamente questi benchmark specifici e non vanno confusi con il mio test pratico su prompt in polacco per stilare classifiche generiche.

DeepSeek sostiene inoltre che l’aggiornamento riduce la lunghezza dei testi generati e il tempo complessivo di esecuzione dei task. Conta soprattutto nei flussi agentici, dove ogni obiettivo richiede decine di chiamate consecutive al modello. Tuttavia, questo non garantisce un risparmio percentuale fisso su qualsiasi caso d’uso: una risposta più concisa rappresenta un vantaggio reale solo se preserva tutte le istruzioni e le chiamate ai tool necessarie alla tua applicazione.

Pesi del modello, licenza d’uso e installazione locale

Il repository ufficiale distribuisce i pesi sotto licenza MIT e dichiara una finestra di contesto fino a un milione di token. I metadati su Hugging Face riportano una dimensione complessiva di 763 miliardi di parametri. Questo valore descrive l’ingombro del repository e non equivale al conteggio effettivo dei parametri attivi per singolo token. Di conseguenza, non ti fornisce una stima automatica della memoria VRAM necessaria per eseguire un’istanza quantizzata specifica.

La licenza MIT offre ampi margini di utilizzo, compreso l’impiego commerciale e la modifica del codice, imponendo unicamente la conservazione delle note di copyright. Sarebbe però scorretto definirla priva di regole. Il suo valore pratico risiede nella familiarità delle clausole legali, senza le restrizioni personalizzate sul fatturato o sul volume di utenti introdotte da altre licenze aperte rilasciate nello stesso periodo.

L’esecuzione locale del checkpoint completo richiede un’infrastruttura di calcolo impegnativa. Ho condotto il mio test esclusivamente tramite inferenza remota, quindi non ho parametri di consumo hardware locale da riportare. Ti suggerisco di fare riferimento alle indicazioni tecniche del repository ufficiale per verificare formati e configurazioni di runtime: acquistare macchine basandosi solo sulla promessa di parametri attivi ridotti o sul termine “Flash” sarebbe un errore di valutazione.

Prezzi DeepSeek API in USD: tariffe e orari

Secondo la pagina dei prezzi ufficiale, ricontrollata il 29 ottobre 2026, l’endpoint deepseek-flash punta direttamente a DeepSeek V4.1 Flash 1017. Le tariffe della DeepSeek API indicate nella tabella si intendono per un milione di token. I prezzi DeepSeek API per l’input cambiano in base al recupero dei dati dalla cache, mentre i token di output seguono una tariffazione autonoma.

Gli intervalli orari ad alta intensità (peak) documentati vanno dalle 01:00 alle 04:00 e dalle 06:00 alle 10:00 UTC, dal lunedì al venerdì, festività cinesi escluse. Tutte le altre finestre temporali vengono conteggiate come tariffa ordinaria off-peak. Per stimare accuratamente i costi del tuo servizio devi quindi calcolare l’efficienza della cache, la distribuzione oraria delle chiamate e il volume dei token generati: affidarsi unicamente alle tariffe massime porterebbe a una stima imprecisa.

Il listino ufficiale va distinto dai costi effettivi registrati durante la mia sessione di test. Un’interrogazione storica via API può essere soggetta a condizioni di instradamento e fatturazione specifiche della piattaforma utilizzata. La spesa registrata nella mia prova deve rimanere legata a quel singolo esperimento, senza essere considerata un preventivo rigido per implementazioni dirette future.

Search API e Fetch API come servizi separati

La Search API fornisce un elenco ordinato di pagine web pertinenti, mentre il servizio Fetch estrae il contenuto testuale convertendolo in formato Markdown. La documentazione di DeepSeek prevede fino a 50 risultati per richiesta di ricerca e fissa il costo per entrambi gli strumenti a $0,75 per ogni 1.000 chiamate andate a buon fine. L’unità tariffata corrisponde quindi alla richiesta completata e non al numero di singoli risultati restituiti.

Le linee guida escludono dal conteggio le richieste fallite, le ricerche prive di risultati e i timeout di connessione. La formulazione riguardante il periodo promozionale gratuito iniziale presenta alcune discrepanze rispetto alla tabella tariffaria principale, la quale fissa formalmente l’avvio della fatturazione per l’uso integrato dei tool lato server al 1 novembre alle ore 00:00 (fuso di Pechino), corrispondente alle 16:00 UTC del 31 ottobre. Questa nota temporale non va interpretata come una promessa implicita di gratuità indiscriminata per qualsiasi chiamata autonoma inviata prima di tale scadenza.

In una pipeline operativa, la ricerca web e la generazione di testo assolvono funzioni del tutto differenti. La ricerca fornisce dati recenti, ma spetta al modello di linguaggio selezionarli, elaborarli e citarli in modo fedele. Scaricare una pagina non assicura che il testo sia attendibile, così come una risposta generata in modo fluido non garantisce che rispecchi davvero le fonti trovate.

• Salva sempre gli URL e i testi originali estratti per poterli verificare a posteriori.
• Traccia separatamente i costi delle chiamate Search e Fetch rispetto ai token del modello.
• Valida in modo sistematico se l’output finale trova reale riscontro nei frammenti recuperati.
• Includi nella tua suite di test scenari in cui la ricerca non restituisce alcun risultato utile.

Queste verifiche sono passaggi metodologici che ti serviranno per sviluppare applicazioni affidabili. Nel corso della mia prova non ho misurato la qualità o la latenza del motore di ricerca, quindi non fornisco comparazioni dirette rispetto ad altri prodotti del settore.

I risultati reali della mia prova su compiti in polacco

Il 19 ottobre ho inviato 12 task brevi formulati in lingua polacca, eseguendo una singola iterazione per quesito a temperatura 0, impostando una soglia massima di 6.000 token comprensiva di ragionamento e risposta finale. DeepSeek ha risposto in modo corretto a ogni singola richiesta. La batteria di test comprendeva calcoli aritmetici, flessione grammaticale, conteggio di lettere, estrazione dati da fatture, calcolo di checksum, problemi di logica, identificazione del giorno della settimana in date storiche, formattazione dati, quesiti territoriali, conversioni di unità, ortografia e sequenze numeriche.

Il tempo di esecuzione mediano si è attestato su 0,95 secondi, mentre la chiamata più lenta ha impiegato 2,4 secondi. Il consumo registrato per l’output è stato pari a 1.283 token complessivi. La spesa calcolata per l’intera serie di richieste è risultata di $0,00062014 (circa $0,0006 totali). Si tratta di misurazioni effettive estratte dai log delle risposte e non di simulazioni teoriche basate sui prezzi di listino odierni.

Il punteggio definitivo di 12/12 tiene conto di una correzione apportata al criterio di valutazione ortografica. DeepSeek ha risposto utilizzando la forma imperativa corretta “Weź parasol” (“Prendi l’ombrello”), mentre il controllo automatico iniziale accettava solo l’infinito “wziąć”. L’inclusione di questa alternativa ha eliminato una penalità dovuta a un vincolo di valutazione troppo rigido, senza necessità di ripetere la richiesta o rigenerare il testo.

Questo esito è promettente per chi gestisce task strutturati e brevi, ma non misura le capacità del modello su testi narrativi lunghi, sulla prosa in italiano o inglese, sull’analisi visiva o sulla gestione di complessi repository di codice. Le chiamate remote possono inoltre essere instradate su server con carichi variabili: la latenza indicata rappresenta la mia esperienza misurata tramite API e non una metrica isolata della pura velocità hardware.

Domande frequenti

Chi utilizza già l’API deve cambiare il nome del modello nel codice?

No. La documentazione tariffaria ufficiale associa il modello deepseek-flash direttamente al checkpoint aggiornato. Ti suggerisco comunque di salvare la data del checkpoint nei tuoi log per garantire la riproducibilità dei risultati, anche se l’alias della richiesta non varia.

Il punteggio di 12/12 è merito della nuova Search API?

No. Ho inviato prompt puramente testuali disattivando qualsiasi strumento di ricerca web o chiamata a funzioni esterne. Questo test non dimostra quindi se la Search API o la Fetch API migliorerebbero le prestazioni su attività diverse.

Questo test dimostra che DeepSeek è il miglior modello open source sul mercato?

Dimostra che ha risolto con precisione questo insieme mirato di 12 compiti e che ha fatto registrare la latenza mediana più bassa del gruppo. Valutazioni più generali richiedono analisi approfondite, soprattutto per flussi di lavoro che includono strumenti esterni, immagini o dialoghi multi-turno complessi.