DeepSeek V4.1 Flash: licenza MIT, benchmark e come provarlo davvero
DeepSeek V4.1 Flash è un modello di intelligenza artificiale a pesi aperti, con 763 miliardi di parametri e licenza MIT. La versione uscita il 17 ottobre 2026 si chiama DeepSeek-V4.1-Flash-1017 e DeepSeek la descrive nella scheda del repository su Hugging Face come "a minor update to DeepSeek-V4.1-Flash".
Il repository risulta creato il 17 ottobre. La scheda promette miglioramenti su ragionamento, coding, compiti da agente e benchmark visivi, e dice che il modello riduce tempo di esecuzione e lunghezza delle risposte. Un changelog dettagliato non c'è: l'unico confronto con la versione precedente è la tabella dei benchmark. Per chi costruisce prodotti la domanda utile non è se i numeri siano alti, ma cosa significano e se vale un pomeriggio di prova.
Cosa c'è nella scheda di DeepSeek V4.1 Flash
La scheda di DeepSeek V4.1 Flash dichiara un modello da 763 miliardi di parametri con finestra di contesto da 1 milione di token, pubblicato con licenza MIT per il repository e per i pesi. Questi sono i dati che servono per decidere se provarlo, copiati dalla scheda.
| Voce | Cosa dichiara la scheda |
|---|---|
| Parametri | 763 miliardi |
| Licenza | MIT, per repository e pesi |
| Contesto | 1 milione di token |
| Campionamento consigliato | temperature 1.0, top_p 1.0 |
| Token in uscita | max_tokens di almeno 256K |
| Chat template | nessun template Jinja, codice di riferimento in encoding.py |
| Provider di inferenza su Hugging Face | nessuno lo ospita |
| Quantizzazioni | 30 modelli quantizzati della community |
Il dettaglio che pesa di più per chi lo vuole usare è il chat template mancante. La scheda indica la cartella encoding e il file encoding.py come implementazione di riferimento, quindi il formato dei messaggi è la prima cosa da controllare prima di collegarci un agente.
Cosa dicono i benchmark e quanto fidarsi
I benchmark di DeepSeek V4.1 Flash sono misurati da DeepSeek stessa, non da un laboratorio indipendente, e non usano tutti lo stesso agente. Ecco tre righe della scheda.
| Benchmark | V4.1 Flash 1017 | V4.1 Flash | GPT-5.6 Sol | Opus 5 |
|---|---|---|---|---|
| Terminal-Bench 4.0 | 42,3 | 31,2 | 39,9 | 51,8 |
| DeepSWE v1.1 | 77,0 | 74,2 | 73,0 | 74,0 |
| ProgramBench | 29,1 | 20,3 | 23,0 | 37,0 |
Il salto più grande rispetto alla versione precedente è su Terminal-Bench 4.0, da 31,2 a 42,3. Su DeepSWE v1.1 il modello supera Opus 5, 77,0 contro 74,0, ma resta sotto su Terminal-Bench 4.0 e su ProgramBench.
Perché le tre righe non si confrontano fra loro
La scheda precisa che Terminal-Bench 4.0 è misurato con l'harness di Claude Code e DeepSWE v1.1 con l'harness Mini-SWE-V2, mentre per ProgramBench non dichiara nulla. Tre righe, tre condizioni diverse. Per un agente l'harness conta quanto il modello, come spiego in cosa fa un agent harness che il modello non fa, quindi la tabella dice dove guardare e non quale modello scegliere. Il metodo per leggere numeri pubblicati dal venditore è in come si legge un benchmark scritto da chi vende il modello.
Quanta macchina serve per far girare DeepSeek V4.1 Flash
Far girare DeepSeek V4.1 Flash in proprio richiede un server con più GPU di fascia datacenter, non una workstation. La scheda elenca fra i tipi di tensore anche F8_E4M3, cioè un formato a 8 bit, e a un byte per parametro 763 miliardi di parametri fanno circa 763 GB di soli pesi. È un calcolo mio, non un dato della scheda, e non include la memoria per il contesto e per la cache.
Chi non ha quella macchina ha due strade. La prima è una delle 30 quantizzazioni della community che la scheda elenca, compatibili con llama.cpp, Ollama e LM Studio, accettando che sono file fatti da terzi e non da DeepSeek. La seconda è l'API del fornitore, che costa a consumo e ha un listino che si è già mosso una volta: ne parlo in prezzi delle API DeepSeek. Il ragionamento generale su hardware e convenienza sta in LLM privato: quando l'intelligenza artificiale in locale conviene davvero.
Come provare DeepSeek V4.1 Flash con un test onesto
Provare DeepSeek V4.1 Flash significa avviarlo con uno dei server indicati dalla scheda e poi misurarlo su compiti propri, non sui benchmark. I comandi sono quelli del repository.
# vLLM
pip install vllm
vllm serve "deepseek-ai/DeepSeek-V4.1-Flash-1017"
# Docker Model Runner
docker model run hf.co/deepseek-ai/DeepSeek-V4.1-Flash-1017
Il test che farei è piccolo. Si prendono dieci compiti veri dal proprio repository, si fanno eseguire allo stesso agente prima con il modello attuale e poi con DeepSeek V4.1 Flash, con temperature 1.0 e top_p 1.0 come indica la scheda, e si contano quanti compiti passano i test. Il numero che conta è quello, perché un modello che vince su DeepSWE v1.1 può perdere sul tuo codice.
Un modello AI aperto da 763 miliardi: conviene a chi costruisce prodotti
Un modello AI aperto con licenza MIT conviene a chi costruisce prodotti quando ha un compito da misurare e un motivo per tenere il modello fuori dall'API di un fornitore, per esempio il controllo dei dati. La licenza è la parte più generosa della scheda: la MIT non pone tetti di fatturato, a differenza della licenza di Muse Spark Open di Meta, che prevede un accordo separato per chi rivende il modello come servizio oltre una soglia di ricavi.
Non ho fatto girare questo modello e non lo fingo: quello che leggi qui viene dalla scheda. La mia posizione sul resto dell'ecosistema DeepSeek l'ho già scritta, quando ho trattato il suo agent harness open source: un pomeriggio di prova su un progetto che non ti serve, non una pipeline di produzione questa settimana. Vale anche qui, con un'aggiunta. Se il tuo problema è dove finiscono i dati, prima del modello si decide l'architettura, ed è il lavoro che faccio quando aiuto un'azienda a portare i propri dati dentro un sistema AI.
Domande frequenti
Un modello AI con licenza MIT si può usare in un prodotto a pagamento?
Sì, la licenza MIT permette l'uso commerciale, la modifica e la redistribuzione, a patto di mantenere l'avviso di copyright e il testo della licenza. DeepSeek dichiara la licenza MIT sia per il repository sia per i pesi del modello. Resta da controllare a parte l'informativa sui dati, se si usa l'API del fornitore invece dei pesi scaricati.
Che differenza c'è fra modello a pesi aperti e modello open source?
Un modello a pesi aperti è un modello di cui si possono scaricare i pesi e farlo girare in proprio. Un modello open source in senso stretto pubblica anche dati di addestramento e codice per rifarlo da zero, cosa che quasi nessun laboratorio fa. Per chi costruisce prodotti conta soprattutto la licenza dei pesi, perché è lei a dire cosa si può farne.
Perché l'assenza di un chat template Jinja è un problema per un modello?
Il chat template dice come trasformare una conversazione in una sequenza di token nel formato che il modello ha imparato. Molti server e strumenti locali lo leggono da un file Jinja per formattare i messaggi da soli. Se non c'è, il formato va gestito con il codice di riferimento del produttore, e un errore lì peggiora le risposte senza dare nessun errore visibile.
Usare le API di DeepSeek è la stessa cosa che far girare i pesi scaricati?
No. Con l'API si paga a consumo, il modello gira sui server del fornitore e valgono le sue condizioni sui dati. Con i pesi scaricati il costo è l'hardware e chi lo mantiene, e i dati restano sulla macchina propria. Sono due strutture di spesa e di rischio opposte, e si possono combinare nello stesso progetto.