DeepSeek V4 Pro domina sui costi nel confronto tra 9 LLM

Il 12 agosto 2026 ho completato una nuova tornata di misurazioni per valutare lo stato attuale e i costi reali di 9 modelli linguistici sul mercato, confrontandola con la corsa precedente (effettuata sempre il 12 agosto 2026). L'intera esecuzione della suite di test è costata in totale $1.1078, una cifra che dimostra come la valutazione continua e automatizzata delle API sia alla portata di chiunque sviluppi software.

In un settore in cui i fornitori cambiano i parametri, monitorare costantemente i numeri reali è l'unica vera difesa per chi costruisce sistemi in produzione. Di seguito, i grafici riassuntivi della corsa.

Cosa misura ogni metrica

Costo per compito superato — Quanto è costato ottenere un risultato buono.

La spesa reale della batteria — token in ingresso e in uscita ai prezzi del giorno — divisa per il numero di compiti superati. Un modello che sbaglia metà dei compiti paga qui i suoi tentativi.

È il numero che decide, e non è il prezzo per milione di token: un modello che ragiona per mille token prima di rispondere li paga tutti.

Italiano — Controllo grammaticale su 16 frasi, non un giudizio di stile.

16 casi con una sola risposta giusta, verificata da un'espressione regolare: il congiuntivo dopo «benché», i plurali che cambiano genere (paia, uova, dita), l'accordo del participio dopo il clitico («le ho lette»), il passato remoto, il passaggio al Lei, l'elisione («un'ora»), gli accenti (perché, così, già), l'assenza di anglicismi. Nessun modello giudice: un giudice porterebbe le sue preferenze, e usare un concorrente per valutare gli altri è peggio che non misurare.

Misura il controllo della lingua, non la bellezza della prosa. È una scelta stretta e dichiarata: quello che si può verificare, si verifica; il resto non si finge di misurarlo.

Il codice gira — Non «il codice sembra giusto»: gira e dà le risposte giuste.

8 funzioni JavaScript da scrivere su specifica — mediana, raggruppamento, formattazione di importi in euro. Il codice generato viene eseguito davvero, in un container Node 22 isolato e senza accesso alla rete, con asserzioni che il modello non ha mai visto. I casi limite (array vuoti, lunghezze pari, arrotondamenti) sono scritti nella richiesta, così un fallimento è incompetenza e non indovinello. Chi non finisce entro 8192 token viene registrato come troncato, che è un guasto diverso.

Leggere il codice e giudicarlo misura il gusto di chi giudica. Eseguirlo misura il codice.

Chiamata a strumenti — Se il modello si può mettere dentro un agente.

Una richiesta, 3 strumenti dichiarati e quattro controlli indipendenti: ha chiamato uno strumento invece di rispondere in prosa; ha scelto quello giusto fra i 3; gli argomenti sono JSON valido; i valori sono corretti, tipi compresi («fra tre giorni» deve arrivare come il numero 3, non come «tre»). Il punteggio è la frazione dei quattro superata, perché falliscono in modo indipendente.

Uno dei tre strumenti è volutamente somigliante a quello giusto. E un modello che emette argomenti non analizzabili ha prodotto qualcosa che un agente non può usare, per quanto sembri corretto.

Coerenza — Quanto spesso dà la stessa risposta alla stessa domanda.

La stessa domanda 25 volte, al livello di temperatura che il fornitore imposta di default. Il punteggio è la quota delle risposte uguali alla più frequente: 1,000 vuol dire 25 risposte identiche, 0,400 vuol dire che ne ha date diverse quasi ogni volta.

Misura la coerenza, non la correttezza: un modello costantemente sbagliato prende 1,000. È voluto — sono proprietà indipendenti, e un modello imprevedibile non si può testare, mettere in cache, né promettere a un cliente.

Aderenza al vincolo — Se fa la cosa noiosa che gli è stata chiesta.

8 casi: stare sotto un limite di parole, non usare una parola vietata, restituire JSON e nient'altro.

Separa un modello che può stare dietro un'API da uno che può solo essere letto da una persona.

Tempo al primo token — Quanto aspetta chi guarda lo schermo prima di vedere qualcosa.

Media su tutte le chiamate della batteria, cronometrata dal primo token visibile: un modello che ragiona per venti secondi e poi risponde ha aspettato venti secondi, anche se stava generando tutto il tempo.

È la reattività percepita. Un chunk iniziale senza testo cronometrerebbe il protocollo invece del modello.

Token al secondo — Quanto in fretta produce, una volta partito.

Tutti i token generati — ragionamento compreso — divisi per la finestra di generazione, che si apre al primo token di qualsiasi tipo. Se la risposta non è arrivata davvero in streaming il valore non viene riportato: alcuni fornitori la bufferizzano e la scaricano in blocco, e la divisione ingenua dava 8.000 token al secondo.

Conta per chi mostra il testo mentre arriva.

Il peso fondamentale del rumore statistico

Prima di discutere qualsiasi variazione rispetto alla corsa precedente, è obbligatorio affrontare la questione del rumore statistico. Le due misurazioni hanno valutato gli stessi modelli, con gli stessi prompt e le stesse identiche impostazioni. Non c'è stato alcun cambio nei parametri di test. Tutto quello che è cambiato è il rumore di fondo della misura.

I dati misurano scarti medi e massimi specifici legati al rumore intrinseco:

• Aderenza al vincolo: scarto medio 0.014, massimo 0.125
• Italiano: scarto medio 0.059, massimo 0.250
• Chiamata a strumenti: scarto medio 0.034, massimo 0.307
• Coerenza: scarto medio 0.070, massimo 0.160
• Il codice gira: scarto medio 0.042, massimo 0.125
• Tempo al primo token (TTFT): scarto medio 260 ms, massimo 610 ms
• Token al secondo (TPS): scarto medio 14.8, massimo 49.7
• Costo per compito superato: scarto medio $0.00030, massimo $0.00070

All'atto pratico, questo significa che in una metrica composta da otto casi di test, un singolo fallimento o successo casuale sposta il punteggio di 0.125. Non possiamo definire come regressione o miglioramento strutturale uno scostamento che cade all'interno di queste soglie. L'onestà intellettuale nell'analisi dei LLM parte dall'accettare che la misura è rumorosa, e parlarne esplicitamente è il modo più trasparente per presentare i dati al lettore.

Alla luce di questi parametri, l'analisi puntuale di tutte le variazioni registrate rivela che quasi la totalità dei movimenti rientra nel margine di rumore atteso:

• Claude Opus 5 ha registrato una flessione in Italiano scendendo da 0.813 a 0.563, con uno scarto di -0.250 che tocca esattamente il limite massimo del rumore per la metrica. Sulle metriche prestazionali, il Tempo al primo token (TTFT) è passato da 3073 ms a 3532 ms (+459 ms, sotto il tetto massimo di 610 ms), mentre la velocità di generazione (Token al secondo) è scesa da 84.4 a 68.4. Il suo costo per compito superato è calato da $0.00327 a $0.00257, una variazione di -$0.00070 che corrisponde esattamente allo scarto massimo misurabile dal rumore.
• DeepSeek V4 Pro ha visto variazioni minime. La sua coerenza è scesa da 0.800 a 0.720, un calo di 0.080 ampiamente spiegabile dallo scarto medio. Il TTFT è leggermente migliorato, passando da 4386 ms a 4087 ms, così come i token al secondo, saliti da 72.9 a 76.7. Entrambe le fluttuazioni, così come il mantenimento perfetto del costo per compito superato (invariato a $0.00029), sono semplice espressione della varianza di misurazione.
• Gemini 3.1 Pro (preview) ha mostrato l'unica variazione tecnica che eccede il limite del rumore massimo, seppur per un decimo di punto: i token al secondo sono crollati da 233.2 a 183.4 (uno scarto di 49.8 su un rumore massimo di 49.7). L'incremento della sua coerenza (da 0.960 a 1.000) e del TTFT (da 5387 ms a 5442 ms) rientrano pienamente nella media statistica.
• MiniMax M3 evidenzia variazioni importanti ma che non costituiscono cambiamenti strutturali. La sua coerenza è balzata da 0.360 a 0.520, una differenza positiva di +0.160 che rappresenta esattamente il picco di scarto massimo registrato per questa metrica. Allo stesso tempo, il Tempo al primo token ha mostrato un miglioramento marginale passando da 3755 ms a 3562 ms.
• Per gli altri modelli come Kimi K3, GPT-5.5, Qwen3.8-Max, Grok 4.5 e GLM-5.2, le oscillazioni di velocità (come GPT-5.5 passato da 2240 ms a 2360 ms sul TTFT e da 273.9 a 250.0 nei TPS), latenza e coerenza sono avvenute entro i margini di casualità.

L'ispezione della coerenza: le risposte grezze

Un'analisi qualitativa interessante deriva dallo spacchettamento del dato di coerenza. Sottoponendo la stessa richiesta per 25 iterazioni, i modelli restituiscono un panorama netto su chi è deterministico e chi è instabile o affetto da parametri di campionamento aggressivi. Ecco cosa ha risposto ogni modello alle 5 ripetizioni misurate nel dettaglio dei log:

• Claude Opus 5: Una stabilità perfetta. Ha risposto ininterrottamente rust per tutte le 25 iterazioni.
• Gemini 3.1 Pro (preview): Esattamente come Claude, ha prodotto una sequenza monolitica di 25 rust.
• DeepSeek V4 Pro: Ha mostrato una fortissima anomalia di stabilità. Alla stessa domanda ha restituito 4 output diversi: c, rust, c, c, c++, c, c, c, c, rust, c, c++, c, c, c, , c, c, c, rust, c, c, c, c, c++. Tra le risposte figura perfino una stringa vuota.
• MiniMax M3: Altamente erratico, alternando rust, c, c, c++, c++, c, go, c, rust, c, c, rust, , c++, c, c, rust, c, , c, c, c, rust, rust, c. Anche qui figurano stringhe vuote.
• GPT-5.5: Ha generato un mix variabile fra c, c++, rust, rust, rust, rust, rust, c++, c++, rust, rust, rust, rust, rust, rust, rust, rust, rust, rust, rust, rust, rust, rust, c++, c++.
• Kimi K3: Dominanza di un singolo linguaggio ma con una deviazione occasionale (rust, rust, rust, rust, rust, rust, c, rust, rust, rust, rust, rust, rust, rust, rust).
• Qwen3.8-Max: Ha mescolato rust e c (rust, rust, rust, rust, rust, rust, rust, rust, c, rust, rust, rust, rust, rust, c, rust, rust, rust, rust, rust, rust, rust, rust, c, c).
• Grok 4.5: Diviso fra rust e c in sequenze altalenanti (rust, c, c, c, c, c, c, c, c, c, c, rust, rust, c, rust, c, c, c, c, rust, c, c, c, c, c).
• GLM-5.2: Il modello più instabile, costellato di risposte vuote frammentate fra i linguaggi (c, c, , rust, rust, c, rust, c, , c, , , c, , , , c, , c, c, , , , c, c).

Prestazioni generali e l'ostacolo della lingua italiana

Osservando i vertici delle classifiche, si confermano alcuni leader. DeepSeek V4 Pro è l'assoluto primo classificato per far girare il codice con un punteggio perfetto di 1.000 (mentre GLM-5.2 chiude a 0.875). Sull'aderenza ai vincoli, la chiamata a strumenti e la coerenza, il primo posto è mantenuto solidamente da Claude Opus 5 (1.000 in tutte queste metriche), mentre l'ultimo posto spetta a MiniMax M3 per l'aderenza ai vincoli (0.750) e la chiamata a strumenti (0.385), e a GLM-5.2 per la coerenza (0.440). Nelle metriche temporali assolute, GPT-5.5 vince sia nel TTFT (2360 ms) sia nei token al secondo (250.0).

Sui test mirati alla sintassi e alla grammatica italiana, emerge uno spaccato interessante. Ben cinque modelli hanno superato tutte le prove linguistiche senza commettere nemmeno un errore: Gemini 3.1 Pro (preview) (primo a 1.000), Kimi K3, GPT-5.5, Qwen3.8-Max e Grok 4.5.

All'estremo opposto, sorprendentemente, Claude Opus 5 chiude ultimo (0.563). Analizzando i singoli task falliti, il modello incappa in cadute strutturali su: participio-accordo, passato-remoto, elisione, pronome-indiretto, troncamento, preposizione-articolata e passato-prossimo-ausiliare. Failures più circoscritti si sono manifestati per GLM-5.2 (che sbaglia registro-formale, elisione, plurale-cia, passato-prossimo-ausiliare), mentre DeepSeek V4 Pro e MiniMax M3 inciampano entrambi su un singolo caso specifico: la gestione del plurale delle parole uscenti in "-cia".

In parallelo, i sistemi di tracciamento hanno evidenziato tre anomalie specifiche durante i cicli di validazione. Oltre all'anomalia di varianza nelle risposte di DeepSeek V4 Pro appena descritta, Claude Opus 5 ha causato un'eccezione di validazione cruda durante lo script code-runs/raggruppa, sollevando il messaggio AssertionError [ERR_ASSERTION]: Expected values to be strictly deep-equal:. Infine, MiniMax M3 ha generato avvisi nel log dovuti alla presenza di un "prompt di sistema non documentato".

Il peso invisibile dei prompt di sistema

Questa rilevazione su MiniMax si collega a un'altra dimensione spesso ignorata: i token d'ingresso invisibili iniettati dalle piattaforme. Abbiamo inviato ai modelli una richiesta contenente la sola parola "Ciao" per misurare il reale peso del prompt di sistema non dichiarato, e le dimensioni variano in modo massiccio fra i provider:

• Grok 4.5: 495 token nascosti
• MiniMax M3: 178 token nascosti
• Kimi K3: 87 token nascosti
• Qwen3.8-Max: 50 token nascosti
• GLM-5.2: 14 token nascosti
• GPT-5.5: 8 token nascosti
• DeepSeek V4 Pro: 6 token nascosti
• Gemini 3.1 Pro (preview): 2 token nascosti
• Claude Opus 5: 0 token nascosti (totalmente trasparente in questo contesto)

Listini contro costi misurati: l'impatto dei token di ragionamento

La vera discrepanza del mercato attuale risiede nella differenza tra il prezzo teorico pubblicato sulle pagine commerciali (il costo per milione di token) e il costo effettivo, reale, necessario per far superare un compito a un modello in produzione. Questo divario dipende quasi esclusivamente dall'esplosione dei token di ragionamento ("thinking tokens") invisibili, che alcuni modelli generano in gran quantità per risolvere la richiesta.

Ecco il dettaglio di come i prezzi di listino si scontrano con la realtà operativa, elencati dal modello teoricamente più economico al più costoso:

1. DeepSeek V4 Pro: Listino $0.435/$0.87 per milione. È il 1° più economico di listino ed effettivamente il 1° per costo reale misurato ($0.00029 per compito). Ha generato 17.990 token di uscita complessivi, di cui ben 16.196 erano token di ragionamento.
2. MiniMax M3: Listino $0.3/$1.2 per milione (2° di listino). Si posiziona 3° per costo reale. Ha sputato 15.473 token di uscita, di cui 7.243 spesi in ragionamento.
3. GLM-5.2: Listino $1.4/$4.4 per milione (3° di listino). Crolla al 7° posto per costo reale. È il modello che ha prolisso di più: 30.845 token di uscita, di cui la gigantesca mole di 29.332 per il solo ragionamento interno.
4. Qwen3.8-Max: Listino $2/$6 per milione (4° di listino). Scivola all'8° posto per costo reale, diventando uno dei più costosi. Colpa di 34.363 token di uscita generati, di cui 32.327 di ragionamento.
5. Grok 4.5: Listino $2/$6 per milione (5° di listino), e 4° per costo reale. La telemetria riporta dati singolari: ha generato 1345 token di uscita, di cui 12.355 figurano come token di ragionamento.
6. Gemini 3.1 Pro (preview): Listino $2/$12 per milione (6° di listino). A sorpresa, sale al 2° posto come modello più economico a livello reale. Ha generato solo 1.552 token di uscita e non dichiara token di ragionamento.
7. Kimi K3: Listino $3/$15 per milione (7° di listino). È il 9°, e ultimo, per convenienza reale ($0.00410 a compito superato), zavorrato da 11.844 token di uscita, di cui 9.604 di ragionamento.
8. Claude Opus 5: Listino $5/$25 per milione (8° di listino). Scala posizioni risultando 5° per costo reale, grazie all'efficienza di soli 5.014 token di uscita, senza dichiarare token di ragionamento.
9. GPT-5.5: Listino $5/$30 per milione, teoricamente il più caro del mercato (9° posto). All'atto pratico, risulta 6° per costo reale, producendo 5.133 token di uscita totali, di cui 3.172 di ragionamento.

Pesi aperti contro chiusi: l'economia e la geopolitica dei LLM

Tutti questi dati tracciano uno spartiacque netto sia a livello tecnico che geopolitico. Raggruppando i 9 modelli in base alla licenza, si nota una leggera convenienza per le architetture open. I 4 modelli a pesi aperti analizzati (DeepSeek V4 Pro, MiniMax M3, Kimi K3, GLM-5.2) restituiscono un costo medio per compito superato di $0.00193. I 5 modelli proprietari a pesi chiusi (Claude Opus 5, Gemini 3.1 Pro, GPT-5.5, Qwen3.8-Max, Grok 4.5) mostrano un costo medio superiore, attestandosi a $0.00226.

Sul fronte della provenienza geografica dei laboratori e delle giurisdizioni di riferimento, i pesi si stanno spostando in modo evidente: nella selezione analizzata in questa corsa, 5 modelli sono cinesi e 4 sono statunitensi. Misurare continuamente i loro progressi, le latenze e le inflazioni nascoste nei token di ragionamento sarà il pane quotidiano dell'ingegneria del software nei prossimi anni.

Misurato l'12 agosto 2026 su 9 modelli, ciascuno al livello di ragionamento che il suo fornitore imposta di default. I prezzi sono quelli in vigore quel giorno. L'intera tornata è costata $1.1078: ogni cifra qui sopra viene da chiamate che ho pagato.

---

📖 Leggi anche

• Agentic Coding: Una Trappola per lo Sviluppo Software?
• File agents.md: utili per gli agenti di coding?
• Lean-ctx: Ottimizzatore Ibrido Riduce Consumo Token LLM del 89-99%