DeepSeek rilascia V4 Flash 0731, 304 miliardi di parametri e forte focus agentico
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Modello da 167 GB su Hugging Face, valutato dall'Artificial Analysis superiore a un 428B sul rapporto intelligenza/costo e accessibile via OpenRouter.
DeepSeek pubblica V4 Flash 0731: 304 miliardi di parametri, 167 GB su Hugging Face e “capacità agentiche sostanzialmente potenziate”, con riferimento del 31 luglio 20261.
Dati tecnici. La scheda riporta 304B parametri e una dimensione modello di 167 GB su Hugging Face1. Il listino fissa il prezzo a 0,14 dollari per milione di token in input e 0,27 dollari per milione in output1. L’azienda rivendica un “potenziamento sostanziale” delle capacità agentiche per questa iterazione della linea V4, senza fornire dettagli tecnici pubblici su cosa cambi rispetto alle versioni precedenti: un’affermazione di fornitore da trattare come tale finché non emergono specifiche o evidenze indipendenti1.
Valutazioni e benchmark. Una lettura comparativa di Artificial Analysis colloca V4 Flash 0731 in posizione molto competitiva sul grafico “Intelligence Index vs. Cost per Intelligence Index Task”, con un rapporto costo/prestazioni favorevole secondo quella metrica1. Nella stessa classifica, il modello supera MiniMax M3, descritto con 428 miliardi di parametri, sull’“Intelligence Index” considerato, nonostante la scala inferiore1. In questo quadro arriva anche la formula “punches above its weight”: resa osservata superiore a quanto suggerirebbe la dimensione, limitatamente a quell’indice e a quel confronto pubblico1.
Prova d’uso. Un test via OpenRouter segnala una forte sensibilità al parametro di ragionamento: con l’impostazione predefinita, un prompt di prova ha dato un esito deludente; portando “reasoning_effort” a high, l’output è migliorato nettamente1. Il comando riportato è: llm -m openrouter/deepseek/deepseek-v4-flash-0731 -t pelican -o reasoning_effort high1. Il caso non prova prestazioni generali, ma indica un accorgimento operativo per chi integra il modello: esplicitare il livello di ragionamento può incidere sulla qualità del risultato, con impatto anche sui costi dato il prezzo per token pubblicato1.
Cosa c’è e cosa manca. Ci sono numeri di scala, prezzi e un piazzamento su un indice comparativo di terze parti che legge bene il rapporto costo/qualità per task secondo il grafico citato1. Mancano, per ora, spiegazioni verificabili su come si concretizzi il “potenziamento” agentico dichiarato dal produttore, e metriche standardizzate che colleghino quella promessa a casi d’uso specifici1.
Da monitorare ora l’evoluzione del costo-per-task su quel grafico se i listini cambiano, e la riproducibilità dei risultati quando si varia “reasoning_effort” in scenari reali: due leve che possono spostare il valore percepito senza toccare la scala del modello1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.