Un modello open-weight al livello dei frontier proprietari a quasi un trentesimo del costo. È davvero così? Analisi tecnica di DeepSeek V4, dei suoi numeri e del gap che i vendor non raccontano.
Un annuncio che scuote lo stack AI enterprise
Nelle scorse settimane la community tecnica ha discusso con intensità un rilascio che, sulla carta, sembra riscrivere le regole dell’economia dei modelli linguistici: DeepSeek V4, pubblicato con licenza MIT dal laboratorio cinese omonimo, si posiziona come alternativa quasi-frontier ai modelli proprietari di OpenAI e Anthropic, a un costo per token drasticamente inferiore.
Per chi in azienda deve prendere decisioni concrete sullo stack AI (quale modello scegliere, quanto pagare, se ospitare in casa o affidarsi a un provider cloud) è il tipo di notizia che merita più di uno sguardo distratto. Perché se i numeri fossero confermati, riscriverebbero il calcolo del ritorno sull’investimento di molte iniziative AI in produzione.
Ma la realtà, come spesso accade con i benchmark dei modelli, è più sfumata dei titoli. Vediamo perché.
Cos’è DeepSeek V4, in sintesi
DeepSeek V4 è una famiglia di modelli linguistici di grandi dimensioni, rilasciata in due varianti principali:
- DeepSeek V4-Pro: 1.600 miliardi di parametri totali, di cui 49 miliardi attivi per inferenza (architettura Mixture-of-Experts).
- DeepSeek V4-Flash: 284 miliardi totali, 13 miliardi attivi. Versione più snella e veloce.
Entrambe le versioni supportano una finestra di contesto di 1 milione di token come impostazione predefinita, un valore che le colloca sui livelli dei migliori modelli proprietari in circolazione.
Sul piano dell’architettura, V4 porta avanti una tecnica chiamata DeepSeek Sparse Attention (DSA), già introdotta in V3.2, combinandola con una compressione che riduce la cache dei valori chiave (KV-cache) al 10% rispetto alla versione precedente V3.2, quando si opera su contesti da un milione di token. In termini pratici: meno memoria consumata, più richieste servite in parallelo dallo stesso hardware, costo per inferenza più basso.
Ed è proprio sul costo che si concentra la notizia.
I numeri che fanno rumore
L’analisi in-window pubblicata da Simon Willison (fonte primaria di riferimento tra gli sviluppatori del settore, co-creatore di Django e autore di Datasette, che sul suo blog segue da vicino i rilasci LLM) confronta DeepSeek V4-Pro con i frontier chiusi utilizzando i benchmark ufficiali dichiarati dal vendor:
| Metrica | DeepSeek V4-Pro | Riferimento |
|---|---|---|
| SWE-bench Verified | 80,6% | Alla pari di Gemini 3.1 Pro |
| Costo per token in output | ~28,7× inferiore | vs Claude Opus 4.8 |
| Contesto | 1M token | Frontier-level |
| Licenza | MIT (open-weight) | Auto-ospitabile |
Secondo la scheda ufficiale su Hugging Face di SWE-bench Verified, il benchmark che misura la capacità di risolvere issue reali di software engineering estratte da progetti open-source, DeepSeek V4-Pro dichiara un punteggio dell’80,6%, che lo colloca al vertice dei modelli open-weight e sostanzialmente alla pari di Gemini 3.1 Pro di Google.
Sul costo però il vantaggio è reale: in output, V4-Pro ($3,48/M) è circa 7 volte più economico di Claude Opus 4.8 e 8 volte di GPT-5.5. La variante Flash ($0,28/M) arriva a due ordini di grandezza in meno, ma con capacità inferiori. La variante Pro ($1,74/M) potrebbe teoricamente ottenere qualità comparabile con una spesa circa trenta volte inferiore.
| Modello | Input ($/M token) | Output ($/M token) |
| DeepSeek V4-Flash | 0,14 | 0,28 |
| DeepSeek V4-Pro | 1,74 | 3,48 |
| Gemini 3.1 Pro | 2 | 12 |
| Claude Opus 4.8 | 5 | 25 |
| GPT-5.5 | 5 | 30 |
Il reality check: il gap che i benchmark ufficiali nascondono
Qui però comincia la parte interessante, quella che distingue una lettura superficiale da una decisione informata.
L’80,6% su SWE-bench Verified è un numero dichiarato dal vendor (la scheda ufficiale su Hugging Face), su un benchmark ormai affollato: cinque modelli di quattro laboratori si concentrano intorno all’80%, e a quel livello la metrica fatica a distinguere un modello dall’altro.
Il quadro cambia con un metro diverso. L’audit indipendente del benchmark DeepSWE, condotto dal team Datacurve, valuta gli stessi modelli su task scritti da zero, pensati per non finire nei dati di addestramento (così il modello non ha già “visto” le soluzioni). I risultati:
– DeepSeek V4-Pro: 8% pass@1
– Claude Opus 4.7: 54% pass@1
– GPT-5.5: 70% pass@1
Su un benchmark immune alla contaminazione, il divario con i frontier proprietari si allarga quindi fino a un ordine di grandezza. Anche Simon Willison, nella sua analisi del rilascio, arriva per altra via a una conclusione compatibile: colloca V4-Pro leggermente sotto GPT-5.4 e Gemini 3.1 Pro, con un ritardo stimato di tre-sei mesi sullo stato dell’arte.
Un’avvertenza, però, vale anche qui: l’8% non è una verità definitiva più di quanto lo fosse l’80,6%. Il dato è discusso: diversi utenti in produzione riportano prestazioni reali vicine a Claude Sonnet 4.6, e attribuiscono il crollo al modo in cui DeepSWE valuta task isolati, più che a una debolezza intrinseca del modello. Il gap reale, insomma, dipende da come lo si misura: è questo che un decisore deve tenere a mente, prima ancora del singolo punteggio.
Cosa significa per chi decide lo stack AI in azienda
Da questa lettura emergono alcune considerazioni operative che riteniamo rilevanti per qualsiasi organizzazione stia valutando l’adozione (o la sostituzione) di un modello linguistico in produzione.
1. La strategia di routing conta più della scelta del modello
Nessun modello, oggi, è la risposta giusta a tutti i casi d’uso. La lezione di DeepSeek V4 è che la scelta corretta è quasi sempre una strategia di routing: usare l’open-weight per i task tolleranti al rumore (classificazione, sintesi, prima bozza di codice, chatbot interni), e affidarsi al frontier proprietario solo dove il costo dell’errore è alto (generazione di codice destinata a produzione, ragionamento su documenti complessi, decisioni operative).
Il risparmio non deriva dal sostituire in blocco il modello premium, ma dallo scegliere consapevolmente quando serve davvero.
2. Il self-hosting ha un costo reale, non solo il prezzo per token
DeepSeek V4-Pro è distribuito come open-weight con licenza MIT: teoricamente si può scaricare e ospitare in casa. Nella pratica, il pacchetto pesa 865 GB e per eorgarlo in tempi ragionevoli servono configurazioni multi-GPU di fascia alta. Non è una decisione trascurabile.
Il calcolo del ritorno sull’investimento va fatto includendo: costo GPU (acquisto o affitto), consumo energetico, competenze operative per gestire l’infrastruttura, tempo di manutenzione. Per alcune realtà il gioco vale la candela, specialmente dove esistono vincoli di residenza dei dati o di riservatezza. Per altre, l’API resta la scelta razionale.
3. Validare sul proprio workload, sempre
I benchmark pubblici sono uno strumento di orientamento, non una risposta. La cosa più utile che un’azienda può fare, prima di adottare un modello, è costruire un set di valutazione interno basato sui propri casi d’uso reali: cento, duecento query rappresentative del lavoro effettivo, con criteri di successo espliciti.
È l’unica misura che conta davvero. Ed è l’unica che protegge dall’oscillazione dei numeri vendor.
La distanza si assottiglia, ma il vantaggio è saper valutare
DeepSeek V4 è un segnale importante di dove sta andando il mercato: la distanza tra open-weight e frontier proprietari si sta assottigliando, e la pressione competitiva sui prezzi sarà crescente. Ma il modo giusto di leggere questo segnale non è “possiamo chiudere il nostro contratto con OpenAI”. È: “Le opzioni si stanno moltiplicando, e la capacità di valutarle diventa un vantaggio competitivo”.
Chi ha in casa (o presso il proprio partner tecnologico) le competenze per progettare un’architettura AI ibrida (con routing intelligente, valutazione interna dei modelli, monitoraggio dei costi per caso d’uso) otterrà sistematicamente un rapporto costo-qualità migliore di chi si affida al modello del momento.
In sintesi
- DeepSeek V4 è un modello open-weight (licenza MIT) di livello quasi-frontier, con architettura innovativa (DSA, KV-cache al 10%) e finestra di contesto da 1M di token.
- I benchmark ufficiali dichiarano un 80,6% su SWE-bench Verified a un costo circa 28,7 volte inferiore rispetto a Claude Opus 4.8.
- Su benchmark indipendenti e contamination-free (DeepSWE), lo stesso modello crolla all’8% contro il 70% di GPT-5.5: il gap reale è molto più ampio di quello dichiarato.
- La lezione operativa non è “cambiare modello”, ma progettare una strategia di routing basata sui casi d’uso reali, con valutazione interna e monitoraggio continuo.