L'API DeepSeek Flash senza censura

La maggior parte dei team che valuta un'API LLM ottimizza la variabile sbagliata. Fa benchmark sui venti prompt più difficili che riesce a immaginare, sceglie il vincitore e scopre sei settimane dopo che il novantacinque per cento del suo traffico è lavoro corto, strutturato e ripetitivo che un modello che costa un quarto avrebbe gestito in modo identico. DeepSeek-V4-Flash esiste per quel novantacinque per cento. Questa pagina serve a capire quando ci sei dentro — e quando no.

01Che cosa ottieni davvero

Proprietà	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Id del modello	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Contesto / output massimo	262.144 token / 16.384 token
Prezzo per 1M (input / output)	0,50 $ / 2,00 $
Streaming · tool calling · ragionamento	Sì — su tutti e tre i dialetti
Output strutturato	json_schema e response_format
Input immagine (visione)	No — solo testo
Strato di rifiuto / filtro sull'output	Nessuno
Servito su	Il cluster GPU di proprietà di Shannon

Tre dialetti API raggiungono gli stessi pesi: /v1/chat/completions (forma OpenAI), /v1/messages (forma Anthropic) e /v1/responses. Lo streaming funziona su tutti e tre. Il riferimento completo dei parametri è nella documentazione API.

02Da dove viene: il lignaggio DeepSeek

DeepSeek-AI ha passato cinque generazioni di modelli su una sola ossessione: tirare fuori comportamenti di frontiera da un modello che sia economico da servire, non solo economico da addestrare. Quasi ogni decisione architetturale della linea risale a questo, e le più importanti sono pubblicate. Tre spiegano che cosa stai chiamando quando colpisci questo endpoint.

DeepSeekMoE: esperti a grana fine più uno condiviso

Uno strato Mixture-of-Experts sostituisce una grande rete feed-forward con molte reti più piccole e un router che ne seleziona una manciata per token. La variante di DeepSeek affetta gli esperti più finemente del consueto schema a otto esperti, così gli stessi FLOPs attivati comprano una miscela combinatoriamente molto più specifica, e isola un esperto condiviso attraverso cui passa ogni token, così la conoscenza comune non viene ri-appresa in modo ridondante dentro ogni specialista. DeepSeek-V3 lo ha realizzato come 256 esperti instradati più 1 esperto condiviso, attivandone 8 instradati per token — 671B di parametri totali, 37B attivi — insieme al bilanciamento del carico senza perdita ausiliaria: invece di un termine di penalità che degrada la qualità, un bias per esperto alza o abbassa i punteggi di instradamento a ogni passo a seconda che quell'esperto risulti sotto o sovraccarico.

MLA: un'attenzione che sta in memoria

L'altra metà del problema del costo di servizio è la cache KV, che cresce linearmente con il contesto e domina la memoria alle sequenze lunghe. La Multi-head Latent Attention, introdotta in DeepSeek-V2, comprime congiuntamente chiavi e valori in un vettore latente a basso rango e mette in cache quello, ricostruendo K/V utilizzabili al volo. I dati pubblicati da DeepSeek per V2, rispetto al precedente DeepSeek 67B denso, riportano una riduzione del 93,3% della cache KV e un throughput di generazione massimo 5,76× superiore. È per questo che in questa famiglia una finestra da 262K token è la base di partenza e non un extra premium.

Attenzione sparsa, e il precedente dei token a poco prezzo

V3.2-Exp ha aggiunto la DeepSeek Sparse Attention: un indicizzatore leggero assegna un punteggio ai token del contesto rispetto alla query, e un selettore tiene solo quelli col punteggio più alto. La parte interessante è la ricevuta, non il meccanismo. DeepSeek ha pubblicato un confronto diretto con V3.1-Terminus con MMLU-Pro identico a 85,0, AIME 2025 in salita (88,4 → 89,3), SWE-bench Verified marginalmente in calo (68,4 → 67,8) — qualità sostanzialmente piatta — e lo stesso giorno ha tagliato i prezzi della propria API di oltre il 50%. Architettura, riportata onestamente, che si traduce direttamente in prezzo. Flash è quell'argomento portato un passo più in là.

La generazione V4

V4, presentata in anteprima ad aprile 2026 con licenza MIT, sostituisce di nuovo lo stack di attenzione con un ibrido di Compressed Sparse Attention e Heavily Compressed Attention, addestra con l'ottimizzatore Muon su più di 32T di token e mantiene l'obiettivo di multi-token prediction di V3 — che funziona anche da decoding speculativo, e che DeepSeek ha misurato con un tasso di accettazione del secondo token dell'85–90% per un'accelerazione del decoding di circa 1,8× in V3. L'abstract di V4 riporta che V4-Pro gira al 27% dei FLOPs di inferenza per singolo token di V3.2 e al 10% della sua cache KV. La famiglia espone tre livelli di sforzo di ragionamento, ed è su quelli che si mappa il nostro parametro reasoning_effort.

Fonti: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Rapporto tecnico DeepSeek-V3 (arXiv 2412.19437) · scheda modello DeepSeek-V3.2-Exp · DeepSeek-V4 (arXiv 2606.19348). Tutti i dati sono riportati da DeepSeek.

03Che cosa significa davvero «Flash»

È il punto che la maggior parte dei confronti sbaglia, quindi vale la pena dirlo senza giri di parole: il Flash di DeepSeek non è un Pro quantizzato, potato o distillato. È un modello Mixture-of-Experts più piccolo, addestrato separatamente, con un proprio ciclo di pre-addestramento. Il paper di anteprima di V4 dà le due taglie:

Dati dal paper di anteprima di DeepSeek-V4. I checkpoint ufficiali che serviamo — V4-Flash-0731 e V4-Pro-0813 — indicano nelle loro schede modello totali leggermente maggiori, 304B e 1,7T; DeepSeek non ripete il numero di parametri attivati per quelle build.

Qui il lavoro lo fanno due numeri. I parametri totali fissano l'occupazione di memoria, che decide quanto hardware occupa una copia del modello. I parametri attivati fissano l'aritmetica per token, che decide il throughput. Flash è circa 5,6× più piccolo sul primo e 3,8× più piccolo sul secondo — e in quello scarto c'è una sottigliezza che vale la pena notare: Flash attiva 13 miliardi di parametri su 284, circa il 4,6%, mentre Pro ne attiva 49 su 1.600 miliardi, circa il 3,1%. Flash è il modello meno sparso. Non è semplicemente Pro con meno esperti accesi; è un progetto più denso, bilanciato diversamente, che spende una quota maggiore di sé stesso su ogni token che produce. È una scelta ingegneristica vera, non un declassamento.

Che cosa dicono i numeri di DeepSeek stessa

Entrambe le schede modello ufficiali pubblicano punteggi sugli stessi benchmark agentici e di ingegneria del software, il che rende questo un confronto insolitamente pulito — stesso laboratorio, stessa harness di valutazione, due taglie:

Benchmark (riportato da DeepSeek)	V4-Flash-0731	V4-Pro-0813
Terminal Bench 2.1	82.7	87.9
Toolathlon-Verified	70.3	74.1
DeepSWE	54.4	62.7
NL2Repo	54.2	61.5
DSBench-FullStack	68.7	71.1

Pro vince ogni riga. È il titolo onesto, e preferiamo che tu lo legga qui piuttosto che scoprirlo in produzione. Ma leggi i margini, perché sono ciò che stai davvero comprando. Su Terminal Bench 2.1 lo scarto è di 5,2 punti su un modello con un venticinquesimo dei parametri; sull'uso degli strumenti è di 3,8 punti. Lo scarto si allarga dove il lavoro si fa più profondo — 8,3 punti su DeepSWE, 7,3 su NL2Repo, entrambi premianti per un ragionamento sul codice sostenuto e a più passi. È la forma dello scambio in una sola tabella: Flash colma quasi tutta la distanza sui compiti delimitati e cede terreno su quelli aperti.

La scheda Flash di DeepSeek è ancora più tagliente su questo: Flash-0731 supera l'anteprima di V4-Pro sui benchmark elencati nonostante un numero di parametri attivati molto più piccolo. Un modello piccolo più recente che batte uno grande più vecchio è la normalità in questo campo, ed è il motivo per cui «il livello più grande» non dovrebbe mai essere la tua risposta di default.

04Leggere il suffisso: W4A16-AUTOROUND-REAP

I nostri id di modello dichiarano ad alta voce il proprio schema di compressione, perché è la cosa che più incide sulla qualità dell'output e quasi nessuno la rende nota. Questo si scompone in tre affermazioni.

W4A16: pesi a 4 bit, attivazioni a 16 bit

I pesi sono memorizzati a 4 bit ciascuno; le attivazioni scorrono a precisione 16 bit. È una quantizzazione dei soli pesi, e prende di mira il vero collo di bottiglia della generazione di token, che è la banda di memoria più che l'aritmetica. Quantizzare anche le attivazioni comprerebbe un po' più di velocità e rischierebbe un crollo di accuratezza molto più grande; lasciarle a 16 bit è la scelta conservativa e ad alta fedeltà. La notazione è gergo dell'ecosistema di serving — la letteratura sulla quantizzazione scrive la stessa cosa come W4 con una dimensione di gruppo.

AUTOROUND: arrotondamento appreso, non arrotondamento al più vicino

La quantizzazione ingenua arrotonda ogni peso al valore rappresentabile più vicino. È dimostrabilmente non ottimale: arrotondare un peso nel verso «sbagliato» può cancellare l'errore introdotto dai suoi vicini, e con miliardi di pesi sono quelle interazioni a dominare. AutoRound, di Intel, tratta la decisione di arrotondamento stessa come qualcosa da apprendere — una perturbazione addestrabile per peso vincolata a ±0,5, esattamente quanto basta per ribaltare una singola decisione di arrotondamento e mai di più, più intervalli di clipping apprendibili, ottimizzati con la discesa del gradiente con segno contro un obiettivo di ricostruzione dell'output a blocchi su un piccolo insieme di calibrazione. Duecento passi, e finisce lì.

I confronti pubblicati da Intel danno AutoRound vincente su GPTQ in 30 scenari su 32, su AWQ in 27 su 32 e su OmniQuant in 29 su 32 con impostazioni a 4 bit sui soli pesi, con guadagni sull'arrotondamento ingenuo al più vicino da 6,9 a 33,2 punti di accuratezza a 2 bit. Nulla di tutto ciò costa qualcosa al momento dell'inferenza: è una scelta migliore dei numeri, fatta una volta sola, offline.

REAP: eliminare gli esperti a cui nessuno instrada

REAP (Router-weighted Expert Activation Pruning), di Cerebras Systems e dell'Università di Calgary, è una compressione one-shot per i modelli MoE. Assegna a ogni esperto un punteggio in base a quanto fortemente e quanto spesso il router gli instrada, moltiplicato per la magnitudine dell'output di quell'esperto, poi elimina del tutto gli esperti meno rilevanti — senza alcun riaddestramento successivo.

La scoperta centrale del paper è quella utile: agli alti rapporti di compressione, potare gli esperti batte fonderli. Fondere esperti funzionalmente distinti provoca quello che gli autori chiamano collasso del sottospazio funzionale — il router perde il controllo a grana fine e dipendente dall'input che rendeva il MoE degno di essere costruito, e si ritrova a manovrare fra medie statiche. I loro numeri su modelli da 20B a 1T di parametri: con una compressione degli esperti del 25% su compiti di programmazione, REAP perde il 2,8% di accuratezza media dove le baseline di fusione perdono oltre il 5%; al 50%, REAP perde l'8,0% dove la fusione perde oltre il 20%. Su Qwen3-Coder-480B con pruning al 50% il calo è dell'1,4%, contro il 39,3% del pruning ingenuo basato sulla frequenza. Cerebras ha pubblicato checkpoint REAP anche per la linea DeepSeek, fra gli altri.

Perché 4 bit qui e 3 bit su Pro

Entrambi i livelli devono starci e restare veloci sulla stessa classe di hardware. Pro porta 1,7 mila miliardi di parametri, quindi ha bisogno del trattamento più aggressivo a 3 bit anche solo per starci. Flash ne porta circa 300 miliardi, quindi no — e il bit che risparmia viene speso in fedeltà invece che per entrare.

Quel bit in più conta più di quanto suggerisca l'aritmetica, perché il danno da quantizzazione non è lineare. Nelle misurazioni su WikiText-2 del paper AWQ, Llama-2-7B passa da 5,47 di perplessità in FP16 a 5,60 a 4 bit — una penalità del 2,4% — ma a 6,24 a 3 bit, una penalità del 14%. È all'incirca sei volte il degrado per un 25% di compressione in più, e lo stesso schema vale a 70B. Il paper GPTQ è ancora più brutale: a 3 bit l'arrotondamento ingenuo al più vicino collassa sui modelli di classe 175B, arrivando a migliaia di perplessità, mentre resta perfettamente utilizzabile a 4 bit. Sotto i quattro bit, un buon algoritmo di quantizzazione smette di essere un lusso e diventa l'unica cosa che tiene insieme il modello.

Quindi la lettura onesta di questi due suffissi è: Flash sta più vicino alla propria versione non compressa di quanto Pro stia alla propria. Pro resta il modello più forte — la tabella dei benchmark qui sopra lo stabilisce. Semplicemente ha ceduto di più per arrivare fin qui, e il privilegio lo paghi tu.

Fonti: AutoRound — «Optimize Weight Rounding via Signed Gradient Descent for the Quantization of LLMs» (arXiv 2309.05516), Intel, Findings of EMNLP 2024. REAP — «REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression» (arXiv 2510.13999), Cerebras Systems. I dati di perplessità vengono da AWQ (arXiv 2306.00978) e GPTQ (arXiv 2210.17323).

05Flash contro Pro all'endpoint

La sezione 03 ha coperto le basi. Ecco come appaiono i due livelli come prodotti sul nostro gateway:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Quantizzazione	W4A16-AUTOROUND-REAP	3BIT-REAP
Precisione dei pesi	4 bit, arrotondamento appreso	3 bit
Base (totali / attivi)	~304B / 13B	~1,7T / 49B
Input per 1M di token	0,50 $	1,95 $
Output per 1M di token	2,00 $	3,90 $
Contesto / output massimo	262.144 / 16.384	262.144 / 16.384
Strumenti · output strutturato · streaming	Sì	Sì
Visione	No	No
Strato di rifiuto	Nessuno	Nessuno

Nota che cosa non cambia: contesto, tetto di output, tool calling, output strutturato e assenza di uno strato di rifiuto sono identici. Le uniche cose che si muovono sono la base, la quantizzazione e il prezzo. Questo rende il passaggio dall'uno all'altro una modifica di una sola stringa nel tuo codice e una decisione puramente economica nella tua architettura.

Quanto costa una singola chiamata di dimensione massima

Riempi l'intero contesto da 262.144 token e prendi tutto l'output da 16.384 token:

A prezzo di listino. Flash: 0,131 $ di input + 0,033 $ di output. Pro: 0,511 $ + 0,064 $. Rapporto 3,51×. Flash condivide inoltre il pavimento di 0,50 $ / 2,00 $ con MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro e Hy3 — vedi il catalogo completo per capire come differiscono su visione e output strutturato.

06La matematica dei volumi, fatta per bene

«3,9× più economico» è vero solo sull'input. Sull'output Flash è 1,95× più economico. Il tuo risparmio reale dipende quindi dal tuo rapporto fra input e output, e la forbice è abbastanza larga da cambiare le decisioni di progetto. Quattro carichi di lavoro realistici, ciascuno a 100.000 richieste:

Carico di lavoro	In / out per chiamata	Flash	Pro	Risparmio
Classificazione di ticket	1.200 / 120	84 $	281 $	3,3×
Risposte su RAG	8.000 / 600	520 $	1.794 $	3,4×
Riassunto di documenti lunghi	60.000 / 1.500	3.300 $	12.285 $	3,7×
Generazione di dati sintetici	500 / 2.000	425 $	878 $	2,1×

Lo schema: più contesto spingi e meno testo generi, più Flash ti fa risparmiare. Le pipeline di retrieval, lo smistamento di documenti, l'analisi di log e trascrizioni e l'estrazione su contesto lungo sono il punto ideale — sono dominati dall'input di un ordine di grandezza, e l'input è dove vive lo sconto di 3,9 volte. Se invece il tuo carico di lavoro è un prompt corto che produce migliaia di token di prosa, lo scarto si stringe a circa 2 volte e l'argomento della capacità a favore di Pro si rafforza di conseguenza.

Un altro pezzo di aritmetica da interiorizzare: a 0,50 $ per milione di token in input, riempire l'intera finestra da 262.144 token costa 13,1 centesimi. A quel prezzo il prompting su contesto lungo smette di essere una questione di budget, il che a volte significa che puoi evitare del tutto di costruire uno strato di retrieval e lasciare che sia la finestra di contesto a fare il lavoro: un risparmio di ingegneria sopra al risparmio sui token.

07Che cosa significa «senza censura» qui, con precisione

La parola è usata alla leggera, quindi ecco la nostra definizione, enunciata come proprietà dell'endpoint: non c'è alcun classificatore di rifiuto davanti al modello e nessun filtro sui contenuti applicato al suo output. Nulla intercetta un prompt per restituire un diniego preconfezionato; nulla ispeziona il completamento per redigerlo. Per il lavoro in produzione ad alto volume le conseguenze sono meno drammatiche e più utili di quanto la parola suggerisca:

• Nessun falso positivo sul traffico innocuo. Gli endpoint filtrati rifiutano regolarmente riassunti medici, analisi di sicurezza, discovery legale, narrativa, materiale di riduzione del danno e persino il lavoro di moderazione stesso — esattamente le categorie in cui un job in blocco elabora testo su un argomento sensibile invece di produrre qualcosa di dannoso. A centomila richieste, un tasso di falso rifiuto dell'uno per cento sono mille righe rotte.
• Contratti deterministici. Chiedi una risposta json_schema e ottieni JSON conforme allo schema, non un paragrafo di scuse dove dovrebbe esserci un oggetto. Il tuo parser non ha bisogno di un ramo per i rifiuti, e la tua logica di retry non deve distinguere un fallimento di trasporto da uno di policy.
• La policy è tua. È questo lo scambio. Se il tuo prodotto ha bisogno di protezioni per i suoi utenti finali, le costruisci al tuo livello, dove conosci i tuoi utenti e la tua giurisdizione, invece di ereditare le congetture di un fornitore su entrambi. Il tuo account resta governato dalla nostra Responsible Use Policy.

Senza censura non è la stessa cosa di non allineato o poco utile. Il modello segue comunque le istruzioni e rispetta comunque un prompt di sistema. Se vuoi che rifiuti certe categorie per i tuoi utenti, dillo lì — quell'istruzione ora è tua da scrivere invece che nostra da imporre.

08Capacità e limiti dichiarati onestamente

Per il lavoro a volume due capacità reggono quasi tutto il peso. L'output json_schema in modalità strict trasforma un completamento in una riga di database senza strato di parsing e senza ramo per i rifiuti. Il tool calling su tutti e tre i dialetti rende Flash un motore sensato per i sotto-passi economici di un agente il cui pianificatore di alto livello gira su un modello più forte. Aggiungi reasoning_effort, che ti lascia spendere token extra solo sulla frazione di traffico che ne ha bisogno, e un contesto da 262.144 token identico a quello di Pro: scegliendo il livello economico non rinunci al contesto, il che è insolito.

I limiti sono altrettanto concreti:

• Niente visione. Flash è solo testo e rifiuterà le parti immagine in un messaggio. Per le immagini su un modello senza censura allo stesso pavimento di 0,50 $ / 2,00 $, le opzioni capaci di visione sono MiniMax-M3 e MiMo-V2.5; Kimi-K2.6 e Kimi-K3 sono modelli di visione più forti sopra quel livello.
• Non è in cima alla scala. I numeri di DeepSeek stessa mettono Pro avanti su ogni benchmark agentico pubblicato, con lo scarto più ampio sul ragionamento sul codice sostenuto e a più passi. Dove una risposta sbagliata costa più di mille risposte economiche, spendi 1,45 $ in più per milione su DeepSeek-V4-Pro.
• 16.384 token di output per richiesta. Le generazioni lunghe vanno spezzate su più chiamate. È lo stesso tetto su ogni modello che serviamo, e stringe molto prima della finestra di contesto.

09Come chiamarlo

Punta un qualsiasi client compatibile con OpenAI al gateway e cambia la stringa del modello. Nient'altro nel tuo stack deve muoversi.

curl https://api.shannon-ai.com/v1/chat/completions \
  -H "Authorization: Bearer $SHANNON_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP",
    "messages": [
      {"role": "system", "content": "Label the ticket. Reply only with the schema."},
      {"role": "user", "content": "The invoice PDF renders blank on Safari 18."}
    ],
    "response_format": {
      "type": "json_schema",
      "json_schema": {
        "name": "ticket_label",
        "schema": {
          "type": "object",
          "properties": {
            "category": {"type": "string"},
            "severity": {"type": "integer"},
            "needs_human": {"type": "boolean"}
          },
          "required": ["category", "severity", "needs_human"],
          "additionalProperties": false
        }
      }
    }
  }'

Lo stesso id di modello funziona immutato su /v1/messages e /v1/responses, che è il modo più rapido per fare A/B con un modello più economico sotto un'integrazione esistente senza riscrivere il client. Parametri, forme degli eventi di streaming, schemi di tool calling e limiti di frequenza sono documentati nel riferimento API; ogni modello del catalogo è elencato su Shannon Research.

10Domande frequenti

---

Fonti: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · Rapporto tecnico DeepSeek-V3 (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · schede modello DeepSeek-V4-Flash-0731 e DeepSeek-V4-Pro-0813 · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Tutti i dati di base e di benchmark sono come pubblicati dai rispettivi autori; i prezzi di Shannon AI e il contesto servito sono i nostri valori di listino a settembre 2026.