Due modelli, due continenti, due filosofie di prezzo. Il 3 ottobre 2026 le aziende europee che devono scegliere un modello linguistico di fascia alta si trovano davanti a un bivio concreto: puntare su Mistral Medium 3.5, il modello denso da 128 miliardi di parametri sviluppato a Parigi, oppure su DeepSeek V4 Pro, il modello a mescolanza di esperti da 1,6 trilioni di parametri arrivato dalla Cina. Non è una scelta astratta. Tocca budget, conformità GDPR e capacità reale di automatizzare workflow software. Questo confronto usa solo dati pubblicati da Mistral AI, dalla documentazione DeepSeek, dal leaderboard indipendente BenchLM e da Vals AI, con fonti citate riga per riga.

Il momento in cui arriva questo confronto non è casuale. Entrambi i modelli sono stati rilasciati o aggiornati nella prima metà del 2026, in un periodo in cui il ritmo di uscita di nuovi modelli linguistici ha raggiunto livelli che un anno prima sarebbero sembrati fuori scala. Scegliere oggi un modello di fascia alta significa quindi accettare che la classifica potrebbe cambiare entro pochi mesi, ma anche che i criteri di valutazione, prezzo, licenza, contesto e sovranità dei dati, restano gli stessi indipendentemente da quale modello guidi la classifica in un dato momento.

Chi ha costruito Mistral Medium 3.5 e DeepSeek V4 Pro

Mistral AI è un’azienda francese fondata nel 2023 e oggi considerata il principale laboratorio europeo di modelli linguistici di frontiera. Mistral Medium 3.5 è descritto dall’azienda stessa come il “primo modello flagship fuso” del laboratorio, un’etichetta che indica la fusione di capacità di chat, ragionamento e scrittura di codice in un unico set di pesi, come riportato nell’annuncio ufficiale di Mistral AI.

DeepSeek, con sede a Hangzhou, in Cina, ha costruito la sua reputazione sui modelli a basso costo e alta efficienza, prima con R1 e V3.2, poi con la famiglia V4. DeepSeek V4 Pro è la versione più potente della nuova generazione, pensata per compiti di ragionamento complesso e per flussi di lavoro agentici su larga scala. Il confronto tra i due approcci riprende un tema già affrontato sul nostro sito nel pezzo su Mistral contro Llama 3.3, ma qui la posta in gioco cambia: non si parla più di un modello europeo contro uno open source americano, ma di due filosofie di accesso ai dati completamente diverse.

La differenza di scala salta subito all’occhio. Mistral Medium 3.5 è un modello denso, cioè attiva tutti i suoi 128 miliardi di parametri a ogni richiesta. DeepSeek V4 Pro è invece un modello a mescolanza di esperti (MoE): su un totale dichiarato di 1,6 trilioni di parametri, ne attiva solo circa 49 miliardi per ogni token elaborato, secondo la documentazione tecnica pubblicata su Hugging Face. Questo spiega perché DeepSeek riesca a offrire prezzi più bassi pur dichiarando una capacità teorica enormemente superiore.

Date di rilascio e tempistiche: chi è arrivato prima

I tempi di uscita raccontano due strategie opposte. DeepSeek ha mosso il primo passo: V4 Pro è apparso in anteprima il 24 aprile 2026, cinque giorni prima della registrazione di Mistral Medium 3.5 nei tracker di settore, datata 29 aprile 2026. Mistral ha però scelto un lancio più lento e controllato, con l’annuncio pubblico ufficiale arrivato solo il 22 maggio 2026, accompagnato dal prodotto Vibe per agenti di sviluppo da remoto.

DeepSeek, nel frattempo, ha continuato a iterare. Il 23 maggio 2026 ha reso permanente uno sconto del 75% sui prezzi API inizialmente proposto come offerta temporanea. Poi, il 12-13 agosto 2026, ha spinto in produzione generale la build “0813”, quella oggi considerata la versione stabile di riferimento per V4 Pro, secondo l’analisi pubblicata da Kie.ai il 22 settembre 2026. In pratica, mentre Mistral ha presentato Medium 3.5 come prodotto finito fin dal primo giorno, DeepSeek ha trattato V4 Pro come un rilascio in evoluzione continua, con tre tappe distinte in meno di quattro mesi.

Il contesto di mercato: una release ogni due giorni

Per capire perché un confronto come questo abbia senso solo se ancorato a date precise, aiuta guardare al ritmo generale del settore. Il leaderboard BenchLM dichiara di monitorare 783 modelli in totale, di cui 74 supportati con test diretti e 138 stimati tramite metodologie indirette, incrociando 645 benchmark differenti con dati su prezzi e tempi di risposta. Nei dodici mesi terminati il 1° ottobre 2026, la piattaforma ha registrato 228 nuove uscite di modelli, una media di una release rilevante ogni due giorni circa. Solo nel mese di ottobre 2026, con appena due giorni trascorsi al momento della stesura di questo articolo, BenchLM aveva già tracciato 27 nuovi rilasci.

Questo ritmo spiega perché Mistral Medium 3.5 e DeepSeek V4 Pro, pur essendo entrambi arrivati nella primavera del 2026, competano oggi non più tra loro in modo isolato, ma contro un’onda continua di nuove famiglie di modelli. Tra le uscite più recenti segnalate dai tracker di settore compaiono anche Mistral Medium 3.5 128B sulla classifica europea e nuove build concorrenti come GLM 5.3 Prime e Qwen3.8 Max Prime, entrambe datate fine settembre 2026. Il dato operativo per chi deve scegliere oggi un modello non cambia: bisogna valutare le caratteristiche disponibili ora, sapendo che la finestra di validità di qualsiasi classifica resta breve.

Un altro segnale del momento riguarda la scelta, condivisa da entrambi i laboratori, di rilasciare pesi scaricabili invece di chiudere il modello dietro un’unica API proprietaria. Anche altri attori hanno seguito la stessa direzione nelle settimane recenti: AMD, per esempio, ha pubblicato Instella-MoE-16B-A3B, un modello a mescolanza di esperti completamente aperto e addestrato su GPU Instinct MI300X e MI325X, secondo quanto riportato da MarkTechPost. Il fatto che due laboratori di fascia alta come Mistral e DeepSeek scelgano entrambi questa via racconta meglio di qualsiasi comunicato stampa quanto il mercato dei modelli chiusi stia perdendo terreno rispetto a quello dei pesi apribili, almeno nella fascia dei modelli di grandi dimensioni destinati a un uso enterprise.

Specifiche tecniche a confronto

La tabella riassume le caratteristiche tecniche verificabili di entrambi i modelli, con le relative fonti. Dove i dati divergono tra fonte ufficiale e tracker di terze parti, sono riportati entrambi i valori.

CaratteristicaMistral Medium 3.5DeepSeek V4 Pro
Azienda / PaeseMistral AI, FranciaDeepSeek, Cina
Data di rilascio29 aprile 2026 (registri), annuncio 22 maggio 2026Anteprima 24 aprile 2026, GA (build 0813) 12-13 agosto 2026
ArchitetturaDensaMixture-of-Experts (MoE)
Parametri totali128 miliardi1,6 trilioni
Parametri attivi per token128 miliardi (tutti)circa 49 miliardi
Finestra di contesto256.000 token (annuncio), 262.000 nei trackerfino a 1.000.000 di token (alcuni endpoint a 256.000)
Output massimo80.000 token384.000 token
LicenzaPesi aperti, licenza Modified MITPesi aperti, licenza MIT
Compatibilità APIAPI proprietaria MistralResponses API e compatibilità Anthropic Messages
Piani di accessoPro, Team, EnterpriseAPI pay-per-token, chat pubblica
SWE-Bench Verified (ufficiale)77,6%DeepSWE 62,7% (build 0813, non verificato in modo indipendente)
Benchmark agentico dichiarato91,4% su τ³-TelecomNon disponibile da fonte ufficiale primaria

Il dato sulla finestra di contesto merita una nota. La pagina ufficiale Mistral indica 256.000 token, ma sia Vals AI che llm-stats.com arrotondano a 262.000 nei loro tracker. Per DeepSeek V4 Pro, la cifra di 1 milione di token compare nella documentazione tecnica diffusa dopo il lancio GA, ma alcuni servizi terzi applicano un tetto operativo più basso, fissato a 256.000 token su determinati endpoint. Prima di progettare un’applicazione che dipende da contesti molto lunghi, conviene verificare il limite effettivo sull’endpoint specifico che si intende usare, non solo sulla scheda tecnica generale.

Benchmark e prestazioni: cosa dicono BenchLM, Vals AI e i dati ufficiali

Sui numeri grezzi, DeepSeek V4 Pro vince con un margine ampio. Il confronto diretto pubblicato da BenchLM assegna a DeepSeek V4 Pro 0813 un punteggio dell’87,0% contro il 75,3% di Mistral Medium 3.5 128B su un singolo test di valutazione. Sull’indice composito, che aggrega l’intera batteria di benchmark tracciati dalla piattaforma, lo scarto è ancora più netto: 63,49 contro 36,22, con intervalli di confidenza al 90% che non si sovrappongono. In pratica, secondo BenchLM, non si tratta di rumore statistico: DeepSeek V4 Pro è oggettivamente avanti su questa metrica aggregata.

C’è però un dettaglio che cambia la lettura del dato. Sulla classifica BenchLM dedicata ai soli modelli europei, aggiornata al 2 ottobre 2026, Mistral Medium 3.5 128B occupa il primo posto con un punteggio di 36,2, lo stesso valore che ottiene nel confronto diretto contro DeepSeek. Questo significa che Mistral Medium 3.5 è il modello più performante prodotto in Europa in questo momento, ma resta comunque distante dai modelli di punta cinesi sulla stessa scala di valutazione.

Vals AI offre un terzo punto di vista, con un metodo di valutazione differente da BenchLM. Mistral Medium 3.5 ottiene un Vals Index del 52,77%, piazzandosi al 32° posto su 46 modelli valutati in totale e al 10° posto su 18 modelli a pesi aperti. Non è un risultato da primato, ma colloca il modello francese in una fascia medio-alta tra i concorrenti open-weight, non in coda alla classifica.

Sul fronte DeepSeek, i numeri ufficiali vanno presi con più cautela. La build 0813 dichiara un punteggio DeepSWE del 62,7%, ma TechTimes, nel suo articolo di lancio del 13 agosto 2026, titola esplicitamente che le affermazioni sui benchmark restano “in attesa di prova indipendente”, riferendosi ai dati diffusi da DeepSeek stessa al momento della disponibilità generale. Questo non significa che i numeri siano falsi, ma che, a differenza del punteggio SWE-Bench Verified di Mistral (77,6%, verificato su task GitHub reali), la fonte primaria della cifra DeepSWE resta la stessa azienda che ha costruito il modello.

Chi segue da tempo questa categoria di confronti ricorderà dinamiche simili già discusse nel nostro approfondimento su DeepSeek V4 Pro contro V4 Flash: anche lì il modello più costoso della famiglia DeepSeek superava quello più economico sui benchmark aggregati, ma con un margine di prezzo molto più ampio del margine di prestazioni.

Vale la pena spiegare perché questi numeri non siano direttamente equivalenti a benchmark standard come MMLU-Pro o GPQA Diamond, entrambi citati spesso nelle valutazioni di settore. BenchLM e Vals AI costruiscono i propri indici aggregando più test in pesi diversi, non riportano un singolo punteggio MMLU-Pro isolato per nessuno dei due modelli. Nessuna fonte consultata per questo articolo pubblica un punteggio MMLU-Pro o GPQA Diamond verificabile per Mistral Medium 3.5 o per DeepSeek V4 Pro, quindi qualsiasi cifra di questo tipo che circoli altrove va trattata con sospetto fino a prova contraria. I numeri più solidi restano quelli con una fonte diretta: 77,6% su SWE-Bench Verified per Mistral, dichiarato dall’azienda stessa, e gli indici compositi BenchLM e Vals AI riportati sopra.

Prezzi API: quanto costa davvero ogni milione di token

Sul prezzo di listino, DeepSeek V4 Pro sembra imbattibile. Dopo lo sconto permanente del 75% entrato in vigore il 23 maggio 2026, il prezzo DeepSeek riportato da Kie.ai fissa il costo in input a 0,435 dollari per milione di token su cache miss, appena 0,003625 dollari per milione su cache hit, e 0,87 dollari per milione in output. Mistral Medium 3.5, secondo la pagina ufficiale di pricing di Mistral AI, costa 1,50 dollari per milione di token in input, 0,15 dollari per milione su cache hit e 7,50 dollari per milione in output.

Voce di costoMistral Medium 3.5DeepSeek V4 ProRapporto
Input (cache miss)1,50 $ / milione token0,435 $ / milione tokenMistral 3,4x più caro
Input (cache hit)0,15 $ / milione token0,003625 $ / milione tokenMistral 41x più caro
Output7,50 $ / milione token0,87 $ / milione tokenMistral 8,6x più caro
Prezzo GA misurato (Artificial Analysis)Non disponibile1,32 $ input / 3,96 $ output al milioneDato indipendente, superiore al listino ufficiale
Piani disponibiliPro, Team, EnterprisePay-per-token via API–

La riga più interessante della tabella è quella sul prezzo misurato in modo indipendente. Secondo quanto riportato da Reuters e ripreso da tech-insider.org il 23 agosto 2026, la società di benchmarking Artificial Analysis ha rilevato, al lancio della build GA, un prezzo effettivo di circa 1,32 dollari per milione di token in input e 3,96 dollari per milione in output, circa 9 volte il prezzo in input e 14 volte quello in output rispetto a DeepSeek V4 Flash. Questa cifra è più alta di quella indicata nella pagina prezzi ufficiale DeepSeek, probabilmente perché include il costo medio dei token di ragionamento generati internamente dal modello prima di produrre la risposta finale, un fattore che il solo prezzo di listino per token non mostra. Chi pianifica un budget dovrebbe testare il costo reale su un campione del proprio traffico, non limitarsi al numero pubblicato sulla pagina di pricing.

Anche includendo questa correzione, DeepSeek V4 Pro resta nettamente più economico di Mistral Medium 3.5 su ogni voce di costo misurata. Il vantaggio di prezzo si riduce, ma non si annulla mai.

È utile anche guardare alla traiettoria storica dei prezzi DeepSeek, non solo allo scatto fotografico di oggi. Al debutto in anteprima, il 24 aprile 2026, l’azienda aveva fissato un prezzo promozionale più alto di quello attuale, poi tagliato del 75% e reso permanente il 23 maggio 2026. Questo schema, prezzo di lancio elevato seguito da un taglio drastico pochi settimane dopo, si è già visto in altre famiglie di modelli cinesi nel corso del 2026, e suggerisce che chi firma un contratto enterprise dovrebbe sempre chiedere clausole di revisione prezzo, non limitarsi al numero pubblicato il giorno della firma. Mistral, al contrario, non ha cambiato il prezzo di Medium 3.5 da quando il modello è stato annunciato il 22 maggio 2026, un segnale di maggiore stabilità commerciale che può pesare quanto il prezzo stesso in una pianificazione di budget su più trimestri.

Licenza e apertura dei pesi

Entrambi i modelli condividono una scelta che non era affatto garantita nel 2026: rilasciare i pesi in forma scaricabile invece di tenerli chiusi dietro una sola API proprietaria. Mistral Medium 3.5 è distribuito con una licenza Modified MIT, secondo la pagina ufficiale della documentazione Mistral. DeepSeek V4 Pro usa invece una licenza MIT standard per i pesi della build GA.

Pesi aperti non equivale automaticamente a totale trasparenza. Nessuna delle due aziende ha pubblicato il dataset di addestramento completo né il codice di training usato per produrre questi modelli. “Open weights” descrive la possibilità di scaricare ed eseguire il modello in autonomia, non la piena riproducibilità scientifica del processo che lo ha generato. Per un reparto IT europeo, questo significa poter installare il modello su infrastruttura propria, evitando di dipendere da un singolo fornitore cloud, ma senza poter verificare in modo indipendente su quali dati il modello sia stato effettivamente addestrato.

La distinzione conta anche sul piano commerciale. Una licenza Modified MIT o MIT standard permette in teoria di scaricare i pesi, farne il fine-tuning e distribuire il modello derivato, inclusi usi commerciali, senza dover chiedere un permesso caso per caso al laboratorio originale. Resta comunque buona prassi leggere il testo integrale della licenza pubblicata da ciascuna azienda prima di un deployment commerciale su larga scala, perché clausole secondarie su attribuzione, limiti d’uso o esclusioni specifiche possono variare da un rilascio all’altro, anche quando l’etichetta generale resta “MIT”.

Sovranità dei dati e conformità GDPR

Qui le due offerte si separano in modo più netto di quanto suggeriscano le sole specifiche tecniche. Mistral AI è un’azienda con sede legale in Francia, soggetta per statuto al regolamento GDPR e ai requisiti NIS2 che si applicano alle aziende europee. I piani Enterprise di Mistral permettono il deployment su infrastruttura controllata dal cliente, incluso il self-hosting dei pesi scaricabili, un’opzione che semplifica la dimostrazione di conformità davanti a un’autorità di controllo nazionale.

DeepSeek, con sede in Cina, non offre alcuna garanzia pubblicata di residenza dati esclusivamente europea per le chiamate dirette alla sua API. La disponibilità dei pesi con licenza MIT permette comunque alle aziende europee di scaricare il modello e farlo girare su server propri in UE, bypassando completamente l’infrastruttura cinese e il relativo instradamento dei dati. In quel caso specifico, la nazionalità del laboratorio che ha addestrato il modello diventa meno rilevante del luogo fisico in cui viene eseguita l’inferenza. Resta il fatto che usare l’API ospitata direttamente da DeepSeek implica un transito dei dati fuori dai confini europei, un punto che qualsiasi responsabile della protezione dei dati dovrà valutare caso per caso prima di autorizzare l’uso in produzione su dati personali o sanitari.

Questo tema di sovranità digitale è lo stesso che abbiamo già visto emergere nel confronto tra Qwen3.8 Max e DeepSeek V4 Pro, dove entrambi i modelli erano di origine cinese. Qui, invece, la scelta oppone per la prima volta direttamente un modello europeo e un modello cinese di punta, rendendo la variabile geopolitica un criterio decisionale tanto importante quanto il prezzo o il punteggio sul benchmark.

Per le aziende italiane, il tema si intreccia direttamente con gli obblighi già in vigore sotto la direttiva NIS2, recepita con il decreto legislativo 138/2024, e con il Digital Operational Resilience Act per il settore finanziario. Un ente che rientra nel perimetro di queste normative e sceglie di affidarsi a un’API ospitata fuori dall’Unione europea per processare dati sensibili si espone a una verifica più severa da parte delle autorità di controllo nazionali, indipendentemente dalla qualità tecnica del modello scelto. Per questo motivo, nella pratica, molte aziende regolamentate finiscono per adottare una strategia a due livelli: Mistral Medium 3.5, o un altro modello europeo equivalente, per i flussi di lavoro che toccano dati personali, e DeepSeek V4 Pro, eseguito su infrastruttura propria in UE quando possibile, per i carichi di lavoro a basso rischio dove il prezzo pesa di più della provenienza.

Casi d’uso reali: dove brillano i due modelli

Al di là delle tabelle, contano gli scenari pratici in cui le differenze tecniche si traducono in risultati diversi. Ecco sei esempi concreti, tutti ricostruiti da funzionalità e benchmark effettivamente documentati dalle due aziende. Nessuno di questi esempi riporta nomi di clienti specifici, perché né Mistral AI né DeepSeek hanno pubblicato cifre verificabili di adozione enterprise per queste due versioni, un’informazione che resta “non disponibile” in entrambe le documentazioni ufficiali consultate per questo articolo. Quello che è verificabile sono le capacità tecniche dichiarate e i prodotti già lanciati sopra questi modelli.

  • Agenti di sviluppo software autonomi. Mistral ha lanciato Vibe, un prodotto per agenti di coding da remoto alimentato proprio da Medium 3.5, puntando sul punteggio di 77,6% su SWE-Bench Verified per gestire task di refactoring e debugging senza supervisione costante.
  • Produttività aziendale con Le Chat Work Mode. Mistral ha abbinato Medium 3.5 alla modalità di lavoro di Le Chat, pensata per generare documenti, riassunti e automazioni interne entro il perimetro infrastrutturale europeo dell’azienda.
  • Assistenza clienti nel settore telecomunicazioni. Il punteggio dichiarato del 91,4% su τ³-Telecom, un benchmark che misura capacità di tool-calling in scenari realistici del settore, suggerisce un’adozione naturale di Mistral Medium 3.5 per agenti che devono gestire fatturazione, attivazioni e ticket complessi con più chiamate a sistemi esterni in sequenza.
  • Migrazione di pipeline agentiche già scritte per Claude. La compatibilità di DeepSeek V4 Pro con il formato Anthropic Messages API, documentata al lancio GA, permette a un team che ha già costruito agenti sopra l’ecosistema Claude di puntare lo stesso codice verso DeepSeek cambiando solo l’endpoint, senza riscrivere la logica di orchestrazione.
  • Analisi di codebase o archivi documentali molto estesi. La finestra di contesto fino a 1 milione di token di DeepSeek V4 Pro si adatta a chi deve far analizzare in un solo colpo un intero repository di codice o un fascicolo legale composto da centinaia di pagine, un compito che la finestra più corta di Mistral, 256.000 token, costringerebbe a frammentare in più richieste.
  • Chatbot ad altissimo volume con prompt ripetuti. Il prezzo quasi nullo sulla cache hit di DeepSeek, 0,003625 dollari per milione di token, rende sostenibile un assistente che riceve le stesse istruzioni di sistema migliaia di volte al giorno, uno scenario tipico del customer care di massa.

Mistral Medium 3.5: pro e contro

Il modello francese convince per motivi che vanno oltre i numeri grezzi di benchmark, ma porta con sé anche limiti evidenti sul fronte costi.

  • Pro: azienda e infrastruttura con base legale in Europa, utile per la conformità GDPR.
  • Pro: modello numero uno tra quelli europei nella classifica BenchLM dedicata, con punteggio 36,2 al 2 ottobre 2026.
  • Pro: punteggio solido su benchmark agentico di settore (91,4% su τ³-Telecom) e su coding reale (77,6% su SWE-Bench Verified, verificato su task GitHub).
  • Pro: piani Enterprise con deployment controllabile dal cliente.
  • Contro: prezzo da 3,4 a 41 volte più alto di DeepSeek V4 Pro, secondo la voce di costo considerata.
  • Contro: finestra di contesto più corta, 256.000-262.000 token contro il milione dichiarato dal concorrente.
  • Contro: punteggio composito BenchLM quasi dimezzato rispetto a DeepSeek V4 Pro, 36,22 contro 63,49.

DeepSeek V4 Pro: pro e contro

Il modello cinese vince quasi ogni confronto puramente numerico, ma porta con sé interrogativi che un reparto IT europeo non può ignorare.

  • Pro: prezzo API drasticamente più basso su ogni voce, dall’input alla cache hit all’output.
  • Pro: punteggio composito BenchLM quasi doppio rispetto a Mistral Medium 3.5 (63,49 contro 36,22).
  • Pro: finestra di contesto dichiarata fino a 1 milione di token, utile per documenti e repository molto lunghi.
  • Pro: compatibilità con il formato Anthropic Messages API, utile per chi migra da pipeline Claude esistenti.
  • Contro: nessuna garanzia pubblicata di residenza dati europea per le chiamate dirette alla sua API ospitata.
  • Contro: i benchmark interni (DeepSWE 62,7% sulla build 0813) restano, secondo TechTimes, in attesa di prova indipendente.
  • Contro: il prezzo realmente misurato da Artificial Analysis al lancio GA è più alto di quello pubblicato nella pagina prezzi ufficiale, un segnale di attenzione per chi pianifica un budget rigido.

Guida alla migrazione tra i due modelli

Passare da un modello all’altro, in entrambe le direzioni, richiede più attenzione di un semplice cambio di stringa nel campo “model”. Ecco i passaggi pratici da seguire prima di spostare un carico di produzione.

  1. Verifica il limite reale di contesto sull’endpoint che userai. Non fidarti solo della scheda tecnica: testa un prompt vicino al limite dichiarato (256.000 token per Mistral, fino a 1.000.000 per DeepSeek su alcuni endpoint) e controlla la risposta effettiva dell’API prima di scrivere codice che ne dipende.
  2. Aggiorna gli identificatori di modello nel codice. Mistral Medium 3.5 è referenziato nella documentazione con lo slug “mistral-medium-3-5-26-04”, mentre la build DeepSeek stabile è “deepseek-v4-pro-0813”. Centralizza questo valore in una variabile di configurazione, non nel corpo delle singole chiamate.
  3. Ricalcola il budget sul traffico reale, non sul prezzo di listino. Se migri verso DeepSeek, testa un campione di richieste reali e misura il costo effettivo, perché la differenza tra il prezzo pubblicato (0,435 $/milione in input) e quello misurato da terze parti (1,32 $/milione) può alterare di molto la previsione di spesa.
  4. Ripeti i tuoi test di regressione sui task critici. Se il tuo prodotto dipende da SWE-Bench o da benchmark agentici simili a τ³-Telecom, non fidarti del punteggio pubblico: esegui gli stessi task interni che usavi con il modello precedente e confronta i risultati fianco a fianco.
  5. Controlla la compatibilità del formato API. DeepSeek V4 Pro supporta la Responses API e un livello di compatibilità con il formato Anthropic Messages, utile se il tuo codice è già scritto per quell’ecosistema. Mistral usa un formato proprietario: se arrivi da DeepSeek o da Claude, prevedi un adattatore per mappare i campi della richiesta.
  6. Pianifica un rollback rapido. Mantieni per almeno due settimane la possibilità di instradare il traffico sul modello precedente tramite un semplice flag di configurazione, in modo da poter tornare indietro se emergono differenze di qualità non previste dai test iniziali.
// Esempio semplificato di switch tra i due identificatori di modello
const config = {
  mistral: { model: "mistral-medium-3-5-26-04", maxOutputTokens: 80000 },
  deepseek: { model: "deepseek-v4-pro-0813", maxOutputTokens: 384000 }
};

function buildRequest(provider, prompt) {
  const cfg = config[provider];
  return {
    model: cfg.model,
    max_tokens: cfg.maxOutputTokens,
    messages: [{ role: "user", content: prompt }]
  };
}

Quale modello scegliere in base al caso d’uso

Non esiste un vincitore unico. Esiste però una mappa abbastanza chiara di quale modello conviene in base al contesto operativo della tua azienda. La tabella seguente riprende i sette scenari più comuni incontrati da chi deve integrare un modello linguistico in produzione, dal piccolo team che sviluppa un prodotto SaaS fino all’ente pubblico che deve rispondere a un audit di conformità.

ScenarioModello consigliatoMotivo principale
Startup o PA soggetta a GDPR stringenteMistral Medium 3.5Azienda e deployment con base legale europea
Budget limitato, alti volumi di trafficoDeepSeek V4 ProPrezzo da 3,4x a 41x inferiore su ogni voce
Agenti di coding con tool-calling di settoreMistral Medium 3.591,4% su τ³-Telecom, 77,6% su SWE-Bench Verified
Analisi di documenti o codebase molto lunghiDeepSeek V4 ProContesto dichiarato fino a 1 milione di token
Migrazione da pipeline già scritte per ClaudeDeepSeek V4 ProCompatibilità con Anthropic Messages API
Settore sanitario o pubblico con dati personaliMistral Medium 3.5Residenza dati verificabile in UE
Massimo punteggio aggregato a qualsiasi condizioneDeepSeek V4 Pro63,49 contro 36,22 sull’indice composito BenchLM

Il verdetto finale con i numeri alla mano

Sui numeri puri, DeepSeek V4 Pro vince quasi ovunque. Costa da 3,4 a 41 volte meno di Mistral Medium 3.5 a seconda della voce di prezzo, offre una finestra di contesto teorica fino a quattro volte più ampia e segna un punteggio composito BenchLM quasi doppio, 63,49 contro 36,22. Chi deve processare grandi volumi di testo a basso costo, senza vincoli di sovranità dei dati, difficilmente troverà un motivo tecnico per scegliere il modello francese.

Mistral Medium 3.5 vince però sulla variabile che nessun benchmark misura direttamente: la governance dei dati. Per un’azienda europea che deve dimostrare conformità GDPR a un’autorità di controllo, o per un ente pubblico che non può permettersi un transito dati verso server extra-UE, il vantaggio di prezzo di DeepSeek diventa secondario rispetto al rischio legale. In quello scenario, pagare fino a 41 volte di più per ogni milione di token in cache non è uno spreco, è il costo della conformità.

Il consiglio pratico è questo: se il tuo caso d’uso tratta dati personali, sanitari o governativi soggetti a GDPR, Mistral Medium 3.5 resta la scelta più difendibile, anche a un prezzo nettamente superiore. Per tutto il resto, dai chatbot ad alto volume all’elaborazione di documenti enormi, DeepSeek V4 Pro offre un rapporto tra prestazioni e costo che oggi nessun modello europeo riesce ancora a eguagliare.

Un’ultima nota per chi gestisce un portafoglio di applicazioni, non una sola. Non è necessario scegliere un solo modello per tutta l’organizzazione. Instradare le richieste verso Mistral Medium 3.5 o DeepSeek V4 Pro in base al tipo di dato trattato, con un livello di routing esplicito nel proprio codice, costa poco a livello di ingegneria e permette di sfruttare il prezzo più basso di DeepSeek sui carichi di lavoro a basso rischio senza rinunciare alle garanzie europee di Mistral dove la conformità lo richiede. È la stessa logica multi-provider già adottata da molti team che usano insieme più fornitori cloud: nessuna singola scelta vince su tutti i fronti, ma una combinazione ragionata dei due modelli spesso batte entrambe le opzioni prese singolarmente.

Domande frequenti

Mistral Medium 3.5 è un modello open source?
I pesi sono scaricabili con licenza Modified MIT, quindi si parla di pesi aperti. Il dataset di addestramento e il codice di training non sono stati pubblicati, quindi non si tratta di open source in senso stretto.

DeepSeek V4 Pro è sicuro per dati aziendali europei?
Dipende da come lo usi. Chiamare l’API ospitata direttamente da DeepSeek comporta un transito dei dati fuori dall’UE. Scaricare i pesi con licenza MIT ed eseguire il modello su server europei elimina questo problema, ma richiede infrastruttura propria.

Quanto costa davvero usare DeepSeek V4 Pro rispetto a Mistral Medium 3.5?
Sul listino ufficiale, DeepSeek costa da 3,4 a 41 volte meno per milione di token in base alla voce (input, cache hit, output). Il prezzo misurato in modo indipendente da Artificial Analysis al lancio GA è più alto del listino, quindi conviene sempre testare su traffico reale prima di fissare un budget.

Qual è la finestra di contesto massima dei due modelli?
Mistral Medium 3.5 dichiara 256.000 token (262.000 secondo alcuni tracker). DeepSeek V4 Pro dichiara fino a 1.000.000 di token, anche se alcuni endpoint di terze parti applicano un limite operativo più basso, 256.000 token.

Mistral Medium 3.5 supporta agenti di coding autonomi?
Sì. Mistral ha lanciato Vibe, un prodotto per agenti di sviluppo da remoto basato su Medium 3.5, che sul benchmark SWE-Bench Verified ottiene un punteggio del 77,6%.

Perché DeepSeek V4 Pro costa così poco nonostante abbia più parametri?
Perché usa un’architettura a mescolanza di esperti (MoE): dei 1,6 trilioni di parametri totali, ne attiva solo circa 49 miliardi per ogni token. Mistral Medium 3.5, essendo un modello denso, attiva invece tutti i suoi 128 miliardi di parametri a ogni richiesta, un costo computazionale diverso che si riflette nel prezzo finale.

Posso usare lo stesso codice per entrambi i modelli?
In parte. DeepSeek V4 Pro offre compatibilità con il formato Anthropic Messages API, quindi chi arriva da pipeline Claude trova meno frizione. Mistral usa un formato proprietario, quindi migrare da o verso Mistral richiede sempre un adattatore per i campi della richiesta.

Quale modello conviene per un progetto che deve rispettare il GDPR?
Mistral Medium 3.5, grazie alla base legale europea dell’azienda e ai piani Enterprise con deployment controllabile dal cliente. DeepSeek V4 Pro può comunque essere un’opzione se i pesi vengono eseguiti su infrastruttura propria all’interno dell’UE, evitando l’API ospitata direttamente in Cina.

Qual è il modello più recente tra le due famiglie, Mistral e DeepSeek?
Alla data di pubblicazione di questo articolo, 3 ottobre 2026, la versione più recente e stabile è DeepSeek V4 Pro build “0813”, in produzione generale dal 12-13 agosto 2026. Per Mistral, Medium 3.5 resta il modello flagship più recente del laboratorio francese, annunciato pubblicamente il 22 maggio 2026 e senza variazioni di prezzo da allora.