DeepSeek V4.1 Flash 1017: stesso prezzo, output più brevi. Conviene passare?

Sabato 17 ottobre 2026 DeepSeek ha sostituito il modello dietro il nome API deepseek-flash con un nuovo checkpoint, DeepSeek-V4.1-Flash-1017. Il prezzo non è cambiato, la finestra di contesto non è cambiata e il metodo di chiamata non è cambiato. Ciò che è cambiato è il modello: DeepSeek riporta guadagni a due cifre nei benchmark su terminale e sulla costruzione di programmi, e afferma che il nuovo checkpoint completa le attività più in fretta con output più brevi.

In breve: se usi agenti di programmazione o flussi di lavoro ricchi di strumenti sul V4.1 Flash di settembre, passa al nuovo modello. Paghi lo stesso per token e, secondo il grafico dei costi pubblicato da DeepSeek, spendi molto meno per attività completata. Se il tuo carico di lavoro è basato sulla conoscenza, con domande e risposte, il caso è più debole e i modelli di frontiera sono ancora in vantaggio.

Su AIHubMix il nuovo checkpoint ha un proprio ID, deepseek-v4.1-flash-1017, quindi nulla cambia automaticamente finché non modifichi il nome del modello.

Cosa è cambiato e cosa è rimasto uguale

La nota di rilascio di DeepSeek definisce 1017 "un miglioramento Pareto in prestazioni e costi", mentre la scheda su Hugging Face lo descrive come "un aggiornamento minore". Entrambe le affermazioni sono corrette: l'architettura e la superficie API non sono state toccate, mentre il post-training è nuovo (DeepSeek parla di "apprendimento per rinforzo con auto-feedback per migliorare lo sviluppo end-to-end dei progetti").

I vecchi nomi deepseek-v4-flash e deepseek-v4-flash-vision-exp funzionano ancora sull'API di DeepSeek, e ora entrambi usano 1017 a prezzi Flash. DeepSeek non offre alcun modo per fissare il checkpoint di settembre, quindi chi chiama deepseek-flash direttamente è già stato spostato.

Dove si sono visti i guadagni

Tutti i dati seguenti provengono dalla model card e dal changelog di DeepSeek; nessuno li ha ancora riprodotti in modo indipendente. The Decoder e Kingy.ai hanno compilato la stessa tabella e segnalano la stessa avvertenza.

Terminal-Bench 4.0 è stato eseguito nell'harness di Claude Code; DeepSWE in mini-SWE-v2.

Il quadro è chiaro: i salti più grandi si registrano nelle sessioni lunghe su terminale e nella costruzione di un programma da zero, il che corrisponde a ciò per cui DeepSeek dice di averlo addestrato. La correzione di bug a livello di repository (DeepSWE, NL2Repo) e la visione si sono mosse di due-tre punti.

Gli output più brevi sono il vero miglioramento

Il checkpoint di settembre era costoso da eseguire per un modello economico perché parlava molto. Quando Artificial Analysis ha eseguito su di esso il suo Intelligence Index con sforzo max, ha generato circa 250M di token di output contro una mediana di 130M, cioè il 62% in più rispetto a V4 Pro 0813 di DeepSeek.

1017 punta esattamente a questo. Il grafico DeepSWE di DeepSeek (costo per attività sull'asse x, come letto da The Decoder) attribuisce al modello di settembre il 74,2% a circa $0,50 per attività, a 1017 con l'impostazione massima il 77,0% a poco meno di $0,20, e a 1017 con l'impostazione minima oltre il 72% a circa $0,10. Poiché il prezzo per token è identico, quasi tutto il risparmio deriva dal fatto che il modello usa meno token e completa l'attività in meno turni.

Due cautele. DeepSeek non ha detto di quanto siano più brevi gli output, e questi costi per attività sono letti da un grafico del fornitore, non misurati da una terza parte. Testa il tuo carico di lavoro prima di pianificare attorno a un risparmio del 60%.

Quanto si avvicina al livello superiore

All'interno della linea di DeepSeek, il livello superiore è V4 Pro 0813, e 1017 lo ha già superato in ogni benchmark agentico che DeepSeek pubblica per entrambi (Terminal-Bench 4.0: 42,3 contro 12,4; DeepSWE: 77,0 contro 62,7). A questo confronto sarà dedicato un articolo a parte in questa serie.

Rispetto ai modelli di frontiera il quadro è misto. La tabella di DeepSeek batte Claude Opus 5 su DeepSWE, Automation-Bench, Agents' Last Exam e Apex, ma Opus 5 è ancora in testa su Terminal-Bench 4.0 (51,8), ProgramBench (37,0), NL2Repo (75,3) e HLE (56,3). DeepSeek ha anche confrontato con modelli più vecchi: Opus 5.5, Sonnet 5.5 e la generazione GPT-6 non compaiono nella sua tabella, mentre Google riporta separatamente Opus 5.5 a 66,4 su Terminal-Bench 4.0.

Prezzo e costo reale

Prezzi di picco per 1M di token, cache miss. Le ore di picco sono 01:00–04:00 e 06:00–10:00 UTC nei giorni feriali; in tutte le altre ore, nei fine settimana e nei giorni festivi cinesi la tariffa è fuori picco, a metà prezzo. I cache hit di Flash costano $0,006 su DeepSeek e $0,0062 su AIHubMix in picco. AIHubMix sta attualmente applicando uno sconto del 30% a tempo limitato su 1017; i valori qui riportati usano i prezzi di listino.

Una sessione di agente, calcolata. Nessun test pubblicato fornisce conteggi di token per attività per 1017, quindi questo esempio usa ipotesi dichiarate: una sessione di correzione di bug di 40 chiamate al modello, 1,2M di token di input in totale con il 90% servito dalla cache, e 60K token di output inclusi quelli di ragionamento. Con i prezzi di listino di AIHubMix:

Calcolo per 1017 in picco: 0,12M × $0,3098 + 1,08M × $0,0062 + 0,06M × $1,2392 = $0,118.

Gli stessi conteggi di token costano lo stesso sul modello di settembre, perché il prezzo è identico. La differenza emerge dai conteggi di token stessi: se 1017 richiede meno turni e risposte più brevi per la stessa correzione, la fattura si riduce di conseguenza. Pianificare il lavoro batch fuori dalle ore di picco lo dimezza ulteriormente.

Lo sforzo è l'altra leva. Il paper di DeepSeek su V4.1 Flash associa i livelli low, high e max dell'API a valori interni di sforzo di 50, 75 e 100, e riporta che l'ultimo passo verso max "allunga le traiettorie degli agenti di 1,6–1,8× per miglioramenti solo marginali". Avvia gli agenti con high, che è il valore predefinito, e riserva max alle attività più difficili.

Dove non è la scelta migliore

• Domande ad alta intensità di conoscenza. HLE senza strumenti ottiene 42,6, nettamente dietro Opus 5 (56,3) e sotto Claude Haiku 5.5 (45,9, dato di Anthropic). La conoscenza pura resta il punto debole della linea Flash.
• Sessioni lunghe e difficili in shell. Terminal-Bench 4.0 a 42,3 è un salto notevole, ma Sonnet 5.5 (70,6) e Opus 5.5 (66,4) sono su un altro livello in quel benchmark.
• Carichi di lavoro che richiedono un modello congelato. Sull'API di DeepSeek, deepseek-flash è un alias mobile e il checkpoint di settembre non può essere fissato. Se ti servono comportamenti riproducibili, chiama un ID modello datato.
• Traffico che cade tutto nelle ore di picco. La tariffa fuori picco è la metà di quella di picco; un carico di lavoro concentrato nella finestra feriale 01:00–10:00 UTC paga la tariffa piena.

Chi dovrebbe passare, chi dovrebbe aspettare

• Passa subito: agenti di programmazione, automazione del terminale e pipeline con chiamate a strumenti sul Flash di settembre. Stesso prezzo, punteggi migliori e meno token per attività secondo la misura di DeepSeek.
• Passa dopo un test di regressione: prompt di produzione con formati di output rigidi o suite di valutazione. Output più brevi possono rompere i parser che si aspettavano la vecchia verbosità.
• Resta dove sei o guarda altrove: domande e risposte ad alta intensità di conoscenza e debug difficili che già richiedono un modello di frontiera. 1017 non cambia questo quadro.

Provalo su AIHubMix

AIHubMix serve 1017 su Chat Completions, Responses API e Anthropic Messages. Crea una chiave e segui la guida rapida, poi chiamalo con l'SDK openai:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AIHUBMIX_API_KEY"],
    base_url="https://aihubmix.com/v1",
)

resp = client.chat.completions.create(
    model="deepseek-v4.1-flash-1017",
    messages=[{"role": "user", "content": "Write a Python function that merges overlapping intervals."}],
    reasoning_effort="high",
    max_tokens=32000,
)
print(resp.choices[0].message.content)

In un test del 19 ottobre, AIHubMix ha accettato low, high e max per reasoning_effort, e il campo model di ogni risposta riportava deepseek-v4-1-flash-261017, il che permette di confermare che ha risposto il checkpoint 1017. Il thinking è attivo per impostazione predefinita e i token di ragionamento contano su max_tokens, quindi impostalo con un valore generoso; la model card consiglia almeno 256K per le esecuzioni lunghe degli agenti. Per confrontare entrambi i checkpoint affiancati, apri la pagina di confronto di AIHubMix.

Domande frequenti

DeepSeek V4.1 Flash 1017 è un nuovo modello o un aggiornamento?
È un checkpoint aggiornato di V4.1 Flash con la stessa architettura, la stessa finestra di contesto e la stessa superficie API. DeepSeek lo definisce un aggiornamento minore; i guadagni nei benchmark derivano dal nuovo post-training.

Il prezzo è cambiato con 1017?
No. DeepSeek ha mantenuto il prezzo di Flash a $0,30 di input e $1,20 di output per 1M di token in picco, con la metà del prezzo fuori picco. AIHubMix lo elenca a $0,3098 e $1,2392 in picco, con uno sconto del 30% a tempo limitato in corso.

Quale ID modello devo usare su AIHubMix?
Usa deepseek-v4.1-flash-1017. Il nome deepseek-flash appartiene all'API di DeepSeek, dove ora punta a 1017.

Posso continuare a usare il checkpoint di settembre sull'API di DeepSeek?
No. DeepSeek ha spostato deepseek-flash e i vecchi nomi Flash su 1017 e non offre un nome fissato per la versione di settembre.

Di quanto sono più brevi gli output?
DeepSeek non ha pubblicato un numero. Il suo grafico DeepSWE suggerisce che il costo per attività sia sceso da circa $0,50 a meno di $0,20 allo stesso prezzo per token, il che indica esecuzioni molto più brevi, ma si tratta di un dato del fornitore.

Quale sforzo di ragionamento devo usare?
Inizia con high, il valore predefinito. Usa low per chiamate semplici e sensibili alla latenza, e max solo per le attività più difficili, perché il paper stesso di DeepSeek dice che max allunga le esecuzioni degli agenti di 1,6–1,8 volte per piccoli guadagni.

1017 è migliore di Claude Opus 5?
Su alcuni benchmark agentici DeepSeek lo riporta in vantaggio, come DeepSWE e Automation-Bench. Opus 5 è ancora in testa su Terminal-Bench 4.0, ProgramBench, NL2Repo e HLE, e i modelli di frontiera più recenti non facevano parte del confronto di DeepSeek.

Continua a leggere: la serie DeepSeek V4.1 Flash 1017

• Devi spostare un'integrazione esistente? La guida alla migrazione copre l'errore 400 su reasoning_content, il cambio silenzioso dell'alias, la fatturazione nelle ore di picco e la configurazione degli strumenti di programmazione: Migrare a DeepSeek V4.1 Flash 1017: l'errore 400 di reasoning_content, il cambio silenzioso dell'alias e la fatturazione nelle ore di picco
• Ti stai chiedendo come si confronta con il modello Anthropic più economico per il lavoro degli agenti? Il confronto diretto mette entrambi alla prova su un'attività di coding da terminale: DeepSeek V4.1 Flash 1017 vs Claude Haiku 5.5: quale modello economico scegliere per gli agenti di coding da terminale?
• Stai ancora pagando per V4 Pro? Questo articolo verifica se Flash l'ha reso superfluo: DeepSeek V4.1 Flash 1017 vs V4 Pro: Flash ora basta?

Fonti

• Nota di rilascio di DeepSeek-V4.1-Flash-1017 (DeepSeek)
• Scheda del modello DeepSeek-V4.1-Flash-1017 (Hugging Face)
• DeepSeek V4.1 Flash 1017 su AIHubMix (AIHubMix)
• Deepseek V4.1 Flash 1017 supera i concorrenti più grandi nei compiti agentici (The Decoder)
• DeepSeek V4.1 Flash 1017 testato: specifiche, benchmark e prezzo (Kingy.ai)