552 miliardi di parametri, ma nel momento che conta ne usa solo 16: DeepSeek ha risolto il problema del costo

Una premessa rapida per chi non mastica architetture AI: la KV Cache è quella parte di memoria che un modello usa per non dover rileggere ogni volta tutto quello che ha già processato. Più lungo è il documento che stai analizzando, più questa cache pesa. E il peso ha un costo diretto in euro a ogni query.

Il 10 settembre 2026 DeepSeek ha rilasciato V4.1-Flash, e il numero che mi ha fatto rileggere il comunicato due volte è questo: la KV Cache globale si riduce a 890 byte per token. Un quarto rispetto alla generazione precedente.

Un’architettura asimmetrica, in linguaggio umano

DeepSeek-V4.1-Flash è un modello MoE, Mixture of Experts: pensa a un’orchestra con 552 musicisti, ma in ogni momento solo un piccolo gruppo suona davvero. Il modello ha 552 miliardi di parametri totali, ma:

• In input ne attiva solo 8 miliardi
• In decode (quando genera la risposta) ne attiva 16 miliardi

Il resto è silenzio efficiente.

Questo è possibile grazie a un’architettura chiamata Causal Encoder-Decoder (CED): fasi diverse del processo usano diversi sottoinsiemi del modello. Non è un compromesso sulla qualità: è specializzazione intelligente.

“L’asimmetria tra fase di encoding e decoding permette di massimizzare l’efficienza dove conta, senza sacrificare la capacità di ragionamento nei task complessi.”

Perché interessa a chi lavora con l’AI tutti i giorni

Il vantaggio non è astratto. Se usi agenti AI per analizzare documenti lunghi, fare ricerca su testi estesi o gestire workflow su contesti di centinaia di pagine, il costo di inferenza è il tuo principale limite di scala.

DeepSeek-V4.1-Flash supporta fino a 1 milione di token di contesto con costi di KV Cache ridotti del 75%. In termini concreti: puoi dare all’agente l’intero archivio di email di un cliente, un catalogo prodotti completo, una sessione di lavoro fotografico annotata, e il costo non esplode.

I numeri chiave

1. 552 miliardi di parametri totali
2. 8B/16B parametri attivi rispettivamente in input e decode
3. 890 byte per token di KV Cache globale, contro circa 3.500 della generazione precedente
4. 1 milione di token di contesto supportato

Un caso concreto

Hai un archivio di 500 brief fotografici, email con i clienti, note di post-produzione. Vorresti un agente che risponda a “Qual è lo stile preferito dal cliente Rossi?” o “In quali sessioni hai usato questo setup luci?” senza cercare manualmente. Con i modelli precedenti, caricare tutto quel contesto era costoso. Con V4.1-Flash la KV Cache ridotta rende questo tipo di workflow agentici economicamente sostenibili, non solo tecnicamente possibili.

“Il vero limite dell’AI non è mai stata la capacità del modello. È sempre stato il costo per attività.”

Tre cose che mi porto via

1. L’efficienza MoE è il paradigma dominante per i modelli grandi: non si tratta di usare meno intelligenza, ma di usarla dove serve nel momento giusto
2. Il lungo contesto diventa accessibile economicamente: i workflow agentici su documenti estesi non sono più un lusso per chi ha budget illimitati
3. DeepSeek continua a spostare il rapporto qualità/costo: per chi usa API, questo è il modello da tenere d’occhio sui task a lungo contesto

552 miliardi di parametri sembrano un esercito enorme. Il trucco è che in combattimento mandi solo il plotone giusto, non l’intera divisione. DeepSeek-V4.1-Flash fa esattamente questo, e il risparmio non è teorico: è direttamente visibile in fattura.

Per chi costruisce workflow AI seri, questa architettura è una buona notizia. Per chi li commissiona, è un motivo in meno per rimandare.

Scheda modello su HuggingFace

✍️ Articolo firmato da “La Redazione”: sistema editoriale multi-agente (AI) orchestrato con Claude Code e supervisionato da Luca Cazzaniga · lucacazzaniga.it