DeepSeek Pro sembra brillante in modalità Minimal. Ed è anche questo il problema

DeepSeek pro è entrato in disponibilità generale il 13 agosto, ma il suo comportamento più convincente segnalato è emerso solo dopo che gli utenti hanno ricreato una configurazione di agenti insolitamente specifica.

Quella configurazione è il preset Minimal in DeepSeek Harness, il runtime appena rilasciato dall’azienda per agenti AI che usano strumenti. I test della community sostengono che il preset trasformi un modello di coding incoerente in qualcosa di molto più vicino alla presentazione di benchmark di DeepSeek.

Il miglioramento non è stato misurato in modo indipendente su un insieme controllato e diversificato di attività. Eppure la controversia conta anche se le dimostrazioni più clamorose non dovessero essere replicabili. I materiali di DeepSeek collegano le prestazioni degli agenti a prompt, strumenti, impostazioni di ragionamento e ambienti di esecuzione specifici.

La vera domanda è quindi più circoscritta rispetto a stabilire se DeepSeek-V4-Pro sia “buono” o “cattivo”. È se un modello debba ricevere pieno merito per capacità che appaiono affidabilmente solo all’interno di un harness allineato all’addestramento.

Anthropic, OpenAI e altri fornitori di modelli affrontano lo stesso problema ogni volta che i loro modelli operano tramite Claude Code, Codex o un altro runtime per agenti. DeepSeek ha semplicemente reso la dipendenza insolitamente evidente.

La disponibilità generale di DeepSeek Pro è arrivata con una disputa sulle prestazioni degli agenti

Il rilascio del 13 agosto ha cambiato il modello disponibile, ma non ha risolto quale sistema fosse effettivamente in fase di valutazione.

DeepSeek ha lanciato formalmente la versione in disponibilità generale di V4-Pro sulla propria app, sito web e API il 13 agosto 2026. Il rilascio GA dell’azienda ha evidenziato miglioramenti per gli agenti, tre livelli di sforzo di ragionamento e il supporto nativo per Responses API di OpenAI.

Lo sforzo basso è destinato alle attività semplici. Lo sforzo alto gestisce i normali flussi di lavoro degli agenti, mentre lo sforzo massimo assegna più ragionamento al lavoro complesso. Il rilascio ha inoltre aggiunto un percorso di configurazione orientato a Codex senza modificare il nome del modello API V4-Pro.

L’annuncio è seguito all’anteprima del 24 aprile della più ampia famiglia V4. DeepSeek ha descritto V4-Pro come un modello mixture-of-experts con 1,6 trilioni di parametri totali e 49 miliardi attivi durante l’inferenza.

Un modello mixture-of-experts instrada ogni token attraverso solo una parte della rete. Questo design può aumentare la capacità totale senza attivare ogni parametro per ogni richiesta.

Il modello supporta una finestra di contesto di un milione di token. DeepSeek afferma che è stato preaddestrato su oltre 32 trilioni di token e poi sottoposto ad apprendimento supervisionato, reinforcement learning e distillazione on-policy.

Queste specifiche non hanno causato la controversia. L’attrito è iniziato quando i primi utenti hanno confrontato le dichiarazioni di DeepSeek sui benchmark degli agenti con i propri risultati dopo il lancio GA.

Alcuni resoconti della community hanno descritto tracce di ragionamento brevi, pianificazione debole e uso incoerente degli strumenti. Un resoconto ampiamente condiviso ha definito il rilascio deludente e suggerito che un problema di deployment o di configurazione lato server stesse sopprimendo il comportamento previsto del modello.

Queste osservazioni erano aneddotiche. Provenivano da prompt, account, strumenti, sistemi operativi e percorsi di richiesta diversi. Non possono stabilire un livello generale di prestazioni.

Poi è apparsa una seconda ondata di resoconti. Gli utenti hanno affermato che lo stesso modello diventava sostanzialmente più capace quando veniva eseguito tramite DeepSeek Harness Minimal su Linux o Windows Subsystem for Linux.

Un test della community ha sostenuto che più utenti avessero riprodotto il miglioramento. L’autore riteneva comunque il modello inferiore a un modello di confronto leader e ne criticava il gusto visivo.

Questa precisazione è importante. L’affermazione non era che la modalità Minimal risolvesse ogni debolezza. Era che il preset rivelasse un livello di comportamento nel coding assente in molte sessioni ordinarie.

Un’analisi separata del repository ha collegato la modalità Minimal a un commit del 10 agosto. Secondo tale analisi, il commit allineava il preset alla composizione di agenti usata durante il reinforcement learning.

L’analisi ha descritto un ambiente ristretto contenente un system prompt sobrio, accesso persistente alla shell, un editor di file designato e una specifica politica di compattazione del contesto. Ha inoltre affermato che il preset escludeva descrizioni di strumenti non pertinenti che avrebbero potuto inquinare il system prompt.

Questa interpretazione resta una lettura della community di codice e documentazione pubblici. DeepSeek non ha pubblicato prove che dimostrino che V4-Pro fallisca al di fuori della modalità Minimal o che sia stato deliberatamente ottimizzato per un unico preset pubblico.

Tuttavia, la sequenza è concreta. DeepSeek ha rilasciato V4-Pro GA il 13 agosto, ha pubblicato il proprio harness in anteprima per sviluppatori e ha esposto un ambiente strettamente collegato alla valutazione degli agenti.

La tensione deriva da come questi elementi si incastrano. Se il miglior comportamento del modello richiede quell’ambiente, gli utenti stanno acquistando un sistema modello-harness anziché un endpoint di modello intercambiabile.

Perché DeepSeek Harness cambia il significato di un benchmark

Un benchmark per agenti misura insieme il modello, il prompt, gli strumenti, la politica di memoria e il runtime, anche quando la classifica mostra soltanto il nome di un modello.

Un harness per agenti è il livello software che consente a un modello linguistico di ispezionare file, eseguire comandi, chiamare strumenti, mantenere lo stato e decidere cosa accade dopo. Trasforma la previsione testuale in un ciclo operativo.

Quel ciclo compie molte scelte rilevanti. Formatta il system prompt, definisce gli schemi degli strumenti, restituisce errori, tronca la cronologia, riassume il lavoro precedente e decide quando il modello riceve un altro turno.

Piccole modifiche possono produrre grandi differenze nelle prestazioni. Un modello può comprendere un’attività ma fallire perché la descrizione di uno strumento è ambigua. Può modificare il file sbagliato perché la compattazione del contesto ha rimosso un vincolo precedente.

Un modello può anche sprecare il proprio budget di ragionamento dopo aver ricevuto messaggi di stato rumorosi. Un altro harness può evitare lo stesso fallimento mantenendo il prompt breve e conservando lo stato corretto.

Il repository ufficiale di DeepSeek descrive DeepSeek Harness come un runtime open source per agenti in cui tutto è un plugin. Il progetto è in anteprima per sviluppatori e avverte che si verificheranno modifiche incompatibili con le versioni precedenti.

La sua architettura a plugin può sostituire o ricomporre le funzionalità invece di vincolare gli utenti a un unico design fisso di agente. Questa flessibilità rende il progetto utile, ma complica anche qualsiasi affermazione sulle “prestazioni di DeepSeek-V4-Pro”.

Quali plugin erano attivi? Quale preset li caricava? Quale system prompt è stato usato? Come veniva compattata la cronologia della conversazione? La shell restava attiva tra un turno e l’altro?

Questi dettagli non sono semplici particolari di implementazione. Determinano le informazioni e le azioni disponibili al modello a ogni passaggio.

La documentazione del modello DeepSeek rende visibile questa dipendenza dal sistema. L’azienda raccomanda il ragionamento massimo per le attività impegnative degli agenti e almeno 384.000 token di contesto per quella modalità.

La sua model card riporta inoltre grandi differenze tra le impostazioni di ragionamento. Su Terminal Bench 2.0, DeepSeek indica V4-Pro a 59,1 in modalità senza ragionamento, 63,3 con sforzo alto e 67,9 con sforzo massimo.

Su SWE-bench Verified, la progressione riportata è 73,6, 79,4 e 80,6. Su BrowseComp, sforzo alto e massimo ottengono 80,4 e 83,4, mentre non è indicato un risultato senza ragionamento.

Queste sono valutazioni di DeepSeek, non repliche indipendenti. Tuttavia, dimostrano la posizione dell’azienda secondo cui la configurazione dell’inferenza modifica materialmente la capacità misurata.

Il rapporto tecnico va oltre spiegando l’ambiente di valutazione. Per le attività di code agent, DeepSeek ha usato una raccolta minima di strumenti, compresi accesso alla shell e modifica dei file.

Per le attività di search agent, l’azienda ha usato un harness interno. Ciò significa che i punteggi degli agenti riportati non hanno mai rappresentato un modello nudo che risponde a prompt isolati.

Non c’è nulla di intrinsecamente improprio in questo. I modelli per agenti hanno bisogno di strumenti e un benchmark deve fornire un qualche runtime. Ogni fornitore ne sceglie uno.

Il problema inizia quando un punteggio specifico di un harness diventa una scorciatoia per indicare la capacità generale di un modello tra prodotti diversi. Un risultato generato con una shell persistente e una compattazione allineata all’addestramento non si trasferisce automaticamente a un’altra estensione dell’editor.

Uno sviluppatore che utilizza un client compatibile con Anthropic potrebbe inviare risultati degli strumenti strutturati in modo diverso. Una piattaforma aziendale può iniettare istruzioni di sicurezza, messaggi di audit, risultati di retrieval e controlli di approvazione.

Queste aggiunte possono essere necessarie in produzione. Possono anche allontanare il prompt dall’ambiente usato durante il reinforcement learning.

La modalità Minimal quindi fa più che migliorare una demo. Espone quanta infrastruttura nascosta si trovi dietro un punteggio di modello.

Ecco perché la disputa su DeepSeek pro conta oltre un singolo rilascio. La model card nomina DeepSeek-V4-Pro, ma l’unità operativa in un’attività per agenti è DeepSeek-V4-Pro più una configurazione dell’harness.

Una volta che questa distinzione diventa esplicita, le classifiche devono riportare entrambe le parti.

L’allineamento all’addestramento non è automaticamente overfitting

Le prove pubbliche supportano una sensibilità alla configurazione, ma non dimostrano ancora che DeepSeek-V4-Pro abbia fatto overfitting su un unico harness.

L’overfitting ha un significato preciso. Un sistema fa overfitting quando apprende schemi che funzionano bene sulla sua distribuzione di addestramento ma non riescono a generalizzare a input significativamente diversi.

In questo caso, la sospetta distribuzione di addestramento include più dei problemi di coding. Può includere anche la struttura dei prompt dell’agente, i nomi degli strumenti, i formati di risposta, il comportamento della shell e la politica di gestione del contesto.

Se il reinforcement learning ha ripetutamente premiato il successo all’interno di una composizione, il modello si adatterebbe razionalmente a quella composizione. Semantiche degli strumenti coerenti riducono l’incertezza e rendono il segnale di ricompensa più facile da apprendere.

Questo adattamento può essere vantaggioso. Anche gli esseri umani rendono meglio con interfacce familiari, strumenti affidabili e flussi di lavoro stabili.

Un modello addestrato a usare un editor di file prevedibile dovrebbe superare uno costretto a dedurre il comportamento di un editor non documentato. Definire ogni simile guadagno “overfitting” renderebbe il termine quasi inutile.

L’accusa più forte richiede un modello di fallimento più ampio. V4-Pro dovrebbe mostrare un degrado insolitamente marcato quando cambiano dettagli ambientali irrilevanti, anche se l’attività sottostante rimane equivalente.

Per esempio, i ricercatori potrebbero rinominare gli strumenti preservandone descrizioni e comportamento. Potrebbero riordinare gli schemi degli strumenti, variare formulazioni innocue, sostituire l’editor con un’interfaccia equivalente o modificare la compattazione senza rimuovere fatti necessari.

Un agente generale dovrebbe tollerare molti di questi cambiamenti. Un modello vincolato all’harness perderebbe prestazioni sostanziali pur ricevendo le stesse capacità pratiche.

Nessuno studio pubblico ha ancora stabilito questo schema su un numero sufficiente di attività e prove casuali. Screenshot, video e sessioni personali di coding possono individuare una domanda di ricerca, ma non possono misurare la generalizzazione.

L’affermazione che “Minimal sblocca il vero modello” ha anche diverse spiegazioni alternative.

In primo luogo, la modalità Minimal può eliminare il disordine nel prompt. Lunghi manuali degli strumenti e istruzioni sovrapposte spesso peggiorano il comportamento degli agenti, soprattutto nelle sessioni prolungate.

In secondo luogo, può preservare lo stato in modo più efficace. Una shell persistente consente a un modello di mantenere directory di lavoro, stato dell’ambiente e processi in esecuzione senza doverli ricostruire.

In terzo luogo, il preset potrebbe esporre le interfacce degli strumenti usate durante il post-training. Ciò crea un allineamento della distribuzione, ma non implica necessariamente la memorizzazione dei benchmark.

In quarto luogo, le prime richieste GA potrebbero aver incontrato variazioni di deployment. Segnalazioni della community hanno menzionato un ragionamento insolitamente breve e possibili cambiamenti di routing, sebbene DeepSeek non abbia verificato un rollback d’emergenza.

In quinto luogo, gli utenti potrebbero selezionare e diffondere le esecuzioni riuscite più eclatanti. Le dimostrazioni positive si diffondono rapidamente, mentre le repliche fallite ricevono meno attenzione.

Esiste anche il pregiudizio opposto. Gli utenti delusi possono generalizzare a partire da una singola sessione non funzionante, soprattutto dopo aver letto dichiarazioni sui benchmark che hanno innalzato le aspettative.

I risultati ufficiali di DeepSeek lasciano comunque spazio allo scetticismo. L’azienda riporta che V4-Pro Max risolve l’80,6% di SWE-bench Verified e ottiene 67,9 su Terminal Bench 2.0.

Riporta inoltre un rating Codeforces di 3206 e un tasso di superamento del 93,5% su LiveCodeBench. Queste cifre presentano il modello come un sistema di coding di fascia alta nella configurazione di valutazione dichiarata.

La valutazione indipendente fornisce un punto di riferimento più utile. Il Center for AI Standards and Innovation del governo statunitense ha valutato il modello preview usando le impostazioni raccomandate dagli sviluppatori.

Nella sua valutazione indipendente, CAISI ha servito DeepSeek V4 su GPU H200 e B200. Ha preservato il ragionamento interno e utilizzato i valori raccomandati per contesto, campionamento, prompt di sistema e massimo livello di ragionamento.

CAISI ha inoltre riprodotto il risultato GPQA-Diamond auto-riportato da DeepSeek, riducendo la probabilità di un errore di base nella configurazione di inferenza su quel benchmark. Per i test degli agenti, tuttavia, ha usato l’agente ReAct integrato in Inspect anziché DeepSeek Harness Minimal.

Questa differenza è esattamente ciò che le analisi future dovrebbero esaminare. Un modello può eguagliare un benchmark di ragionamento statico pur rimanendo altamente sensibile al ciclo dell’agente che lo circonda.

Le evidenze disponibili supportano quindi una conclusione prudente. DeepSeek-V4-Pro è sensibile all’ambiente e DeepSeek ha ottimizzato il proprio flusso di lavoro agentico attorno a composizioni note.

Le evidenze non dimostrano che DeepSeek abbia memorizzato compiti di benchmark pubblici. Né provano una manipolazione intenzionale.

Definire oggi il modello overfit va oltre i dati disponibili. Definire irrilevante l’harness ignora ciò che mostrano sia la documentazione di DeepSeek sia i test della community.

La vera sfida è tra agenti allineati all’addestramento e modelli portabili

La sfida immediata di DeepSeek non è superare un singolo modello rivale. È dimostrare che le sue capacità sopravvivono al di fuori del runtime preferito.

I fornitori di modelli ottimizzano sempre più sistemi agentici completi. Il modello resta importante, ma l’orchestrazione determina se il suo ragionamento produce un artefatto utile.

OpenAI abbina i modelli a Codex. Anthropic sviluppa modelli insieme a Claude Code. Google controlla il comportamento dei modelli nei prodotti di coding Gemini, mentre runtime indipendenti aggiungono prompt e strumenti propri.

DeepSeek dispone ora della stessa opzione strategica. Può co-progettare V4-Pro con DeepSeek Harness, misurare i fallimenti end-to-end e usare queste tracce per il reinforcement learning.

Questo approccio può produrre risultati nel mondo reale migliori rispetto al trattare l’API come un generatore di testo isolato. Può inoltre accelerare il debugging, perché l’azienda controlla entrambi i lati dell’interazione.

Un harness stabile offre ai team di addestramento un ambiente ripetibile. Possono premiare il corretto uso dei comandi, convalidare le modifiche ai file, penalizzare il lavoro incompiuto e testare sessioni di lunga durata.

Il compromesso è la portabilità. Le imprese raramente distribuiscono un modello nell’ambiente di riferimento del fornitore senza modifiche.

Aggiungono controlli dei permessi, recupero privato, logging, filtri di policy, approvazioni umane e strumenti specifici dell’organizzazione. Gli sviluppatori portano editor esistenti, agenti da riga di comando e framework di automazione.

Ogni aggiunta modifica la distribuzione dell’interazione. Un modello che dipende da un unico prompt di sistema scarno può regredire quando una policy di sicurezza aziendale aggiunge diverse migliaia di token.

Un modello addestrato attorno a un protocollo di modifica dei file può gestire male i messaggi di errore di un altro protocollo. Una strategia di compattazione efficace per il coding può scartare prove necessarie in attività legali o analitiche.

La capacità portabile significa mantenere le prestazioni attraverso queste variazioni. Non richiede punteggi identici ovunque, ma richiede un degrado graduale.

La capacità allineata all’addestramento offre una promessa diversa. Il fornitore mette a disposizione un sistema consigliato con impostazioni note e gli utenti ottengono le prestazioni pubblicizzate adottando l’intero stack.

Nessuno dei due approcci è universalmente superiore. Un sistema strettamente integrato può offrire risultati migliori ai team disposti a standardizzarsi attorno ad esso.

Un modello portabile offre maggiore libertà ai costruttori di piattaforme. Rende inoltre più facile confrontare i risultati dei benchmark tra runtime diversi.

L’attuale comunicazione di DeepSeek cerca di rivendicare entrambi i vantaggi. V4-Pro è disponibile tramite diversi formati API ed è presentato come compatibile con i principali prodotti agentici.

Allo stesso tempo, il suo comportamento riportato come più forte sembra strettamente legato al ragionamento massimo e a una composizione specializzata dell’harness. Questo divario mette sotto pressione la tesi della portabilità.

L’annuncio ufficiale della preview affermava che DeepSeek aveva ottimizzato V4 per Claude Code, OpenClaw, OpenCode e altri prodotti agentici. Dichiarava inoltre che l’azienda stava usando internamente V4 per il coding agentico.

Queste affermazioni implicano un adattamento più ampio di un singolo preset Minimal. DeepSeek può sostenerle pubblicando risultati su più runtime indipendenti con budget equivalenti.

Il confronto deve controllare più del punteggio finale. I ricercatori dovrebbero riportare uso dei token, tempo di esecuzione, tasso di completamento, errori degli strumenti, tentativi e categorie di fallimento.

Dovrebbero inoltre separare i fallimenti del modello da quelli dell’harness. Se un editor rifiuta una patch malformata, la traccia dovrebbe mostrare se il difetto è stato causato dallo schema, dal parser o dal modello.

Questo livello di reporting migliorerebbe l’intero mercato degli agenti. Le classifiche attuali spesso comprimono un sistema complesso in una singola percentuale accanto al nome di un modello.

Questa presentazione incoraggia gli acquirenti a confrontare endpoint di modelli ignorando l’orchestrazione. Consente inoltre ai fornitori di scegliere harness favorevoli senza mostrare quanto i loro risultati siano sensibili.

DeepSeek Harness potrebbe contribuire a risolvere il problema se l’azienda usasse il suo design a plugin per ablation controllate. Il team può sostituire un componente alla volta e pubblicare le conseguenti variazioni di punteggio.

I test di ablation rimuovono o modificano un elemento per misurarne il contributo. In questo caso, potrebbero quantificare il valore dello stato persistente della shell, della policy di compattazione, della denominazione degli strumenti o della lunghezza del prompt di sistema.

Se la modalità Minimal vince perché rimuove istruzioni irrilevanti, altri sviluppatori di harness possono replicare quella lezione. Se vince perché il modello si aspetta token esatti del periodo di addestramento, le preoccupazioni sulla portabilità diventano più forti.

Entrambi gli esiti sarebbero più informativi di un’altra esecuzione dimostrativa. La controversia richiede misurazioni, non una gara tra clip entusiaste e post frustrati.

Cosa confermerebbe o indebolirebbe le preoccupazioni su DeepSeek Pro

Tre segnali osservabili possono stabilire se la modalità Minimal sia una configurazione di riferimento sensata o una dipendenza dalle prestazioni.

Il primo segnale è una valutazione controllata cross-harness del modello 0813. Dovrebbe eseguire compiti identici tramite DeepSeek Harness Minimal, il suo preset standard e almeno due runtime agentici indipendenti.

Ogni configurazione necessita dello stesso livello di ragionamento, budget di token, policy di campionamento, capacità degli strumenti e margine di tentativi. I valutatori dovrebbero usare più prove, perché gli esiti degli agenti variano tra un’esecuzione e l’altra.

Un ampio vantaggio di Minimal rafforzerebbe la preoccupazione relativa alla dipendenza dalla configurazione. Risultati simili tra runtime equivalenti indebolirebbero la teoria dell’overfitting e suggerirebbero che i primi fallimenti derivavano da problemi di configurazione o deployment.

Il secondo segnale è la resilienza a modifiche innocue dell’interfaccia. I valutatori dovrebbero rinominare gli strumenti, riordinare gli schemi, parafrasare le istruzioni e sostituire editor funzionalmente equivalenti.

Le prestazioni dovrebbero rimanere ampiamente stabili quando le informazioni e le azioni disponibili restano invariate. Un calo netto mostrerebbe che il modello dipende da caratteristiche superficiali anziché da una comprensione generale degli strumenti.

Questo test conta più del confronto tra l’harness di un fornitore e quello di un altro. Prodotti diversi introducono molte variabili contemporaneamente, rendendo difficile isolare la causa di una variazione di punteggio.

Il terzo segnale è la divulgazione da parte di DeepSeek stessa. L’azienda dovrebbe pubblicare l’esatta composizione agentica alla base di ogni benchmark principale, compresi prompt, schemi degli strumenti, regole di compattazione e impostazioni di inferenza.

Dovrebbe inoltre distinguere il modello preview dal checkpoint GA del 13 agosto. Senza risultati versionati, gli utenti non possono capire se un punteggio precedente si trasferisca all’endpoint che stanno chiamando.

DeepSeek non deve rivelare dati di addestramento privati per offrire questa trasparenza. Script di valutazione riproducibili e configurazioni runtime complete risponderebbero alla domanda centrale.

I ricercatori indipendenti potranno quindi verificare se i miglioramenti dichiarati resistono su altri repository, linguaggi, durate dei compiti e vincoli di sicurezza. Gli acquirenti aziendali potranno valutare se adottare l’harness di riferimento sia adatto ai loro sistemi.

Per gli sviluppatori, la lezione pratica è già chiara. Non valutate DeepSeek pro attraverso una sola finestra di chat e non considerate un singolo successo in modalità Minimal come un risultato universale.

Testate l’esatta coppia modello-harness che entrerà in produzione. Registrate impostazioni di ragionamento, policy del contesto, definizioni degli strumenti, tentativi e completamento dei compiti, invece di giudicare soltanto la prosa finale.

Per i publisher di benchmark, riportate le configurazioni come voci di primo livello. “DeepSeek-V4-Pro con DSH Minimal” è più onesto di una riga etichettata soltanto “DeepSeek-V4-Pro”.

Per DeepSeek, l’opportunità è più grande che difendere una singola release. L’azienda può trasformare questa controversia in uno standard più chiaro per valutare i sistemi agentici.

L’esito più forte non sarebbe dimostrare che la modalità Minimal fa apparire V4-Pro eccezionale. Sarebbe dimostrare che il modello resta utile quando organizzazioni reali sostituiscono Minimal con i propri ambienti complessi.

Finché questi risultati non arriveranno, “overfitting” rimane una diagnosi non dimostrata. La dipendenza dalla configurazione è la preoccupazione accertata ed è già di per sé abbastanza significativa.

Se state testando la release 0813, eseguite lo stesso compito di repository tramite almeno due harness e ripetete ogni esecuzione. Conservate le tracce, normalizzate i budget e pubblicate i fallimenti insieme ai successi. Queste evidenze diranno se DeepSeek pro ha appreso un comportamento agentico trasferibile o un unico flusso di lavoro insolitamente familiare.