L'ultima release di DeepSeek si è guadagnata un nuovo riconoscimento. Il modello DeepSeek-V4.1-Flash-20261017 è ora il modello open più alto in classifica nella leaderboard Code Arena WebDev di Arena.ai, superando Kimi K3 (Max) con un costo di esecuzione pari a circa un decimo.

Cosa mostra la classifica

Arena.ai ha pubblicato le classifiche aggiornate il 18 ottobre 2026. Il nuovo build di DeepSeek ha ottenuto 1670 punti su Code Arena WebDev, posizionandosi al #1 tra i modelli open e al #12 complessivo. La classifica copre attività di coding agentico e front-end.

Kimi K3 (Max), il modello scalato dalla vetta della classifica open, costa, secondo le stime di Arena.ai, circa 10 volte tanto da far girare. La piattaforma ha inoltre descritto la release come uno spostamento della frontiera di Pareto prestazione-costo per i modelli open nei flussi di lavoro — in altre parole, il compromesso tra ciò che un modello offre e quanto costa farlo girare.

Una point release con guadagni oltre le aspettative

Il build del 17 ottobre è tecnicamente un aggiornamento minore, che rinnova il modello DeepSeek lanciato a settembre 2026. Minore, in questo caso, significa comunque migliore su ogni benchmark elencato da DeepSeek. I confronti con la versione di settembre includono:

• DeepSWE v1.1: 77,0, in aumento da 74,2
• Terminal-Bench 4.0: 42,3, in aumento da 31,2
• Automation-Bench: 60,5, in aumento da 54,8

Terminal-Bench 4.0 ha registrato il salto maggiore dei tre, salendo di 11,1 punti.

Sotto il cofano

Il modello è basato su un'architettura Mixture-of-Experts, un design in cui per ogni singolo compito viene attivato solo un sottoinsieme dei parametri. Il backbone contiene 552 miliardi di parametri, con ulteriori 196 miliardi di parametri Engram sopra, ma il modello non li attiva tutti contemporaneamente. Poiché il calcolo per l'inenza scala in base ai parametri attivi e non totali, questa configurazione sparsa mantiene il lavoro dietro ogni token generato in linea con quello di una rete molto più piccola.

Durante il prefill, la fase in cui il modello legge ed elabora l'input, sono attivi 8 miliardi di parametri. Durante il decoding, quando genera l'output, la cifra sale a 16 miliardi.

Le altre caratteristiche elencate includono una struttura Causal Encoder-Decoder, visione nativa (il modello può accettare immagini come input diretto) e ottimizzazioni della KV cache che riducono la memoria necessaria per memorizzare gli stati di attenzione durante la generazione. La finestra di contesto arriva a 1 milione di token, abbastanza da contenere codebase sostanziose o sessioni agent estese in un unico contesto.

I pesi sono pubblicati su Hugging Face sotto licenza MIT, una licenza permissiva che consente uso commerciale, modifica e ridistribuzione — la differenza pratica tra un modello che i team possono eseguire e modificare sulla propria infrastruttura e uno a cui possono accedere solo tramite API. Per gli sviluppatori che preferiscono non fare self-hosting, l'API di DeepSeek è prezzata a 0,30 dollari per milione di token di input e 1,20 dollari per milione di token di output nei momenti di picco.

Contesto: la strategia di DeepSeek

DeepSeek, formalmente Hangzhou DeepSeek, è un laboratorio di IA cinese che ha costruito la propria identità attorno ai modelli open-weight. La sua famiglia V4.1 punta in modo specifico sul coding agentico a basso costo.

Cosa significa per gli sviluppatori

L'impatto più diretto riguarda i team di ingegneria che scelgono quale modello integrare nei propri strumenti. Un modello che si colloca al #12 complessivo, contro concorrenti sia open che closed, addebitando 0,30 dollari per milione di token di input, si presenta come un'opzione competitiva in termini di costi per i carichi di lavoro di coding.

La classifica significa anche che 11 modelli restano sopra di esso. La vetta della classifica, per ora, rimane fuori portata. Il prossimo aggiornamento della leaderboard di Arena.ai dirà se il build del 17 ottobre manterrà la leadership tra i modelli open appena conquistata.