DeepSeek V4 Flash 0731: cosa cambia quando l’architettura resta uguale

Il transformer è rimasto lo stesso. I pesi di policy, il protocollo agentico, il sistema di valutazione e il pacchetto di serving no.

Secondo DeepSeek, DeepSWE è passato da 7,3 con V4-Flash Preview a 54,4 con V4-Flash-0731. L’aumento di 47,1 punti è arrivato con gli stessi 43 layer, 284 miliardi di parametri totali, 13 miliardi attivi per token e la stessa architettura da un milione di token.

Il dato richiede cautela e una lettura circoscritta al setup dichiarato. Il benchmark è stato eseguito da DeepSeek al massimo effort di ragionamento, usando una “DeepSeek Harness minimal mode” non ancora pubblicata; inoltre, due dei nove test di lancio sono interni. Il punteggio descrive quindi l’intero sistema di valutazione dell’azienda, non il solo checkpoint né il miglioramento atteso in qualunque coding agent.

Il 31 luglio 2026 DeepSeek ha portato l’API ufficiale di V4-Flash in beta pubblica. Il nome stabile deepseek-v4-flash ora identifica DeepSeek-V4-Flash-0731. Sono arrivati anche i pesi con licenza MIT, il supporto nativo alle Responses API, l’adattamento a Codex e un modulo di decodifica speculativa DSpark incluso nel checkpoint scaricabile.

Un rilascio, tre cambiamenti

L’annuncio riunisce tre livelli distinti:

1. Checkpoint: nuovi pesi post-addestrati sulla stessa architettura V4-Flash.
2. Runtime: DSpark, encoding specifico per V4, controlli dell’effort di ragionamento e ricette di serving aggiornate.
3. Servizio gestito: Responses API e integrazione Codex, prezzi correnti e un limite documentato di 2.500 richieste concorrenti per account.

Sono elementi con funzioni diverse e possono essere aggiornati in momenti separati. Il checkpoint determina il comportamento appreso, il runtime lo esegue e l’API fornisce il servizio circostante. DSpark può ridurre i tempi di generazione, ma non spiega una migliore capacità di usare gli strumenti. Allo stesso modo, un benchmark agentico misura anche harness e tool, non soltanto il transformer.

La configurazione di lancio supporta fino a 1.048.576 token di contesto e fino a 384K token di output nelle modalità high/max. Quest’ultimo è un limite interno alla finestra di contesto, non una lunghezza d’uso normale. L’aggiornamento riguardava solo Flash: l’API V4-Pro e DeepSeek App/Web non sono cambiate, mentre il rilascio ufficiale di Pro restava in attesa.

La cronologia aiuta a distinguere le affermazioni. DeepSeek ha annunciato V4-Pro e V4-Flash Preview il 24 aprile e presentato il rapporto tecnico due giorni dopo. Il 31 luglio ha pubblicato i pesi 0731 e sostituito il checkpoint dell’API Flash, senza introdurre un altro meccanismo di attenzione o un MoE più grande. L’architettura descritta ad aprile e il comportamento misurato a luglio appartengono quindi a fasi differenti dello sviluppo.

L’architettura è rimasta invariata

La Preview di aprile aveva definito il perimetro tecnico di V4. Il checkpoint di luglio lo conserva.

V4-Flash è un mixture-of-experts da 284B parametri, anche se per ogni token ne attiva 13B. Ogni layer MoE contiene 256 esperti instradati e uno condiviso; sei esperti vengono selezionati per token. I pesi completi devono comunque essere memorizzati e distribuiti tra i dispositivi.

Il design per il contesto esteso alterna Compressed Sparse Attention (CSA) e Heavily Compressed Attention (HCA). CSA mantiene una rappresentazione interrogabile del prefisso lungo; HCA conserva la storia più remota a risoluzione inferiore; una sliding window da 128 token protegge il dettaglio recente. Le Manifold-Constrained Hyper-Connections (mHC) gestiscono il flusso residuale lungo i 43 layer.

Il pacchetto fuso 0731 pesa circa 167 GB, circa 7 GB più della Preview per via di DSpark. “13B attivi” non significa quindi “deployment da 13B”: i parametri attivi approssimano il calcolo per token, mentre pesi totali, modulo draft, KV cache, workspace e buffer di comunicazione determinano l’ingombro reale.

L’artefatto di luglio aggiunge un componente di serving senza cambiare questa distinzione. DSpark opera vicino all’uscita della rete come meccanismo draft, mentre i layer V4 principali verificano l’output. I circa 7 GB aggiuntivi incidono su archiviazione e decodifica, ma non trasformano il nucleo in una nuova architettura da 291B. Confondere il pacchetto fuso con il transformer attribuirebbe al modello una modifica che riguarda il deployment.

Quanto può cambiare il post-training

Il pre-training costruisce rappresentazioni generali di lingua, codice e fatti. Il post-training modella la policy con cui il sistema segue istruzioni e usa strumenti: quale percorso di ragionamento scegliere, quando chiamare un tool, come formattarne gli argomenti, come reagire agli errori e quando fermarsi.

Nei compiti agentici queste decisioni sono centrali. Un coding agent deve mantenere un piano tra più chiamate, ispezionare l’ambiente anziché indovinare, reagire a compilatore e test e concludere entro un budget. L’architettura stabilisce la capacità disponibile; reinforcement learning, distillazione, reward e protocolli determinano come viene impiegata.

Il rapporto V4 documenta il metodo della famiglia, non la ricetta specifica di 0731. DeepSeek addestra dapprima specialisti per matematica, codice, agenti e instruction following mediante supervised fine-tuning e reinforcement learning con GRPO. I problemi verificabili possono usare regole o test; le traiettorie più difficili vengono valutate da un Generative Reward Model, guidato da rubriche invece che da un semplice reward scalare.

Gli specialisti vengono poi riuniti con On-Policy Distillation. Lo student genera traiettorie dagli stati che incontra davvero, mentre più di dieci teacher specialisti forniscono distribuzioni target sull’intero vocabolario. DeepSeek usa un obiettivo di KL inversa e dichiara che questo processo sostituisce la fase di reinforcement learning misto impiegata in V3.2. I dati on-policy riducono la distanza tra le dimostrazioni dei teacher e le situazioni incontrate dallo student nei propri cicli con strumenti; le distribuzioni sull’intero vocabolario trasmettono più informazione della supervisione sul solo token campionato.

V4 addestra anche regimi di ragionamento separati, non-think, high e max, con penalità di lunghezza, finestre di contesto e formati di risposta differenti. Max è una policy con un budget di deliberazione superiore, non una rete più grande. Un risultato di lancio a max effort non descrive quindi la latenza o il consumo di token nell’uso ordinario.

Il rapporto cita inoltre sandbox per l’addestramento agentico, reinforcement learning a contesto esteso, servizi di rollout tolleranti ai guasti e integrazione FP4. Sono sistemi che rendono praticabili lunghe traiettorie con strumenti. Spiegano come un’architettura fissa possa migliorare, ma DeepSeek non specifica quali parti siano cambiate per 0731.

Protocollo degli strumenti e runtime

V4 usa il formato dedicato DSML per le chiamate agli strumenti. Il repository fornisce codice Python di encoding invece di un normale template Jinja: converte i messaggi in stile OpenAI nell’input V4 e interpreta l’output come messaggi, ragionamento e tool call. Eseguire i pesi con un contratto diverso può non riprodurre il servizio gestito.

I cicli con strumenti in thinking mode hanno inoltre una regola di continuità. Dopo una tool call, il client deve reinviare nella richiesta successiva il ragionamento precedente dell’assistente. In questo modo il piano resta disponibile dopo ogni risultato. In un nuovo turno senza strumenti, invece, il ragionamento più vecchio può essere eliminato.

Il supporto nativo alle Responses API riduce il lavoro d’integrazione, ma la compatibilità è parziale. L’endpoint è stateless e non offre previous_response_id, conversazioni, storage o background mode. Functions e web search lato server sono supportate; apply_patch è l’unico custom tool disponibile. File search, code interpreter, computer use, MCP, immagini e file non sono supportati o vengono ignorati. Alcuni campi non validi sono ignorati senza errore: una risposta HTTP riuscita non garantisce che ogni controllo richiesto abbia avuto effetto.

Resta anche un dettaglio irrisolto sulla valutazione. La scheda del modello indica temperature=1.0 e top_p=0.95 per i benchmark pubblici di coding a max effort; la documentazione del thinking mode afferma invece che quei parametri non hanno effetto sul servizio. DeepSeek non chiarisce se l’harness usasse pesi locali, un endpoint diverso o parametri accettati ma ignorati.

Il modulo DSpark riguarda la velocità di decoding. Propone più token futuri, che il modello V4 principale verifica insieme; l’esempio della scheda ne propone sette. Il beneficio dipende dal tasso di accettazione, dalla lunghezza del contesto, dal batch, dai kernel e dall’hardware. DSpark non aggiunge conoscenza né competenza nell’uso degli strumenti, quindi non va indicato come causa dei guadagni di capacità.

Cosa mostrano i benchmark

DeepSeek riporta 0731 davanti sia a Flash Preview sia a Pro Preview in tutti e nove i benchmark agentici della tabella di lancio.

Gli aumenti maggiori rispetto a Flash Preview sono DeepSWE, +47,1 punti; Cybergym, +38,0; e DSBench-Hard, +33,8. Terminal Bench 2.1 cresce di 20,9 punti fino a 82,7. Il miglioramento si concentra su repository, compiti eseguibili e uso ripetuto degli strumenti, in linea con l’impostazione agentica del rilascio.

Le prove restano controllate dal fornitore. I test pubblici di coding hanno usato a max effort la DeepSeek Harness non rilasciata. DSBench-FullStack e DSBench-Hard sono set interni, di cui non sono verificabili compiti, controlli di contaminazione e scoring. Anche le configurazioni dei concorrenti potrebbero non coincidere. La formulazione sostenibile è circoscritta: nel setup dichiarato da DeepSeek, 0731 supera V4-Pro Preview in tutte le nove righe.

Nella stessa tabella del fornitore, 0731 risulta vicino o superiore a GLM-5.2 in diverse righe e inferiore a Opus-4.8 nella maggior parte dei casi. I parametri attivi fanno apparire Flash molto efficiente, ma non normalizzano token di ragionamento, prezzi, budget degli strumenti o comportamento del valutatore. I confronti tra fornitori restano confronti tra sistemi configurati: un modello può guidare una riga perché spende più calcolo al momento del test o perché si adatta meglio all’harness.

L’assenza dell’harness pesa soprattutto nei benchmark su repository. La policy del ciclo decide quali file ispezionare, come ripetere un passaggio fallito, quando eseguire i test e quando fermarsi. Anche formattazione dei prompt e parsing dei risultati possono produrre traiettorie diverse con gli stessi pesi. Finché la modalità minimal non sarà pubblica, il checkpoint potrà essere testato, ma l’esperimento di lancio non sarà riproducibile esattamente.

Una misura indipendente sostiene una conclusione più limitata. Artificial Analysis assegna a Flash 0731 un Intelligence Index v4.1 di 50 a max effort, contro 44 per V4 Pro max. Stima 0,03 dollari per task pesato per Flash e 0,05 dollari per Pro; la valutazione completa di Flash è costata 72,02 dollari.

Il test ha però generato 210 milioni di token di output, contro una mediana di categoria di 100 milioni. Un prezzo basso per token non assicura un costo basso per attività se il modello ragiona più a lungo o produce tracce estese. Il composito comprende nove valutazioni: attività aziendali agentiche, strumenti bancari, Terminal Bench 2.1, coding, ragionamento, conoscenza, fisica, allucinazioni e ragionamento a contesto esteso. È più ampio di un test di solo coding, ma dipende da ponderazioni proprie.

Prezzo, scala e incertezze

Su input senza cache e output, al lancio Flash costava circa 3,1 volte meno di Pro Preview. Per l’input in cache la differenza scendeva a circa 1,3 volte. Il dato è rilevante per gli agenti, che reinviano istruzioni, schemi degli strumenti, contesto del repository e turni precedenti. DeepSeek applica automaticamente il caching del contesto.

Flash aveva inoltre un limite documentato di 2.500 richieste concorrenti per account, contro 500 per Pro. Significa cinque volte più richieste in volo consentite, non cinque volte più throughput o velocità.

I pesi aperti permettono ispezione e deployment privato, ma un MoE da 284B resta impegnativo. L’esempio vLLM di DeepSeek usa un nodo 4×GB300, data parallelism quattro ed expert parallelism. È una configurazione dimostrativa, non un minimo dichiarato. La memoria di runtime deve contenere anche KV cache, tensori non specialistici, workspace dell’allocatore, attivazioni, buffer di comunicazione e motore di serving. Con contesti lunghi, queste allocazioni possono pesare quanto l’archiviazione dei pesi.

Il vantaggio di prezzo varia inoltre con la forma del carico. I cicli agentici con prefissi stabili possono beneficiare dei cache hit automatici; un contesto che cambia spesso paga invece la tariffa senza cache. L’effort massimo può produrre abbastanza output da compensare un prezzo basso per token. Costo per attività completata, tempo trascorso e numero di tentativi sono quindi più informativi del solo listino.

Al 31 luglio 2026 l’API era ancora in beta pubblica. Gran parte dei risultati non aveva repliche indipendenti a parità di setup; prezzi e comportamento potevano cambiare; le Responses API coprivano solo una parte dell’interfaccia OpenAI. Inoltre, una finestra da un milione di token non garantisce ragionamento affidabile su un prompt disordinato della stessa lunghezza.

Il servizio era limitato al testo, senza input di immagini o file. I campi Responses non supportati potevano essere ignorati senza errore: chi dipende da stato o strumenti specifici di OpenAI deve verificare il comportamento, non soltanto la risposta HTTP. V4-Pro e il prodotto App/Web non avevano ricevuto il checkpoint, quindi i risultati di 0731 non si estendono automaticamente all’intera famiglia.

Un risultato forte, una spiegazione incompleta

Il rilascio di luglio ha mantenuto invariata l’architettura di V4-Flash, cambiando il checkpoint e il sistema agentico circostante. DeepSeek dichiara guadagni ampi, ma l’harness non pubblicato e i benchmark interni impediscono di attribuirne la causa o riprodurre esattamente l’esperimento. Le fonti sostengono un sistema configurato più forte nei test dichiarati, non un effetto isolato del post-training.

Stato: fonti ricontrollate il 31 luglio 2026. L’API V4-Flash era in beta pubblica; il rilascio ufficiale di V4-Pro era ancora in attesa.

Fonti primarie: changelog DeepSeek, scheda 0731 e pesi con licenza MIT, rapporto tecnico V4, config ufficiale, Models & Pricing, Rate Limit & Isolation, Responses API, Thinking Mode, riferimento encoding, nota di lancio V4 di aprile e ricetta vLLM. Misura indipendente: Artificial Analysis. Ledger di ricerca: docs/research/deepseek-v4-flash-0731-source-dossier.md.