DeepSeek: cos’è, come funziona e quali modelli usare oggi

Se hai conosciuto DeepSeek attraverso DeepSeek-R1, c’è una distinzione importante da fare: nel 2026 DeepSeek non coincide più con quel modello. R1 resta una tappa fondamentale nell’evoluzione del progetto, ma oggi l’ecosistema ruota attorno alla famiglia DeepSeek-V4, con V4 Pro e V4 Flash, accesso tramite web, app e API e una crescente attenzione ai workflow agentici.

Al 19 agosto 2026, DeepSeek-V4-Pro-0813 è la release ufficiale più recente della linea Pro. È stata resa disponibile il 13 agosto su web e app tramite Expert Mode e attraverso API. Le API correnti includono inoltre DeepSeek-V4-Flash-0731, con una finestra di contesto fino a un milione di token e supporto sia alla modalità di ragionamento sia a quella non-thinking.

Questo cambia anche il modo corretto di valutare DeepSeek. Non basta più chiedersi se R1 sia “un’alternativa a ChatGPT”: bisogna distinguere azienda, modelli, chatbot, API, pesi aperti e possibilità di esecuzione locale, per poi capire quale soluzione abbia senso nel proprio scenario.

DeepSeek in breve: cos’è e cosa offre oggi

DeepSeek è un progetto di intelligenza artificiale che sviluppa modelli linguistici di grandi dimensioni e li rende disponibili attraverso più canali, tra cui servizi consumer, API e model weights scaricabili.

Quando parliamo di DeepSeek conviene quindi separare tre livelli:

• DeepSeek è l’entità che sviluppa i modelli e gestisce i servizi;
• V4 Pro, V4 Flash e R1 sono famiglie o versioni di modelli;
• web, app e API sono invece modalità attraverso cui puoi utilizzarli.

È una distinzione simile a quella necessaria per capire la differenza tra un Large Language Model e il prodotto che utilizza quel modello.

DeepSeek azienda, chatbot e modelli non sono la stessa cosa

Il chatbot che apri nel browser è soltanto una delle superfici di DeepSeek. Dietro l’interfaccia può cambiare il modello utilizzato, mentre uno sviluppatore può interagire direttamente con le API oppure distribuire determinati pesi nel proprio ambiente.

Questa differenza diventa importante soprattutto quando valuti privacy, costi e controllo dell’infrastruttura. Utilizzare un servizio cloud significa inviare dati a un’infrastruttura gestita dal provider; eseguire un modello realmente in locale cambia invece il percorso dei dati, ma richiede hardware, configurazione e capacità operative molto diverse.

Lo stesso vale per il termine open source. Sapere che i pesi di un modello sono disponibili non significa automaticamente che il chatbot cloud, la sua infrastruttura e l’intero processo con cui è stato prodotto siano aperti o riproducibili.

Perché R1 ha reso DeepSeek famoso e cosa è cambiato

DeepSeek-R1, pubblicato all’inizio del 2025, ha attirato molta attenzione soprattutto per il suo approccio al reasoning. Il progetto comprendeva anche R1-Zero, addestrato con reinforcement learning su larga scala senza un passaggio preliminare di supervised fine-tuning; per R1 vero e proprio DeepSeek ha successivamente introdotto dati di cold start e ulteriori fasi di training per migliorare qualità e leggibilità. Sono stati inoltre pubblicati diversi modelli distillati più piccoli.

R1 conserva quindi un valore storico e tecnico reale. Non è però il modo corretto di descrivere tutto ciò che DeepSeek offre oggi.

Tra il 2025 e il 2026 la piattaforma è passata attraverso V3.1, V3.2 e infine V4. La release V4 ha portato una finestra di contesto molto più ampia e un’architettura orientata anche a task lunghi e workflow con strumenti; la release GA di V4 Pro dell’agosto 2026 ha ulteriormente rafforzato soprattutto il lato agentico.

Quali sono i modelli DeepSeek attuali

Per un utente o sviluppatore che arriva oggi su DeepSeek, i nomi più importanti sono DeepSeek-V4-Pro-0813 e DeepSeek-V4-Flash-0731. R1 rimane disponibile come modello aperto, ma non è il modello corrente esposto dalle API principali.

Modello	Stato al 19 agosto 2026	Quando ha più senso	Accesso principale
DeepSeek-V4-Pro-0813	Release Pro corrente	Ragionamento complesso, coding, workflow agentici e task lunghi	Web/app in Expert Mode, API, pesi del modello
DeepSeek-V4-Flash-0731	Modello V4 corrente nelle API	Quando contano maggiormente costo ed efficienza mantenendo le funzioni V4	API, pesi del modello
DeepSeek-R1	Generazione precedente, ancora disponibile	Ricerca sul reasoning, distillazione, sperimentazione e deployment compatibili	Pesi aperti e implementazioni locali
R1 Distill	Famiglia derivata da R1	Hardware e deployment più accessibili rispetto al modello R1 completo	Download e deployment locale

La documentazione API corrente assegna sia a V4 Flash sia a V4 Pro una context length di 1M token e un output massimo dichiarato fino a 384K token. Entrambi supportano JSON Output, tool calling, Responses API e un formato API compatibile con quello Anthropic.

Una finestra di contesto da un milione di token non significa però che il modello “ricordi perfettamente” qualunque documento di quelle dimensioni. Indica la quantità massima di contesto che l’interfaccia può gestire; accuratezza, capacità di recuperare il dettaglio giusto e qualità del ragionamento restano dipendenti dal task e dal modello.

DeepSeek-V4-Pro-0813

V4 Pro è la versione su cui DeepSeek concentra oggi le capacità più avanzate. La release del 13 agosto 2026 introduce tre livelli di reasoning_effort — low, high e max — per regolare quanta elaborazione dedicare prima di produrre la risposta. DeepSeek posiziona il livello low sui compiti semplici, high sui workflow agentici ordinari e max sui task più complessi.

È una funzione utile perché evita di trattare ogni richiesta nello stesso modo. Un’operazione semplice può essere eseguita con meno deliberazione, mentre un problema di coding articolato o una sequenza di operazioni con strumenti può ricevere un budget di reasoning maggiore.

Questo non dimostra, da solo, che V4 Pro sia “il miglior modello AI”. I benchmark pubblicati nella model card sono evidenze fornite dallo stesso vendor e dipendono da configurazioni, agent harness e dataset specifici. Sono utili per capire come DeepSeek valuta il proprio modello, non come prova neutrale di superiorità universale.

DeepSeek-V4-Flash-0731

V4 Flash condivide molte delle funzioni API di V4 Pro, compresi thinking mode, tool calls e Responses API, ma ha prezzi sensibilmente inferiori.

Questo lo rende interessante quando devi eseguire molti task e il costo marginale per token pesa più della necessità di usare sempre il modello Pro. Per esempio, classificazioni, trasformazioni di testo, automazioni ripetitive o alcuni step intermedi di un workflow possono non richiedere il livello massimo di reasoning.

La scelta non dovrebbe quindi essere “Pro è migliore, dunque uso sempre Pro”. In produzione conta il rapporto fra complessità del task, qualità richiesta, latenza e costo.

Che ruolo ha ancora DeepSeek-R1

R1 non è diventato inutile con l’arrivo di V4. Rimane importante soprattutto per tre motivi.

Il primo è storico: ha mostrato pubblicamente l’approccio DeepSeek al reinforcement learning applicato al reasoning. Il secondo è tecnico: repository e pesi continuano a essere disponibili. Il terzo riguarda l’ecosistema dei modelli distillati, che permette di lavorare con varianti più gestibili rispetto al modello completo.

DeepSeek dichiara per il repository e i pesi R1 una licenza MIT e consente uso commerciale, modifiche e opere derivate; alcune varianti distillate restano però legate anche alle licenze dei modelli base da cui derivano, come Qwen e Llama.

In una guida aggiornata, quindi, R1 va spiegato come una generazione importante di DeepSeek, non usato come sinonimo della piattaforma.

Come funziona DeepSeek

Alla base di V4 rimane un’architettura Mixture-of-Experts (MoE). L’idea essenziale è che un modello possa contenere moltissimi parametri senza utilizzare necessariamente tutti gli stessi parametri per elaborare ogni token.

In pratica, una parte del modello agisce come sistema di instradamento e attiva gli “esperti” più utili per quell’input. Questo permette di aumentare la capacità complessiva senza far crescere nello stesso modo il costo computazionale di ogni singola inferenza.

Qui c’è però una distinzione che spesso viene persa: pochi parametri attivi per token non significa modello piccolo da caricare in memoria. L’inferenza può beneficiare dell’architettura MoE, ma per ospitare localmente il modello completo devi comunque gestire i suoi pesi e un’infrastruttura adeguata.

L’architettura V4 e il contesto da un milione di token

Nel technical report di V4, DeepSeek descrive un sistema di attenzione ibrido che combina Compressed Sparse Attention e Heavily Compressed Attention, insieme ad altre modifiche architetturali e di ottimizzazione. L’obiettivo dichiarato è ridurre il costo del long context rispetto alla precedente generazione V3.2.

Questa architettura conta soprattutto quando il modello deve mantenere disponibili grandi quantità di informazioni: repository estesi, documentazione tecnica, cronologie di un agente o documenti molto lunghi.

Non bisogna però trasformare il numero “1M” in una metrica assoluta di qualità. Context window e qualità del modello sono due cose diverse: un contesto più grande aumenta lo spazio disponibile, ma non garantisce automaticamente che ogni informazione presente venga individuata, interpretata e utilizzata correttamente.

Thinking mode e reasoning

Le API V4 supportano sia una modalità thinking sia una modalità non-thinking. La prima concede al modello spazio per elaborare maggiormente la richiesta prima della risposta finale; la seconda è più adatta quando quella deliberazione aggiuntiva non serve.

Il termine “reasoning” può creare aspettative sbagliate. Non significa che il modello ragioni come una persona o che una risposta prodotta dopo più elaborazione sia necessariamente vera. Significa che il processo di generazione può destinare più calcolo a passaggi intermedi utili alla soluzione del problema.

Per questo il reasoning è particolarmente interessante su matematica, programmazione, pianificazione o task con più vincoli, mentre su una trasformazione semplice può aumentare costo e latenza senza produrre un beneficio proporzionato.

Tool calling e workflow agentici

DeepSeek V4 supporta tool calls e la Responses API; V4 Pro viene inoltre presentato da DeepSeek come un importante aggiornamento per gli agenti.

Un tool call consente al modello di chiedere a un sistema esterno di eseguire un’azione: interrogare un database, chiamare un’API, cercare un’informazione o avviare una funzione. Ma il modello, da solo, non diventa per questo un agente autonomo.

Serve ancora un livello di orchestrazione che definisca quali strumenti sono disponibili, come vengono autorizzati, quali risultati tornano al modello e quando il workflow deve fermarsi. DeepSeek ha pubblicato anche DeepSeek Harness, un agent harness open source con architettura a plugin, che mostra come l’ecosistema stia andando oltre la semplice chat.

Come usare DeepSeek

Il modo migliore per usare DeepSeek cambia molto a seconda di ciò che devi fare. Una chat occasionale, un’integrazione software e un deployment privato sono tre scenari diversi, anche se utilizzano modelli della stessa famiglia.

DeepSeek sul web

Per l’utente finale, il percorso più semplice è l’interfaccia web. Con la release V4 Pro, DeepSeek ha indicato Expert Mode come modalità per accedere al modello Pro su web e app.

La chat è adatta per attività come scrittura, sintesi, analisi, ragionamento e coding senza dover configurare direttamente un endpoint API.

In Italia, però, la semplice raggiungibilità tecnica del sito non va confusa con lo stato normativo del trattamento dei dati. Su questo punto torneremo più avanti perché il provvedimento del Garante Privacy del 2025 merita una valutazione separata.

App DeepSeek

DeepSeek dispone anche di applicazioni consumer. È una superficie distinta dalle API e, per alcuni aspetti, la privacy policy specifica perfino trattamenti differenti tra app e piattaforma aperta.

Disponibilità sugli store, accessibilità da uno specifico Paese e liceità del trattamento dei dati non sono però la stessa domanda. In Italia eviterei quindi di scrivere semplicemente “scarica l’app e usala”: prima va considerato lo stato del provvedimento dell’autorità italiana.

API per sviluppatori

Per applicazioni, automazioni e prodotti software, le API sono la superficie più interessante.

Al momento DeepSeek espone due nomi principali:

deepseek-v4-flash

deepseek-v4-pro

La documentazione mette a disposizione sia un endpoint in formato compatibile OpenAI sia un formato compatibile Anthropic. Sono supportati anche tool calls, JSON Output e Responses API.

La compatibilità del formato può ridurre il lavoro necessario per spostare o adattare integrazioni esistenti, ma non significa che due provider siano perfettamente intercambiabili. Parametri, comportamento del modello, rate limit, gestione del contesto e funzionalità specifiche vanno comunque testati sull’applicazione reale.

Eseguire DeepSeek in locale

La possibilità di scaricare i pesi è uno dei motivi per cui DeepSeek interessa sviluppatori e aziende che vogliono maggiore controllo sull’infrastruttura.

Ma “posso scaricarlo” e “posso eseguirlo bene sul mio PC” non sono sinonimi.

La model card ufficiale di V4 Pro documenta deployment tramite vLLM e SGLang e, in uno degli esempi per il modello completo, utilizza un nodo con 4 GPU NVIDIA GB300. Sono disponibili anche quantizzazioni e strumenti compatibili con applicazioni locali, ma la dimensione del modello completo resta tale da rendere un deployment V4 Pro serio un problema infrastrutturale, non una normale installazione desktop.

Se l’obiettivo è sperimentare localmente con hardware molto più contenuto, i modelli distillati della famiglia R1 possono essere una strada più realistica. La qualità e le capacità non sono però equivalenti al modello V4 Pro completo.

DeepSeek è open source?

La risposta breve è: DeepSeek pubblica realmente codice e pesi con licenze aperte, ma “open source” va specificato per evitare di far coincidere apertura dei pesi e apertura completa dell’intero sistema.

Per V4-Pro-0813, la model card ufficiale indica che repository e model weights sono distribuiti con licenza MIT. Per R1, DeepSeek dichiara ugualmente MIT per repository e pesi e consente anche uso commerciale, modifiche, derivazioni e distillazione, con le già citate condizioni aggiuntive per alcuni modelli distillati basati su famiglie esterne.

Questo è un livello di apertura sostanziale: puoi ispezionare e scaricare i pesi, costruire deployment e, nei limiti della licenza applicabile, modificarli.

Non significa però che ogni dato utilizzato per l’addestramento, ogni passaggio della pipeline, l’infrastruttura produttiva e il servizio cloud siano integralmente pubblici e riproducibili.

Per questo, quando la distinzione tecnica conta, preferisco dire che DeepSeek offre modelli con pesi aperti e licenze permissive invece di usare “open source” come etichetta che dovrebbe spiegare da sola tutto il sistema.

Quanto costa DeepSeek

Bisogna separare ancora una volta il servizio consumer dall’API.

Per gli sviluppatori, DeepSeek pubblica prezzi per milione di token e dal 16 agosto 2026 applica un sistema peak/off-peak. Gli orari peak indicati dal provider sono 01:00–04:00 e 06:00–10:00 UTC; nelle altre fasce vengono applicate tariffe off-peak pari alla metà delle tariffe peak.

Prezzi verificati il 19 agosto 2026, per 1 milione di token:

Tipo di utilizzo	V4 Flash off-peak	V4 Flash peak	V4 Pro off-peak	V4 Pro peak
Input con cache hit	$0,007	$0,014	$0,022	$0,044
Input con cache miss	$0,22	$0,44	$0,66	$1,32
Output	$0,66	$1,32	$1,98	$3,96

I prezzi API ufficiali di DeepSeek sono dati molto volatili e vanno ricontrollati prima di stimare un budget reale.

Cache hit e cache miss: perché cambiano il costo

Quando l’input può beneficiare del meccanismo di context caching del provider, il costo è molto più basso rispetto a un cache miss. La differenza diventa importante soprattutto nei workflow che riutilizzano grandi porzioni di contesto.

In un’applicazione reale, quindi, il costo non dipende soltanto dal modello scelto, ma anche da quanti token invii e produci, quanto contesto può essere riutilizzato e in quale fascia oraria esegui il workload.

Per questo una semplice comparazione “prezzo per token” è insufficiente per prevedere la spesa di produzione.

DeepSeek in Italia: accesso, privacy e dati

Questa è probabilmente la parte in cui una guida italiana deve essere più precisa.

Il 30 gennaio 2025 il Garante per la protezione dei dati personali ha disposto con effetto immediato la limitazione del trattamento dei dati degli utenti italiani nei confronti di Hangzhou DeepSeek Artificial Intelligence e Beijing DeepSeek Artificial Intelligence. Contestualmente ha aperto un’istruttoria. Il comunicato e il provvedimento sono disponibili sul sito del Garante Privacy.

La relazione del Garante sull’attività 2025, pubblicata successivamente, continua a richiamare quella decisione come uno degli interventi rilevanti dell’Autorità.

Nelle fonti ufficiali del Garante che ho potuto verificare fino al 19 agosto 2026 non emerge una successiva comunicazione pubblica di revoca di quel provvedimento. È importante formulare il punto in questo modo: non trovare un atto di revoca non dimostra che nessun ulteriore sviluppo giuridico possa esistere, ma non permette neppure di affermare che il problema sia semplicemente “risolto” perché il sito o una determinata superficie risultano tecnicamente raggiungibili.

Il procedimento AGCM del 2026 riguarda un tema diverso

Ad aprile 2026 è arrivato un altro sviluppo italiano, ma riguarda l’Autorità Garante della Concorrenza e del Mercato, non il Garante Privacy.

Il 30 aprile 2026 l’AGCM ha chiuso con impegni, senza accertamento di infrazione ai sensi dell’articolo 27(7) del Codice del Consumo, tre procedimenti riguardanti DeepSeek, Mistral e NOVA AI. L’attenzione era concentrata soprattutto sulla trasparenza relativa al rischio di allucinazioni, cioè risposte inesatte o fuorvianti. DeepSeek ha accettato, tra le altre cose, misure informative e impegni per ridurre quel rischio. La decisione è descritta nel comunicato ufficiale AGCM.

La chiusura del procedimento AGCM non equivale quindi alla revoca del provvedimento privacy del 2025. Sono autorità, basi giuridiche e problemi differenti.

Dove vengono trattati i dati secondo DeepSeek

La Privacy Policy di DeepSeek, aggiornata il 10 febbraio 2026, identifica Hangzhou DeepSeek Artificial Intelligence Co., Ltd. come data controller e contiene oggi una sezione specifica per Spazio Economico Europeo, Svizzera e Regno Unito.

Allo stesso tempo, il documento dichiara che i dati personali possono comprendere prompt, testo, voce, file e fotografie caricati, feedback e cronologia delle chat. Dichiara inoltre che, per fornire i servizi, DeepSeek raccoglie, tratta e conserva direttamente dati personali nella Repubblica Popolare Cinese.

La stessa policy precisa che i servizi non sono progettati per trattare categorie di dati personali sensibili e invita esplicitamente gli utenti a non fornirli.

Quando eviterei di inviare dati aziendali o personali

La regola prudente è semplice: non incollerei in una chat AI pubblica dati personali sensibili, credenziali, informazioni riservate di clienti, documenti coperti da obblighi di confidenzialità o materiale aziendale che non dovrebbe lasciare l’organizzazione.

Questo vale come buona pratica generale per i servizi AI cloud; nel caso di DeepSeek c’è in più il contesto regolatorio italiano appena descritto e una privacy policy che dichiara esplicitamente il trattamento in Cina.

Un’azienda che vuole integrare DeepSeek in processi contenenti dati personali dovrebbe quindi distinguere fra disponibilità tecnica del modello e conformità del trattamento, coinvolgendo quando necessario chi gestisce privacy, sicurezza e aspetti legali.

Vantaggi e limiti reali di DeepSeek

DeepSeek è interessante non perché esista una caratteristica che lo renda automaticamente migliore degli altri sistemi, ma perché combina modelli competitivi, costi API aggressivi, pesi disponibili e maggiore libertà di deployment.

Questi elementi hanno però valore diverso in base allo scenario.

Dove DeepSeek ha più senso

Per uno sviluppatore, V4 Flash può essere particolarmente interessante quando occorre contenere il costo di workload voluminosi. V4 Pro diventa più sensato quando il task richiede un reasoning più profondo, coding complesso o workflow agentici per i quali il costo maggiore è giustificabile.

Per chi fa ricerca o vuole costruire infrastruttura propria, la disponibilità dei pesi e la licenza permissiva sono un vantaggio più rilevante del prezzo della chat.

Per un utente che vuole semplicemente fare domande a un assistente AI, invece, entrano maggiormente in gioco qualità dell’interfaccia, funzioni consumer, integrazioni e trattamento dei dati.

Dove il vantaggio dei pesi aperti conta davvero

Il vantaggio non è semplicemente “è gratis”.

Avere accesso ai pesi può consentire di:

• scegliere l’infrastruttura di esecuzione;
• sperimentare con quantizzazioni e deployment differenti;
• modificare o integrare il modello nei limiti della licenza;
• ridurre la dipendenza dall’endpoint cloud del vendor;
• studiare più direttamente comportamento e architettura.

Il prezzo da pagare è operativo. Hosting, GPU, inferenza, monitoraggio e aggiornamenti diventano responsabilità tua.

Un modello aperto può quindi offrire maggiore controllo, ma non elimina costi e complessità: spesso li sposta dal provider alla tua infrastruttura.

Allucinazioni e verifica delle risposte

DeepSeek, come gli altri LLM generativi, può produrre informazioni errate con formulazioni convincenti. La sua stessa privacy policy avverte che l’output può non essere fattualmente accurato, mentre gli impegni assunti con l’AGCM prevedono avvisi più chiari sul rischio di allucinazioni.

Thinking mode e reasoning effort non eliminano questo problema. Una risposta più elaborata può comunque partire da una premessa falsa, interpretare male una fonte o generare un dettaglio inesistente.

Su codice, dati, norme, salute, finanza, sicurezza o altre decisioni ad alto impatto serve quindi sempre una verifica appropriata.

Quando valutare un’alternativa

Non trasformerei DeepSeek in un vincitore universale contro tutti gli altri modelli. La scelta cambia in base al workflow.

Se vuoi approfondire ecosistemi differenti, puoi confrontare separatamente Claude AI, Google Gemini e Perplexity AI.

Il confronto ha senso soltanto definendo prima che cosa conta: costo API, coding, retrieval, integrazioni, multimodalità, privacy, deployment locale o esperienza consumer. Senza criteri, chiedere quale AI sia “migliore” produce quasi sempre una risposta troppo generica per essere utile.

Conclusione

Nel 2026 DeepSeek non va più letto attraverso la sola lente di R1. R1 rimane una release importante per capire come il progetto ha sviluppato il reasoning e continua a essere interessante per ricerca e deployment open-weight, ma la realtà corrente è la famiglia V4.

Per un utilizzo tramite API, V4 Flash ha senso quando costo ed efficienza sono prioritari, mentre V4 Pro è la scelta da valutare per task più complessi, coding e workflow agentici. Se il motivo per cui guardi DeepSeek è invece la possibilità di controllare direttamente il modello, il vero elemento distintivo è la disponibilità dei pesi con licenze permissive — tenendo presente che eseguire i modelli più grandi richiede un’infrastruttura importante.

Per chi opera dall’Italia c’è infine un limite che viene prima di benchmark e prezzi: accessibilità tecnica e trattamento lecito dei dati non sono sinonimi. Il provvedimento del Garante Privacy del 2025 e le dichiarazioni correnti della privacy policy sulla conservazione dei dati in Cina richiedono una valutazione prudente, soprattutto quando nei prompt possono entrare informazioni personali, riservate o aziendali.

È questo il punto che oggi distingue una valutazione utile di DeepSeek da una fotografia rimasta ferma al boom di R1 del 2025.