DeepSeek Flash 0731 entra nella top tre dei modelli aperti, ma il primato nei benchmark deve essere verificato

DeepSeek Flash 0731 ha raggiunto quota 50 nell'Artificial Analysis Intelligence Index, collocando il modello appena rilasciato tra i primi tre sistemi a pesi aperti.

Il risultato è dieci punti sopra il precedente punteggio di DeepSeek V4 Flash, secondo test indipendenti. Il salto è rilevante perché DeepSeek ha mantenuto l'architettura Flash più compatta, concentrando l'aggiornamento sul comportamento degli agenti.

Il rilascio intensifica inoltre la pressione sui modelli aperti più grandi di Zhipu AI, Moonshot AI, Alibaba e altri laboratori cinesi. Mette in discussione l'idea che un maggior numero di parametri totali o attivi resti la strada più sicura verso agenti più capaci.

Tuttavia, un punteggio composito non può chiudere il dibattito. DeepSeek ha usato il proprio harness agentico non rilasciato per diverse valutazioni di coding pubblicate. Due delle valutazioni citate provengono inoltre da set di test interni.

La sfida importante è quindi tra agenti a pesi aperti più piccoli e sistemi più grandi, non tra DeepSeek e una singola azienda. Flash 0731 rende più credibile la strada dei modelli più compatti, ma i carichi di lavoro esterni devono ora confermarne l'efficienza dichiarata.

Cosa è cambiato in DeepSeek Flash 0731

DeepSeek ha modificato il comportamento del modello più della sua architettura di base, per poi rilasciare il risultato con licenza MIT.

DeepSeek descrive 0731 come il rilascio ufficiale di DeepSeek V4 Flash, che sostituisce la precedente anteprima. La sua model card afferma che l'aggiornamento migliora in modo sostanziale le capacità agentiche.

Un modello agentico fa più che rispondere a prompt isolati. Pianifica i passaggi, richiama strumenti, esamina i risultati e rivede il proprio approccio mentre porta avanti un compito.

Il modello mantiene la struttura V4 Flash, con 284 miliardi di parametri totali e circa 13 miliardi attivati per ciascun token. Questo design è una mixture of experts, o MoE, che instrada ogni token attraverso componenti specialistici selezionati.

La distinzione è importante. I parametri totali indicano la capacità memorizzata dal modello, mentre quelli attivati approssimano meglio il calcolo impiegato durante una singola forward pass.

DeepSeek ha inoltre mantenuto DSpark, il suo modulo di speculative decoding integrato. Lo speculative decoding consente a un componente bozza di proporre diversi token prima che il modello principale li verifichi, migliorando la velocità di generazione quando le previsioni vengono accettate.

Il checkpoint rilasciato utilizza precisione mista FP4 e FP8. I pesi degli esperti usano una rappresentazione a quattro bit, mentre la maggior parte degli altri parametri usa una rappresentazione a otto bit.

Una precisione numerica inferiore riduce i requisiti di archiviazione e memoria, anche se il supporto hardware e l'implementazione a runtime determinano comunque le prestazioni pratiche. Il repository occupa circa 167GB nei file pubblicati.

DeepSeek ha rilasciato questi pesi con licenza MIT, che in genere consente modifiche, ridistribuzione e uso commerciale con obblighi limitati. “Open source” resta un'etichetta imperfetta per modelli privi di dati di addestramento pubblici e di codice di addestramento completo.

“Open weights” è più preciso. Gli sviluppatori possono ispezionare, eseguire, adattare e ridistribuire il checkpoint, ma non possono riprodurne integralmente la creazione a partire dai materiali rilasciati.

DeepSeek ha anche reso disponibile il modello aggiornato tramite la propria API ufficiale. Gli utenti esistenti possono continuare a usare l'identificatore del modello deepseek-v4-flash anziché migrare a un endpoint 0731 separato.

L'API supporta formati di richiesta compatibili con OpenAI e Anthropic. Questa compatibilità riduce il carico di integrazione per i team che già utilizzano interfacce comuni per chat completion o agenti.

DeepSeek afferma che l'architettura e i termini commerciali restano allineati al precedente servizio Flash. L'azienda ha quindi presentato 0731 come un aggiornamento delle capacità, non come un nuovo prodotto premium.

Questa combinazione crea la tensione centrale. Gli sviluppatori ricevono un agente dichiaratamente più capace senza adottare un modello attivo più grande, una licenza restrittiva per i pesi o una nuova integrazione API.

Perché un punteggio di 50 cambia la corsa ai modelli aperti

Il punteggio è importante perché porta un modello con una dimensione attiva relativamente piccola in una fascia prima associata a sistemi aperti più grandi.

Artificial Analysis riporta che DeepSeek Flash 0731 ha ottenuto 50 nel suo Intelligence Index. Il precedente DeepSeek V4 Flash aveva ottenuto 40 nel framework di valutazione della stessa organizzazione.

L'indice aggrega le prestazioni in diverse valutazioni di ragionamento, conoscenza, matematica e coding. Offre un punto di confronto condiviso, anche se nessuna metrica composita rappresenta ogni carico di lavoro in produzione.

Un miglioramento di dieci punti è abbastanza ampio da cambiare le discussioni sulla selezione dei modelli. Non è una semplice piccola revisione nascosta nel rumore di misurazione.

Il risultato, secondo quanto riportato, colloca il modello tra le tre offerte a pesi aperti più solide misurate dall'organizzazione. Lascia inoltre Flash vicino a diversi sistemi di punta con impronte attive sostanzialmente più grandi.

Questo crea una pressione immediata sui fornitori che competono sulla scala del modello. Chi acquista un agente spesso attribuisce più importanza al lavoro completato, alla latenza, ai requisiti di hosting e al controllo che al numero totale di parametri.

Un modello attivo più piccolo può migliorare questi aspetti economici se la sua qualità regge a test indipendenti. Meno calcolo per token generato può sostenere un throughput maggiore o minori esigenze infrastrutturali.

Tuttavia, l'efficienza MoE non equivale a una distribuzione semplice. Tutti i 284 miliardi di parametri richiedono comunque spazio di archiviazione e le implementazioni devono spostare i pesi degli esperti in modo efficiente tra gli acceleratori.

Il checkpoint ufficiale resta quindi oltre la portata di una normale GPU consumer. L'esempio di deployment di DeepSeek utilizza un singolo nodo contenente quattro acceleratori GB300.

Le quantizzazioni della community possono ridurre ulteriormente i requisiti di memoria, ma introducono un'altra variabile. Una quantizzazione aggressiva può modificare accuratezza, comportamento degli strumenti e prestazioni su contesti lunghi.

Il rilascio a pesi aperti offre comunque ai team opzioni che le API chiuse non possono fornire. Le organizzazioni possono mantenere i prompt in un'infrastruttura controllata, modificare il comportamento di inferenza o creare adattamenti specifici per dominio.

Possono inoltre ispezionare gli output su set di valutazione privati senza inviare materiale sensibile a un fornitore esterno di modelli. Questo è utile per agenti di coding che lavorano con repository proprietari.

Il rilascio mette sotto pressione i modelli aperti più grandi anche in un altro modo. I loro sviluppatori devono ora giustificare perché il calcolo attivo aggiuntivo offra maggiore affidabilità, conoscenza o esecuzione complessa degli agenti.

Un modello più grande può restare la scelta giusta. I risultati di DeepSeek mostrano che Flash non supera ogni sistema proprietario o ogni termine di confronto.

La questione è il margine prestazionale. Quando un modello più piccolo si avvicina a un concorrente più grande, gli acquirenti si chiedono se la differenza residua giustifichi hardware aggiuntivo e maggiore complessità operativa.

Questa domanda è particolarmente importante per carichi di lavoro agentici ripetuti. Un modello può generare migliaia di token, richiamare strumenti molte volte e conservare una lunga cronologia durante un singolo incarico.

Piccole differenze di efficienza si sommano lungo questi passaggi. Un modello credibile con 13 miliardi di parametri attivi può quindi contare più in un loop agentico che in un breve scambio con un chatbot.

Il punteggio di 50 non incorona un vincitore universale. Cambia l'onere della prova per i modelli che consumano più risorse offrendo un'intelligenza misurata simile.

Il meccanismo alla base dell'aggiornamento DeepSeek Flash

DeepSeek ha migliorato il post-training, il controllo del ragionamento e l'esecuzione degli agenti senza presentare 0731 come una nuova architettura di base.

L'azienda afferma che Flash 0731 ha la stessa struttura del precedente modello V4 Flash DSpark. Ciò significa che i guadagni dichiarati riflettono soprattutto addestramento e raffinamento comportamentale.

Il post-training determina il modo in cui un modello preaddestrato segue le istruzioni, ragiona, usa gli strumenti e risponde al feedback. Può modificare sostanzialmente le prestazioni pratiche senza cambiare il numero di parametri sottostante.

DeepSeek non ha pubblicato una ricetta di addestramento completa per 0731. Le evidenze disponibili mostrano il risultato e l'interfaccia runtime, ma non ogni dataset o decisione di ottimizzazione.

Il rilascio introduce tre impostazioni di sforzo di ragionamento: low, high e max. Queste impostazioni controllano quanta deliberazione il modello compie prima di produrre la risposta finale.

Questo controllo è importante per i prodotti basati su agenti. Una semplice richiesta di formattazione non dovrebbe consumare lo stesso budget di ragionamento richiesto dal debug di un repository o da un'attività di ricerca in più passaggi.

DeepSeek raccomanda lo sforzo high o max per i lavori più impegnativi. Secondo le istruzioni del modello, in queste modalità supporta anche una lunghezza massima di output di 384.000 token.

Un limite di output elevato non significa che ogni attività debba avvicinarsi a tale dimensione. Un ragionamento più lungo può aumentare la latenza e creare più occasioni perché il modello si discosti dal compito.

Il modello conserva inoltre la finestra di contesto da un milione di token della famiglia V4. Il contesto è il materiale disponibile durante una singola interazione, inclusi prompt, file, risultati degli strumenti e ragionamenti precedenti.

Il report tecnico originale di DeepSeek descrive metodi di attenzione ibrida progettati per rendere più efficiente questo lungo contesto. L'attenzione determina quali token precedenti influenzano il calcolo corrente.

Una finestra da un milione di token può contenere grandi codebase, tracce estese degli strumenti o raccolte di documenti tecnici. La capacità di contesto utile dipende comunque dall'accuratezza del recupero delle informazioni e dalla capacità di mantenere le istruzioni.

L'architettura utilizza attenzione sparsa compressa insieme ad attenzione fortemente compressa. Questi metodi riducono il calcolo e la memoria associati all'elaborazione di sequenze lunghe.

DeepSeek utilizza anche hyper-connections vincolate su varietà, chiamate mHC, per stabilizzare il flusso di informazioni nella rete. Il termine descrive un'alternativa strutturata alle connessioni residuali convenzionali.

Lo stack di addestramento V4 integra inoltre l'ottimizzatore Muon. Un ottimizzatore controlla come cambiano i parametri del modello durante l'addestramento, mentre il sistema minimizza l'errore.

Queste scelte architetturali provenivano dall'anteprima originale V4. La storia di 0731 riguarda quante prestazioni in più DeepSeek abbia estratto da quella base esistente.

DSpark offre un ulteriore meccanismo di efficienza. Prevede più possibili token successivi e consente alla rete principale di accettarli o rifiutarli a gruppi.

La configurazione ufficiale di vLLM propone sette token speculativi alla volta. Le proposte accettate possono aumentare la velocità di output senza sostituire la validazione del modello principale.

Il deployment richiede comunque un supporto software adeguato. DeepSeek documenta percorsi per vLLM e SGLang, due motori comuni per servire grandi modelli linguistici.

Il rilascio non include un tradizionale template di chat Jinja. DeepSeek fornisce invece script di codifica Python per convertire messaggi in stile OpenAI nel formato di input richiesto dal modello.

Questa scelta aggiunge lavoro di integrazione per i team che servono direttamente i pesi. I clienti API non affrontano la stessa responsabilità di formattazione a basso livello.

La tesi pratica è semplice. DeepSeek ha usato calcolo sparso, pesi a bassa precisione, speculative decoding e un post-training più efficace per rendere Flash competitivo oltre la sua dimensione attiva.

Ogni componente ha precedenti. Il loro risultato combinato, se replicato al di fuori dell'harness preferito da DeepSeek, offre agli agenti aperti più piccoli un argomento architetturale più solido.

I benchmark sugli agenti di DeepSeek necessitano di una verifica indipendente

I risultati pubblicati sono impressionanti, ma le loro affermazioni più forti dipendono da condizioni di test che i valutatori esterni non hanno ancora riprodotto completamente.

DeepSeek riporta un punteggio di 82,7 su Terminal-Bench 2.1 per Flash 0731. La preview ha ottenuto 61,8, mentre la preview V4 Pro ha raggiunto 72,1 nel confronto dell’azienda.

Terminal-Bench valuta agenti che svolgono attività in ambienti a riga di comando. È più vicino al lavoro software reale rispetto a un test statico a scelta multipla, ma l’harness che lo circonda influenza i risultati.

Secondo DeepSeek, Flash 0731 ha inoltre ottenuto 54,2 su NL2Repo. La preview ha ottenuto 39,4, mentre la preview Pro più grande ha raggiunto 38,5.

Su CyberGym, DeepSeek riporta un aumento da 38,7 a 76,7. CyberGym valuta il comportamento degli agenti legato alla cybersicurezza in ambienti controllati.

Il cambiamento più ampio riportato appare su DeepSWE. Flash 0731 ha ottenuto 54,4, rispetto a 7,3 della preview Flash e 12,8 della preview Pro.

Questi numeri suggeriscono un cambiamento sostanziale nelle prestazioni degli agenti di coding. Non isolano però quanto derivi dal modello, dai prompt, dal budget di ragionamento o dall’harness.

DeepSeek afferma di aver valutato task pubblici per agenti di coding usando una modalità minimale di DeepSeek Harness. Il framework non è ancora stato rilasciato.

L’azienda ha inoltre utilizzato il massimo sforzo di ragionamento con una configurazione di sampling specificata. Altri provider potrebbero produrre risultati diversi con budget di ragionamento più brevi o schemi degli strumenti differenti.

Due valutazioni aggiuntive, DSBench-FullStack e DSBench-Hard, sono set di test interni di DeepSeek. I ricercatori esterni non possono al momento ispezionarne la composizione completa né riprodurne indipendentemente i punteggi.

DeepSeek riporta 68,7 sul set full-stack e 59,6 sul set hard. Entrambe le cifre superano i risultati della preview con ampi margini.

I benchmark interni non sono automaticamente invalidi. Possono testare comportamenti difficili trascurati dalle classifiche pubbliche.

Il limite è la trasparenza. I lettori non possono valutare contaminazione, selezione dei task, coerenza della valutazione o sensibilità alla configurazione degli agenti preferita dall’azienda.

Artificial Analysis fornisce un utile contrappeso indipendente. Il suo punteggio di 50 conferma che il miglioramento non è visibile soltanto nelle tabelle di DeepSeek.

Tuttavia, anche quell’indice è aggregato. Un modello può guadagnare punti migliorando su task che non corrispondono al flusso di lavoro effettivo di un team.

Le prime reazioni degli utenti illustrano questo divario. Alcuni sviluppatori descrivono comportamenti migliori nel coding e nella ricerca, mentre altri segnalano verbosità o supposizioni sicure di sé durante task incompleti.

Queste segnalazioni sono aneddotiche. Sono utili come ipotesi da verificare, non come sostituto di una valutazione controllata.

La verbosità merita particolare attenzione nei sistemi agentici. Un modello che ragiona più a lungo può raggiungere una maggiore accuratezza aumentando però la latenza e consumando più token di output.

Anche il completamento sicuro di sé rappresenta un rischio. Gli agenti incontrano spesso campi mancanti, credenziali non disponibili, requisiti ambigui o strumenti che restituiscono dati incompleti.

Il comportamento corretto potrebbe essere fermarsi e chiedere. Un modello ottimizzato per continuare ad agire può invece inventare un valore, selezionare un’impostazione predefinita non sicura o inviare un’operazione irreversibile.

I team dovrebbero quindi testare più della sola accuratezza della risposta finale. Le valutazioni dovrebbero misurare chiamate agli strumenti non necessarie, recupero dopo errori, stato inventato, gestione dei permessi e comportamento di arresto.

Anche i test di sicurezza sono essenziali. I pesi aperti offrono ai difensori maggiore controllo, ma non garantiscono resistenza al prompt injection o all’uso non sicuro degli strumenti.

La conclusione corretta non è che le affermazioni di DeepSeek sui benchmark siano sbagliate. Le prove supportano un miglioramento significativo, mentre l’entità di tale miglioramento resta dipendente dal carico di lavoro.

I pesi aperti trasformano il risultato del benchmark in una questione di deployment

Il rilascio con licenza MIT consente agli sviluppatori di testare le affermazioni di DeepSeek sulla propria infrastruttura, rendendo 0731 più rilevante di una semplice voce in una classifica API-only.

I modelli chiusi richiedono agli utenti di accettare l’ambiente di serving del provider, il calendario degli aggiornamenti, i termini di conservazione dei dati e la disponibilità regionale. I pesi aperti creano più opzioni di deployment.

Un’azienda può ospitare Flash 0731 entro il proprio perimetro di sicurezza. Può inoltre limitare l’accesso alla rete, registrare le chiamate agli strumenti e applicare regole di approvazione specifiche per l’organizzazione.

Questi controlli sono importanti per gli agenti di coding. Un modello capace può leggere file sorgente, eseguire comandi, modificare repository o accedere a documentazione interna.

L’hosting autonomo non elimina il rischio operativo. Trasferisce maggiore responsabilità all’organizzazione che esegue il modello.

I team devono aggiornare il software di inferenza, proteggere gli endpoint, gestire le credenziali e monitorare le azioni generate. Hanno inoltre bisogno di memoria degli acceleratori e larghezza di banda sufficienti per il checkpoint completo.

La dimensione del repository di 167GB è solo un punto di partenza. La memoria a runtime include anche cache, attivazioni temporanee, overhead del server e la lunghezza del contesto scelta.

La cache chiave-valore memorizza le informazioni necessarie per generare token successivi senza ricalcolare l’intera cronologia. Contesti molto lunghi possono trasformare questa cache in un grande consumatore di memoria.

DeepSeek raccomanda il supporto della cache FP8 nel proprio esempio vLLM. Utilizza inoltre il parallelismo degli esperti, che distribuisce gli esperti MoE su più acceleratori.

Questa configurazione evidenzia il compromesso. Per ogni token si attivano solo 13 miliardi di parametri, ma il pool completo di esperti richiede comunque un accesso coordinato.

L’uso dell’API cloud resta più semplice per molti team. L’endpoint del modello di DeepSeek espone Flash attraverso il servizio esistente, evitando conversione dei pesi e gestione del cluster.

L’API ora supporta sia le familiari richieste di completamento chat sia il formato Responses API. Le interfacce in stile Responses aiutano a coordinare strumenti, stato e output multi-step all’interno delle applicazioni agentiche.

La comodità dell’API solleva interrogativi distinti sulla gestione dei dati, la disponibilità del servizio e la conformità regionale. Gli acquirenti dovrebbero valutare questi aspetti indipendentemente dalla qualità dei benchmark.

Il deployment aperto offre un’alternativa quando tali vincoli sono inaccettabili. Rende inoltre più semplice fissare il comportamento del modello a un checkpoint specifico.

Questo controllo di versione è importante perché gli identificatori ospitati possono cambiare sotto un’applicazione. DeepSeek ha aggiornato l’identificatore Flash esistente affinché punti a 0731.

Un miglioramento silenzioso delle capacità può sembrare utile, ma i team di produzione hanno bisogno di test di regressione. Un ragionamento più forte può comunque modificare formattazione, scelta degli strumenti, latenza o comportamento di rifiuto.

Gli utenti self-hosted possono mantenere affiancati i checkpoint preview e 0731. Possono confrontare entrambi i modelli con prompt identici prima della migrazione.

La licenza MIT permette anche adattamenti specializzati. Le organizzazioni possono effettuare il fine-tuning del modello per convenzioni di codice interne, workflow strutturati o domini professionali ristretti.

Il fine-tuning introduce un proprio carico di validazione. I miglioramenti su task familiari possono ridurre la generalità o indebolire il comportamento di sicurezza altrove.

Il rilascio amplia quindi il controllo anziché eliminare i compromessi. Gli sviluppatori acquisiscono la capacità di verificare, modificare e servire il modello assumendosi al contempo maggiori responsabilità tecniche.

Per gli acquirenti enterprise, questo controllo può essere decisivo. Per i team più piccoli, l’API ufficiale o un provider di hosting affidabile resteranno la soluzione più pratica.

In ogni caso, i pesi aperti trasformano un punteggio astratto in un artefatto verificabile. I concorrenti devono rispondere con un accesso comparabile, vantaggi più chiari o prove più solide di affidabilità.

Tre segnali decideranno se 0731 manterrà la sua posizione

Test indipendenti sugli agenti, comportamento dei token in produzione e risposte dei concorrenti determineranno se DeepSeek Flash 0731 rappresenti un cambiamento duraturo.

Il primo segnale è la riproduzione attraverso harness agentici neutrali. I ricercatori devono eseguire Flash 0731 su Terminal-Bench, task sui repository e suite di uso degli strumenti senza il framework non rilasciato di DeepSeek.

La corrispondenza con i numeri dell’azienda rafforzerebbe l’affermazione secondo cui il post-training ha trasformato il modello stesso. Un forte calo mostrerebbe che l’harness ha contribuito maggiormente al miglioramento.

I test dovrebbero pubblicare prompt, definizioni degli strumenti, impostazioni di ragionamento, politiche di ritentativo e procedure di valutazione. I punteggi degli agenti sono difficili da interpretare quando questi controlli restano nascosti.

Il secondo segnale è l’efficienza in produzione. I team dovrebbero misurare task completati all’ora, token generati totali, recupero dagli errori e intervento umano.

Un punteggio di intelligenza di 50 punti conterà meno se il modello richiede tracce di ragionamento insolitamente lunghe. Conterà di più se Flash completa il lavoro con meno risorse rispetto a concorrenti più grandi.

Gli sviluppatori dovrebbero anche monitorare le assunzioni non supportate. Un agente veloce che inventa informazioni mancanti può imporre più lavoro di revisione di un modello più lento che chiede chiarimenti.

La latenza richiede una misurazione separata nei contesti brevi e lunghi. Il routing MoE, la crescita della cache e la decodifica speculativa possono comportarsi diversamente man mano che la cronologia di un agente si espande.

Il terzo segnale è la risposta degli sviluppatori di modelli aperti concorrenti. Zhipu AI, Moonshot AI, Alibaba e altri laboratori sono ora sotto pressione per migliorare modelli più piccoli focalizzati sugli agenti.

Una risposta diretta potrebbe arrivare attraverso un post-training più forte, un’inferenza più efficiente, rilasci di pesi più ampi o valutazioni indipendentemente verificate degli agenti.

Se i concorrenti avessero bisogno di modelli attivi sostanzialmente più grandi per riconquistare il vantaggio, l’argomento dell’efficienza di DeepSeek si rafforzerebbe. Se un rivale più piccolo superasse rapidamente 0731, il punteggio apparirebbe temporaneo.

Anche i provider proprietari restano un contesto di supporto rilevante. I loro modelli migliori guidano ancora alcune complesse valutazioni di coding e agenti, comprese diverse comparazioni pubblicate da DeepSeek.

La strada aperta non deve vincere ogni benchmark. Deve diventare abbastanza affidabile perché controllo e flessibilità di deployment superino il divario di qualità residuo.

Nei prossimi tre mesi, gli acquirenti dovrebbero evitare di trattare una singola classifica come una decisione di procurement. Dovrebbero costruire valutazioni a partire da repository reali, strumenti, permessi e condizioni di errore.

Usate task con risposte note, ma includete anche casi ambigui. Misurate se l’agente riconosce le informazioni mancanti e si ferma prima di compiere un’azione non sicura.

Registrate ogni versione del modello e impostazione di runtime. Lo stesso nome di modello pubblico può puntare a un checkpoint ospitato modificato, mentre quantizzazioni locali possono produrre comportamenti differenti.

DeepSeek Flash 0731 ha meritato seria attenzione perché i test indipendenti supportano un miglioramento importante. I suoi pesi aperti rendono possibile una verifica più approfondita, anziché soltanto teorica.

La prossima mossa spetta a sviluppatori e valutatori. Testate il modello sul vostro workflow ripetibile più difficile, confrontate gli esiti completati e pubblicate dettagli sufficienti affinché altri possano riprodurre il risultato.

Se questi test confermeranno la sua posizione nei benchmark, i modelli aperti più piccoli con meno parametri attivi diventeranno un’impostazione predefinita credibile per molti sistemi agentici. In caso contrario, 0731 resterà un punteggio sorprendente con una storia di deployment più ristretta.