DeepSeek V4 Pro vs V4 Flash: 53 vs 50, Prezzo 14x [2026]

Il 13 agosto 2026 DeepSeek ha acceso una miccia che covava da settimane: ha portato V4-Pro in disponibilità generale con un listino fino a 14 volte più caro del suo modello economico, mentre V4-Flash-0731, uscito appena due settimane prima, resta il piano che ha convinto sviluppatori europei a passare da GPT e Claude per i task di routine. Per chi deve scegliere quale dei due modelli integrare in produzione, la domanda non è più “DeepSeek conviene?” ma “quale DeepSeek conviene, e per cosa?”. Questo confronto mette una accanto all’altra le due varianti della famiglia V4, con specifiche tecniche, benchmark da tre fonti indipendenti, tabelle di prezzo aggiornate al 24 agosto 2026 e una guida pratica alla migrazione dai vecchi endpoint.

Cos’è DeepSeek V4 e perché il confronto Pro vs Flash conta ora

DeepSeek V4 non è un modello unico ma una famiglia con due configurazioni pensate per pubblici diversi. V4-Flash punta su velocità e costo contenuto, mentre V4-Pro punta sul ragionamento complesso e sui compiti agentivi più esigenti. Fino a metà agosto 2026 la differenza tra i due era soprattutto di prezzo. Con il rilascio di V4-Pro-0813 e il passaggio a un listino peak/off-peak entrato in vigore alle 16:00 UTC del 16 agosto 2026, la differenza è diventata anche una questione di budget aziendale, secondo quanto riportato dalla documentazione ufficiale dei prezzi API di DeepSeek.

Per le aziende italiane ed europee la posta in gioco è concreta. Un team che genera contenuti su larga scala o gestisce un chatbot di assistenza clienti valuta ogni frazione di centesimo per milione di token. Un laboratorio di ricerca o una software house che costruisce agenti di coding autonomi valuta invece il punteggio sui benchmark più della bolletta finale. DeepSeek ha reso esplicita questa biforcazione con due modelli distinti invece di un solo piano intermedio, e i numeri raccolti da Reuters, Forbes e Artificial Analysis in agosto 2026 mostrano quanto la scelta pesi sul conto finale.

Cronologia dei rilasci: da V4 Preview a V4-Pro-0813

La tempistica dei rilasci aiuta a capire perché i due modelli sembrano quasi due prodotti concorrenti tra loro più che complementari. DeepSeek ha annunciato la famiglia V4 in anteprima il 24 aprile 2026, con architettura Mixture-of-Experts e contesto esteso, secondo le note di rilascio pubblicate su DeepSeek API Docs. Il 20 luglio 2026 entrambi i modelli sono usciti dalla fase preview per la disponibilità generale, chiudendo circa tre mesi di test pubblico.

Il 24 luglio 2026 alle 15:59 UTC DeepSeek ha ritirato gli identificativi API legacy deepseek-chat e deepseek-reasoner, sostituendoli con i nomi ufficiali deepseek-v4-pro e deepseek-v4-flash, come documentato da Wavespeed. Sette giorni dopo, il 31 luglio 2026, è arrivata la vera novità dell’estate: DeepSeek-V4-Flash-0731, il rilascio di produzione del modello Flash, con pesi aperti pubblicati su Hugging Face sotto licenza MIT. Poi, il 13 agosto 2026, DeepSeek ha completato il quadro con V4-Pro-0813, il modello flagship destinato al ragionamento avanzato. Tre giorni dopo è scattato il nuovo listino a doppia fascia oraria che ha spinto i prezzi verso l’alto per entrambi i modelli, ma in misura molto diversa.

Architettura a confronto: parametri, esperti e contesto

Entrambi i modelli usano un’architettura Mixture-of-Experts, ma con proporzioni molto diverse. V4-Pro conta circa 1,6 trilioni di parametri totali con 49 miliardi attivi per ogni token elaborato. V4-Flash, inclusa la variante 0731, si ferma a circa 284 miliardi di parametri totali con 13 miliardi attivi per token. In pratica Pro attiva quasi quattro volte più parametri per ogni previsione, il che spiega sia il salto di qualità sui benchmark di ragionamento sia il costo computazionale più alto che DeepSeek scarica sul cliente tramite il prezzo per token.

Sul fronte della memoria di contesto i due modelli si equivalgono: entrambi supportano una finestra di un milione di token, sufficiente per analizzare contratti lunghi, basi di codice intere o archivi documentali di una PMI italiana in una sola chiamata API. La documentazione di migrazione indica per deepseek-v4-pro un limite massimo di output vicino ai 384.000 token con contesto a 1M, mentre per Flash lo stesso tetto non risulta pubblicato con la stessa precisione nelle fonti disponibili.

La scelta architetturale dietro un’architettura Mixture-of-Experts non è casuale. Invece di attivare tutti i parametri del modello per ogni singolo token, come farebbe un modello denso tradizionale, il sistema instrada ogni richiesta verso un piccolo sottoinsieme di “esperti” specializzati. Questo permette a DeepSeek di costruire un modello enorme sulla carta, 1,6 trilioni di parametri per V4-Pro, senza far esplodere il costo computazionale reale per singola risposta, perché solo 49 miliardi di quei parametri lavorano effettivamente su ogni token. È lo stesso principio, applicato su scala minore, che rende V4-Flash così economico: con soli 13 miliardi di parametri attivi su 284 miliardi totali, il modello resta veloce da eseguire pur mantenendo una base di conoscenza ampia da cui attingere.

Come funziona il prezzo a cache hit e cache miss

Prima di leggere le tabelle di prezzo, vale la pena capire un meccanismo che cambia parecchio il conto finale: la differenza tra cache hit e cache miss. Quando un’applicazione invia più volte lo stesso blocco di testo, per esempio un prompt di sistema fisso o un documento allegato a ogni richiesta, DeepSeek riconosce il contenuto già visto e applica una tariffa molto più bassa sulla porzione ripetuta. Per V4-Pro la differenza è enorme: $0,66 per milione di token in cache miss contro appena $0,022 in cache hit, un rapporto di 30 a 1 in fascia off-peak.

Per un’applicazione ben progettata, questo significa che il costo reale può scendere molto sotto le cifre “di listino” che compaiono nei titoli dei giornali. Un chatbot che riutilizza lo stesso prompt di sistema di 2.000 token per ogni conversazione, ad esempio, paga la tariffa piena solo la prima volta e poi beneficia della cache per tutte le richieste successive nella stessa finestra temporale. Chi struttura le chiamate API senza pensare al caching, invece, paga sempre la tariffa massima, cache miss, anche per contenuti quasi identici. Su volumi alti la differenza tra un’architettura che sfrutta la cache e una che non lo fa può valere decine di migliaia di dollari l’anno, un dettaglio che raramente compare nei confronti superficiali tra modelli.

Tabella specifiche tecniche: V4-Pro vs V4-Flash-0731

La tabella seguente riassume le specifiche verificate dei due modelli, incrociando la documentazione ufficiale DeepSeek con le analisi indipendenti pubblicate ad agosto 2026.

Specifica	DeepSeek V4-Pro-0813	DeepSeek V4-Flash-0731
Data di rilascio (GA)	13 agosto 2026	31 luglio 2026
Parametri totali	~1,6 trilioni	~284 miliardi
Parametri attivi per token	49 miliardi	13 miliardi
Architettura	Mixture-of-Experts	Mixture-of-Experts
Finestra di contesto	1.000.000 token	1.000.000 token
Output massimo indicato	~384.000 token	non specificato pubblicamente
Identificativo API	deepseek-v4-pro	deepseek-v4-flash
Licenza pesi	non chiarita nelle fonti pubbliche	MIT, open weight su Hugging Face
Artificial Analysis Intelligence Index	53	50
MMLU-Pro (variante Max)	87,5	88,1%
GPQA Diamond	90,1	91,6%
LiveCodeBench	93,5	non riportato nelle fonti consultate
Concorrenza massima dichiarata	500 richieste parallele	non specificata

Il dato che sorprende di più riguarda proprio l’Artificial Analysis Intelligence Index: nonostante l’architettura più piccola, V4-Flash-0731 segna 50 punti, appena 3 punti sotto il fratello maggiore da 1,6 trilioni di parametri, secondo l’analisi pubblicata da Artificial Analysis. Quel punteggio rappresenta un balzo di 10 punti rispetto alla precedente versione di Flash uscita ad aprile 2026, un ritmo di miglioramento che nessun altro laboratorio ha eguagliato nello stesso periodo.

Benchmark da tre fonti indipendenti: chi vince davvero

Per evitare di fidarsi di un singolo sito di classifiche, abbiamo incrociato tre fonti separate: la tabella comparativa pubblicata da LLM Podium per i punteggi di Flash, l’annuncio ufficiale di Artificial Analysis per l’indice di intelligenza generale, e una tabella comparativa multi-modello pubblicata a inizio agosto 2026 che mette V4-Pro Max accanto a Claude Opus-4.6 Max, GPT-5.4 xHigh, Gemini-3.1-Pro High e altri modelli cinesi concorrenti.

Su GPQA Diamond, il test di domande scientifiche di livello universitario, V4-Flash-0731 ottiene 91,6%, superando persino V4-Pro fermo a 90,1. Su MMLU-Pro, che misura conoscenza generale su compiti complessi, Flash segna 88,1% contro l’87,5 di Pro. L’unico ambito dove Pro riprende un vantaggio netto è LiveCodeBench, il benchmark di generazione ed esecuzione di codice, dove tocca 93,5 punti, un risultato che batte perfino Gemini-3.1-Pro High (91,7) e Claude Opus-4.6 Max (88,8) nella stessa tabella comparativa.

Modello	MMLU-Pro	GPQA Diamond	LiveCodeBench
Gemini-3.1-Pro High	91,0	94,3	91,7
Claude Opus-4.6 Max	89,1	91,3	88,8
GPT-5.4 xHigh	87,5	93,0	non riportato
DeepSeek V4-Pro Max	87,5	90,1	93,5
K2.6 Thinking	87,1	90,5	89,6
GLM-5.1 Thinking	86,0	86,2	non riportato

Il quadro che emerge è netto: nessuno dei due modelli DeepSeek domina su tutta la linea rispetto ai concorrenti occidentali, ma su coding puro V4-Pro batte modelli molto più costosi. Per un team che scrive pipeline di agenti di sviluppo autonomi, questo singolo dato pesa più di ogni altro punteggio della tabella.

Benchmark agentivi: la sorpresa di V4-Flash-0731

Oltre ai benchmark statici come MMLU-Pro e GPQA Diamond, conta sempre di più come un modello si comporta in compiti agentivi, cioè sequenze di azioni autonome dove il modello decide cosa fare passo dopo passo senza supervisione continua. Su questo fronte una guida tecnica pubblicata da CometAPI segnala che il retraining di fine luglio 2026 alla base di V4-Flash-0731 lo porta a superare V4-Pro proprio sui benchmark di coding agentivo, mantenendo comunque il prezzo della fascia Flash, molto più basso.

Questo dato aggiunge una sfumatura importante al confronto: sul benchmark generico LiveCodeBench, citato nella tabella comparativa precedente, è V4-Pro a segnare il punteggio più alto (93,5). Ma quando il compito richiede una catena di decisioni autonome, come orchestrare più strumenti, scrivere test e correggere errori senza intervento umano, la fonte CometAPI indica un vantaggio diverso, a favore di Flash. La spiegazione più plausibile è che i due benchmark misurino capacità distinte: LiveCodeBench valuta la qualità del codice generato in un singolo passaggio, mentre i test agentivi valutano la capacità di pianificare e correggersi lungo più passaggi. Per chi costruisce agenti di sviluppo software autonomi, questo significa che vale la pena testare entrambi i modelli sul proprio flusso di lavoro specifico invece di affidarsi a un solo numero di classifica.

Prezzi API: il vero spartiacque tra Pro e Flash

Qui si gioca la partita più importante per chi deve mettere il modello in produzione. Dal 16 agosto 2026 DeepSeek ha introdotto un listino a due fasce, peak e off-peak, che si applica a entrambi i modelli ma con un salto percentuale molto diverso. Secondo l’analisi pubblicata da AI Pricing Guru, i nuovi prezzi vanno dal 50% fino all’1.100% in più rispetto alle tariffe precedenti, a seconda del modello e della fascia oraria.

Piano	Input, cache miss	Input, cache hit	Output
V4-Flash, base (pre-16 agosto)	$0,14 / milione	~$0,003 / milione	$0,28 / milione
V4-Flash, peak cache miss (post-16 agosto)	$0,44 / milione	n.d.	n.d.
V4-Pro, off-peak	$0,66 / milione	$0,022 / milione	$1,98 / milione
V4-Pro, peak	$1,32 / milione	$0,044 / milione	$3,96 / milione
V4-Pro via OpenRouter (terze parti, prezzo flat)	$0,435 / milione	–	$0,87 / milione

Fare i conti è semplice quanto scomodo per chi ha budget fissi. In fascia di picco, l’output di V4-Pro costa $3,96 per milione di token contro i $0,28 di V4-Flash: un rapporto di 14 volte, esattamente il numero citato da Forbes nel titolo della sua analisi sul lancio. Anche in fascia off-peak, la più economica, l’output di Pro resta 7 volte più caro di quello di Flash. Secondo il resoconto di TechTimes, l’output di picco di Pro è salito del 355% rispetto al prezzo flat precedente di $0,87, mentre l’input di picco è aumentato del 203%.

Per un’azienda che processa, ad esempio, 500 milioni di token di output al mese, la differenza tra i due piani in fascia di picco significa passare da circa 140 dollari a quasi 1.980 dollari di spesa mensile solo per l’output. Su questi volumi, la scelta tra Pro e Flash non è più una preferenza tecnica ma una voce di bilancio che il CFO vorrà vedere giustificata.

Simulazione di costo: due scenari reali a confronto

I numeri per milione di token restano astratti finché non si applicano a un caso concreto. Ecco due scenari costruiti sulle tariffe ufficiali riportate sopra, utili come punto di partenza per un preventivo interno.

Scenario 1, startup con chatbot di supporto. Un team che gestisce 10 milioni di token di input e 5 milioni di token di output al giorno, quasi tutti in fascia off-peak, spende su V4-Flash circa $1,40 al giorno per l’input e $1,40 per l’output, per un totale mensile approssimativo di 84 dollari. Sullo stesso volume, V4-Pro costerebbe circa $6,60 al giorno di input e $9,90 di output, quasi 495 dollari al mese, senza un guadagno di qualità percepibile dagli utenti finali su conversazioni di supporto standard.

Scenario 2, software house con agenti di coding. Un team che fa girare pipeline di refactoring automatico su una base di codice ampia, con circa 50 milioni di token di output al mese concentrati nelle ore di punta, spenderebbe su V4-Pro in fascia peak circa 198 dollari al mese solo di output, contro i 14 dollari di V4-Flash sullo stesso volume. Qui però il divario di prezzo va confrontato con il vantaggio di 93,5 punti su LiveCodeBench: se il modello più economico produce codice che richiede più cicli di correzione manuale, il costo reale, incluso il tempo degli sviluppatori, può ribaltare il calcolo a favore di Pro nonostante la tariffa più alta.

La lezione pratica che emerge da entrambi gli scenari è la stessa: il prezzo per token racconta solo metà della storia. Per compiti a basso rischio e alto volume, la differenza di 7-14 volte tra Flash e Pro pesa quasi sempre più di un piccolo guadagno sui benchmark. Per compiti dove un errore costa caro, in tempo di sviluppo o in reputazione, il calcolo va rifatto includendo il costo del lavoro umano necessario a correggere gli output del modello più economico.

DeepSeek e la corsa al ribasso dei prezzi dell’IA

Per capire perché DeepSeek ha deciso di alzare i prezzi proprio ora, serve guardare al contesto competitivo più ampio. All’inizio di agosto 2026, un’analisi di mercato ha evidenziato come il nuovo modello Flash di DeepSeek si avvicini alle prestazioni di Claude Opus 4.8 di Anthropic sui test di coding complesso e sui compiti autonomi, ma con un costo di output di circa $0,28 per milione di token contro i $25 richiesti per lo stesso volume su Opus 4.8, uno sconto di circa il 99%. Quel divario di prezzo ha spinto l’intero settore verso quella che gli analisti chiamano una corsa al ribasso: i laboratori occidentali sono costretti a giustificare tariffe molto più alte con margini di qualità sempre più sottili.

In questo scenario, l’aumento di prezzo di V4-Pro assume un significato diverso da un semplice ritocco di listino. DeepSeek sta segmentando il mercato: tiene Flash aggressivamente economico per continuare a vincere la guerra dei prezzi sui task di massa, mentre prova a monetizzare V4-Pro come prodotto premium per chi cerca il massimo delle prestazioni e non guarda solo al centesimo per token. È la stessa logica che un fornitore cloud applica quando offre un piano gratuito generoso per acquisire utenti e un piano enterprise costoso per chi ha esigenze avanzate. Per un acquirente europeo, il messaggio pratico è che il prezzo di listino di un singolo modello DeepSeek dice poco: bisogna guardare alla coppia Pro/Flash come a un pacchetto, scegliendo quale dei due si avvicina di più al proprio profilo di utilizzo reale.

Codice di esempio: come richiamare i due modelli via API

Dopo il ritiro degli alias legacy del 24 luglio 2026, ogni chiamata deve usare i nuovi identificativi ufficiali. Ecco un esempio minimo in Python con la libreria OpenAI-compatibile che DeepSeek supporta nativamente.

from openai import OpenAI

client = OpenAI(
    api_key="LA_TUA_CHIAVE_API",
    base_url="https://api.deepseek.com"
)

# Per compiti di ragionamento complesso e coding avanzato
risposta_pro = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[{"role": "user", "content": "Ottimizza questa query SQL per un database con 40 milioni di righe"}]
)

# Per chatbot, sintesi e task ad alto volume
risposta_flash = client.chat.completions.create(
    model="deepseek-v4-flash",
    messages=[{"role": "user", "content": "Riassumi questo contratto di locazione in 5 punti"}]
)

print(risposta_pro.choices[0].message.content)
print(risposta_flash.choices[0].message.content)

Nota per chi arriva da vecchi progetti: se il codice richiama ancora deepseek-chat o deepseek-reasoner, le chiamate falliscono dal 24 luglio 2026. Non esiste un periodo di tolleranza aggiuntivo, secondo le note di migrazione pubblicate da Wavespeed.

Esempi reali di adozione e integrazione

Al di là dei benchmark, contano i canali attraverso cui i due modelli arrivano davvero agli sviluppatori. Un modello con punteggi eccellenti ma poche integrazioni pratiche vale meno, sul campo, di un modello leggermente più debole ma già disponibile ovunque serve. Ecco cinque punti concreti verificati alla data del 24 agosto 2026.

• Distribuzione su OpenRouter. V4-Pro è disponibile su piattaforme terze come OpenRouter con un prezzo flat di $0,435 per milione di token in input e $0,87 in output, un’alternativa al listino peak/off-peak diretto di DeepSeek.
• Pesi aperti su Hugging Face. V4-Flash-0731 è pubblicato con licenza MIT sulla piattaforma Hugging Face, rendendolo scaricabile e ospitabile in locale da chi vuole evitare di inviare dati a server esterni, un punto rilevante per aziende europee attente alla conformità GDPR.
• Migrazione forzata dell’intera base utenti. Il ritiro degli alias deepseek-chat e deepseek-reasoner il 24 luglio 2026 ha obbligato ogni integrazione esistente, dai chatbot ai plugin IDE, a passare esplicitamente a uno dei due nuovi modelli entro la scadenza.
• Tracciamento su Artificial Analysis. Il fatto che un tracker indipendente come Artificial Analysis pubblichi analisi dedicate a ogni singola versione (V4-Flash-0731, V4-Pro-0813) segnala un volume di query e interesse sufficiente da giustificare un monitoraggio continuo dei due modelli separatamente.
• Presenza su classifiche di terze parti. Sia LLM Podium sia altri aggregatori di benchmark hanno aperto schede dedicate a V4-Flash entro pochi giorni dal rilascio del 31 luglio 2026, un segnale di domanda immediata da parte di chi valuta modelli per la produzione.

Cinque casi d’uso: quando scegliere Pro e quando scegliere Flash

Non esiste una risposta unica. La scelta dipende dal rapporto tra volume di richieste, complessità del compito e sensibilità al costo. Ecco cinque scenari pratici.

• Chatbot di assistenza clienti ad alto volume. Con migliaia di conversazioni al giorno, V4-Flash è la scelta quasi obbligata: a $0,28 per milione di token in output, un team può gestire volumi enormi senza far esplodere il budget cloud mensile.
• Agenti di coding autonomi. Se il compito principale è generare ed eseguire codice complesso, V4-Pro vince grazie al punteggio di 93,5 su LiveCodeBench, superiore a modelli occidentali molto più cari come Claude Opus-4.6 Max.
• Sintesi documentale su larga scala. Uffici legali o studi di consulenza che devono riassumere migliaia di contratti al mese traggono più valore da Flash: il contesto da 1M token resta identico a Pro, ma il costo per pagina processata scende di circa 7 volte in fascia off-peak.
• Ricerca scientifica e due diligence tecnica. Per compiti dove serve il massimo rigore, come l’analisi di paper accademici complessi, il vantaggio di Pro su GPQA Diamond generico si assottiglia (90,1 contro 91,6% di Flash), quindi in questo caso specifico Flash può bastare e costare meno.
• Deploy self-hosted per motivi di sovranità dei dati. Aziende europee che non possono inviare dati sensibili a un’API esterna traggono vantaggio dalla licenza MIT di V4-Flash-0731, scaricabile e ospitabile su infrastruttura propria, un’opzione che V4-Pro al momento non offre con la stessa chiarezza sui pesi.

Guida alla migrazione: passare dai vecchi endpoint a V4-Pro o V4-Flash

Per chi ha ancora codice legacy o sta pianificando l’adozione da zero, ecco i passaggi da seguire per una transizione senza interruzioni di servizio.

1. Verificare nel codice sorgente ogni occorrenza di deepseek-chat o deepseek-reasoner: entrambi gli alias sono stati disattivati alle 15:59 UTC del 24 luglio 2026.
2. Decidere il modello di destinazione in base al task prevalente: deepseek-v4-pro per ragionamento e coding avanzato, deepseek-v4-flash per volumi alti e costo contenuto.
3. Aggiornare la variabile model nelle chiamate API esistenti con il nuovo identificativo scelto.
4. Ricalcolare il budget mensile usando le tariffe peak/off-peak in vigore dal 16 agosto 2026, non i vecchi prezzi flat.
5. Se il volume di richieste è prevedibile, programmare i job non urgenti nella fascia off-peak per ridurre i costi fino al 50% su V4-Pro.
6. Testare la finestra di contesto a 1M token con documenti reali prima del rilascio in produzione, verificando i tempi di risposta con il proprio carico tipico.
7. Per chi valuta il self-hosting, scaricare i pesi MIT di V4-Flash-0731 da Hugging Face e verificare i requisiti hardware minimi prima di impegnarsi.
8. Attivare il monitoraggio dei costi per token fin dal primo giorno, dato lo storico di DeepSeek di modificare i prezzi con breve preavviso.
9. Documentare internamente quale team usa quale modello, per evitare che task a basso valore finiscano per errore su V4-Pro e gonfino la bolletta.
10. Rivedere il contratto o l’accordo di utilizzo dati se si opera in settori regolamentati, dato che le fonti pubbliche non chiariscono ancora la posizione di DeepSeek su conformità specifiche UE.

Pro e contro di DeepSeek V4-Pro

V4-Pro convince chi cerca il massimo risultato su coding e ragionamento strutturato, ma il conto arriva rapido su volumi alti.

• Pro: punteggio di 93,5 su LiveCodeBench, superiore a Gemini-3.1-Pro High e Claude Opus-4.6 Max nella stessa tabella comparativa.
• Pro: 1,6 trilioni di parametri totali offrono margine su compiti di ragionamento multi-step complesso.
• Pro: contesto da 1 milione di token, alla pari del fratello Flash, per documenti molto lunghi.
• Contro: in fascia di picco, l’output costa 14 volte più di V4-Flash, un salto che pochi budget assorbono senza pianificazione.
• Contro: l’aumento di prezzo di agosto 2026 (fino a +1.100% secondo Reuters) ha colto di sorpresa diversi team che avevano progettato pipeline sui prezzi precedenti.
• Contro: la licenza dei pesi non risulta chiaramente open, a differenza di Flash-0731, il che riduce le opzioni di self-hosting.

Pro e contro di DeepSeek V4-Flash-0731

Flash resta il modello che ha reso DeepSeek famosa fuori dalla Cina, e la versione 0731 conferma perché.

• Pro: prezzo di $0,28 per milione di token in output, tra i più bassi del mercato per un modello con punteggio 50 sull’Artificial Analysis Intelligence Index.
• Pro: punteggio GPQA Diamond di 91,6%, più alto del fratello maggiore V4-Pro (90,1).
• Pro: pesi open source con licenza MIT su Hugging Face, ideale per chi vuole eseguire il modello su infrastruttura propria.
• Pro: balzo di 10 punti sull’Intelligence Index rispetto alla versione precedente di aprile 2026, il ritmo di miglioramento più rapido osservato tra i modelli Flash confrontati nelle fonti consultate.
• Contro: anche i prezzi di Flash sono saliti dopo il 16 agosto 2026, con l’input di picco passato da $0,14 a $0,44 per milione di token, un aumento del 214%.
• Contro: su LiveCodeBench specifico, le fonti consultate non riportano un punteggio comparabile a quello di Pro, rendendo il confronto diretto sul coding puro incompleto.

Cosa non sappiamo ancora: i punti rimasti senza risposta

Un confronto onesto deve ammettere anche i propri limiti. Nella documentazione ufficiale e nelle analisi indipendenti raccolte per questo articolo restano almeno tre buchi informativi che vale la pena segnalare invece di riempire con stime approssimative.

Il primo riguarda la velocità pura. Nessuna fonte consultata pubblica un dato di token al secondo per V4-Pro o per V4-Flash-0731. Il nome “Flash” lascia intuire una risposta più rapida, coerente con il numero più basso di parametri attivi per token, ma senza un benchmark di throughput indipendente resta un’ipotesi ragionevole, non un fatto verificato. Il secondo riguarda la licenza dei pesi di V4-Pro: mentre Flash-0731 è chiaramente open weight con licenza MIT su Hugging Face, per Pro le fonti pubbliche si limitano a descriverlo come “flagship” disponibile via API, senza specificare se e quando i pesi verranno rilasciati pubblicamente. Il terzo riguarda la posizione normativa europea: nessuna fonte tra quelle raccolte affronta in modo specifico la conformità di DeepSeek al GDPR o all’AI Act dell’Unione Europea, un’area che i responsabili acquisti di aziende regolamentate dovrebbero verificare direttamente con il proprio ufficio legale prima di firmare un contratto enterprise.

Questi vuoti informativi non tolgono valore ai dati di prezzo e benchmark raccolti, che restano solidi e verificati da più fonti indipendenti. Segnalano però che chi valuta un’adozione su larga scala dovrebbe integrare questo confronto con un proprio test tecnico interno, soprattutto sui tempi di risposta reali e sulle clausole contrattuali specifiche per il proprio settore.

Verdetto finale: quale modello DeepSeek scegliere nel 2026

I numeri raccontano una storia più sfumata di quanto suggerisca il nome “Pro” contro “Flash”. Sull’Artificial Analysis Intelligence Index, Pro vince per soli 3 punti (53 contro 50). Su due benchmark specifici, GPQA Diamond e MMLU-Pro, Flash batte addirittura Pro. L’unico ambito dove Pro dimostra un vantaggio netto e misurabile è LiveCodeBench, con 93,5 punti contro l’assenza di un dato comparabile per Flash nelle fonti disponibili.

Sul prezzo, invece, il divario è enorme e cresce ogni volta che DeepSeek aggiorna il listino. In fascia di picco, un milione di token di output costa $3,96 su Pro contro $0,28 su Flash, un rapporto di 14 volte che nessun guadagno di qualità sui benchmark generali giustifica per la maggior parte dei task quotidiani.

Il consiglio pratico per team italiani ed europei: partire sempre da V4-Flash-0731 come default, monitorare i costi in produzione per almeno due settimane, e riservare V4-Pro esclusivamente ai flussi di lavoro dove il coding autonomo o il ragionamento multi-step giustificano davvero la spesa aggiuntiva. Per la maggior parte dei casi d’uso aziendali, dai chatbot alla sintesi documentale, Flash offre oggi il miglior rapporto tra punteggio sui benchmark e costo per token sul mercato DeepSeek.

Chi arriva da un altro fornitore, penso a team che oggi pagano tariffe premium su GPT o Claude per task che non richiedono davvero un ragionamento di frontiera, dovrebbe trattare questo confronto come un punto di partenza, non come una conclusione definitiva. I benchmark cambiano ogni poche settimane, i prezzi altrettanto, e l’unico modo per sapere con certezza quale modello si adatta al proprio caso è testare entrambi sul proprio carico di lavoro reale, con dati propri, prima di firmare un impegno di spesa su larga scala.

Domande frequenti su DeepSeek V4-Pro e V4-Flash

DeepSeek V4-Pro è più veloce di V4-Flash?

Le fonti pubbliche consultate non riportano cifre precise di token al secondo per nessuno dei due modelli. Il nome “Flash” indica un orientamento alla velocità e al costo ridotto grazie ai 13 miliardi di parametri attivi contro i 49 miliardi di Pro, ma un dato di throughput verificato non è al momento disponibile.

Posso ancora usare gli endpoint deepseek-chat e deepseek-reasoner?

No. Entrambi gli alias sono stati disattivati alle 15:59 UTC del 24 luglio 2026 e reindirizzati ai nuovi nomi ufficiali deepseek-v4-pro e deepseek-v4-flash. Il codice che richiama ancora i vecchi nomi restituisce errore.

Quanto costa in più V4-Pro rispetto a V4-Flash?

In fascia di picco l’output di V4-Pro costa $3,96 per milione di token contro $0,28 di V4-Flash, un rapporto di circa 14 volte secondo l’analisi di Forbes sul lancio di agosto 2026. In fascia off-peak il divario scende ma resta comunque di circa 7 volte.

I pesi di DeepSeek V4-Pro sono open source?

Le fonti pubbliche consultate non confermano in modo esplicito lo stato dei pesi di V4-Pro. V4-Flash-0731, invece, è pubblicato con licenza MIT su Hugging Face ed è scaricabile liberamente.

Qual è la finestra di contesto massima dei due modelli?

Sia V4-Pro sia V4-Flash-0731 supportano una finestra di contesto di 1 milione di token, sufficiente per elaborare documenti molto lunghi in un’unica chiamata API.

DeepSeek V4-Pro batte GPT-5.4 o Gemini 3.1 sui benchmark?

Dipende dal test. Su LiveCodeBench, V4-Pro Max segna 93,5 punti, superando sia Gemini-3.1-Pro High (91,7) sia Claude Opus-4.6 Max (88,8) nella stessa tabella comparativa. Su GPQA Diamond, invece, sia GPT-5.4 xHigh (93,0) sia Gemini-3.1-Pro High (94,3) restano davanti a V4-Pro (90,1).

Conviene passare da V4-Flash a V4-Pro per un chatbot aziendale?

Nella maggior parte dei casi no. Un chatbot di assistenza clienti gestisce compiti ripetitivi dove il divario di qualità tra i due modelli è minimo, mentre il divario di prezzo è enorme. V4-Pro ha senso solo se il chatbot deve eseguire ragionamento complesso o generare codice, non per conversazioni standard.

DeepSeek aggiornerà ancora i prezzi nei prossimi mesi?

Le fonti consultate non riportano annunci ufficiali su ulteriori modifiche dopo l’aggiornamento del 16 agosto 2026. Dato lo storico recente di DeepSeek, con almeno due revisioni di listino nel giro di quattro mesi, i team dovrebbero comunque monitorare la pagina ufficiale dei prezzi con regolarità.

Come funziona lo sconto sulla cache in DeepSeek V4?

Quando una richiesta riutilizza testo già inviato in precedenza, DeepSeek applica una tariffa ridotta chiamata cache hit. Su V4-Pro la differenza arriva a un rapporto di 30 a 1 rispetto al prezzo pieno di cache miss in fascia off-peak, mentre su V4-Flash lo sconto è ancora più marcato in termini percentuali. Strutturare le chiamate API per massimizzare i cache hit resta uno dei modi più efficaci per ridurre la spesa reale su entrambi i modelli.

DeepSeek V4-Flash è adatto a un’azienda regolamentata in Italia?

Le fonti pubbliche consultate non affrontano in modo specifico la conformità di DeepSeek al GDPR o all’AI Act europeo. La licenza MIT open weight di V4-Flash-0731 permette però di ospitare il modello su infrastruttura propria, un’opzione che molte aziende regolamentate preferiscono proprio per mantenere il controllo diretto sui dati trattati. Prima di un’adozione su larga scala in settori come sanità o finanza, resta comunque consigliabile una verifica legale dedicata.

Related Coverage

• DeepSeek V4 vs Mistral Large 3: 0,44$ vs 2$ a Milione
• DeepSeek V4-Pro vs Claude Opus 5: 87,9 vs 85,0
• Grok 4.6 vs GPT-5.6: 6$ contro 12$ a Milione di Token
• ChatGPT vs Gemini: $5 contro $2 a Milione Token
• Claude Opus 5 vs GPT-5.6: Vince 9 Benchmark su 12

Per altri confronti tra modelli linguistici e le ultime notizie sull’intelligenza artificiale, consulta la sezione Intelligenza Artificiale di shattered.io.