In questo articolo Indice dei contenuti 2 sezioni
Con la pubblicazione dei pesi di DeepSeek V4 in versione multimodale, il laboratorio cinese ha messo sul tavolo qualcosa che fino a poche settimane fa era accessibile solo tramite API. Si chiama DeepSeek-V4-Flash-Vision-Exp, conta 305 miliardi di parametri e integra la comprensione delle immagini direttamente nella stessa architettura di V4-Flash, senza appoggiarsi a un secondo modello dedicato all’analisi visiva. Il checkpoint è arrivato il 31 agosto 2026 su Hugging Face con licenza MIT, e questo cambia parecchio le carte in tavola rispetto al debutto dell’API del 21 agosto.
La differenza è concreta. Chiunque può scaricarlo, farlo girare in locale e adattarlo alle proprie esigenze, il che apre scenari interessanti per tutti quei casi in cui l’elaborazione di immagini non può passare da servizi esterni. Dati sensibili, ambienti chiusi, infrastrutture aziendali che non vogliono spedire nulla fuori dal perimetro. Sui benchmark diffusi dall’azienda, il modello si piazza molto vicino a Claude Opus 4.8, con risultati altalenanti a seconda del test. Su ApexBench Pass@1 arriva a 36,5 punti contro i 39,4 dell’avversario, mentre in Agents’ Last Exam segna 27,3 contro 25,7. Sui compiti puramente testuali le prestazioni restano allineate a V4-Flash-0731, con Terminal Bench 2.1 a 83,9 contro 82,7 e DeepSWE a 59,3, sopra al 58,0 attribuito a Opus 4.8.
Cosa c’è sotto il cofano del modello multimodale
La base di partenza è DeepSeek-V4-Flash, a cui sono stati aggiunti un encoder visivo e un modulo di allineamento, seguiti da una fase di addestramento specifica sulla comprensione delle immagini. L’impianto resta quello riconoscibile della famiglia V4, quindi Mixture-of-Experts, DFlash attention e Hyper-Connections, con l’aggiunta del percorso DSpark lato inferenza. Il risultato pratico è che testo e immagini viaggiano nella stessa richiesta, senza passaggi intermedi.
DSpark merita una menzione a parte. È la tecnologia di speculative decoding che genera in anticipo più token candidati per poi farli validare dal modello principale, un meccanismo pensato per guadagnare velocità senza sacrificare la qualità dell’output. Nei test interni, la sua adozione nel servizio V4 ha portato incrementi compresi tra il 60% e l’85% rispetto al baseline MTP-1 a throughput comparabile. Le configurazioni ufficiali per vLLM e SGLang parlano di parallelismo tensoriale su quattro GPU, cache KV in FP8 e speculative decoding con tre token candidati. Numeri che raccontano bene il target hardware, ovvero infrastrutture multi GPU, non certo la workstation sotto la scrivania.
Prezzi, limiti e quel suffisso Exp che non è casuale
La sigla “Exp” nel nome non è decorativa. DeepSeek dichiara apertamente la natura sperimentale del rilascio e spiega che l’obiettivo era spingere sulle capacità degli agenti multimodali mantenendo prestazioni testuali comparabili a V4-Flash. I benchmark confermano che il quadro è a macchie di leopardo, con vittorie su alcuni test e ritardi su altri, a seconda del tipo di compito misurato.
Sul fronte API la tariffazione distingue tra fasce orarie. Nelle ore di punta il costo si aggira sui 0,40 euro per milione di token in input e circa 1,20 euro per milione di token in output, mentre nelle fasce non di punta i valori si dimezzano. Il servizio accetta immagini fino a 8192 pixel sul lato più lungo, con ridimensionamento automatico verso circa 800 x 800 pixel e un consumo indicativo di 384 token per immagine. Il punto più rilevante di tutta la vicenda resta però la licenza MIT applicata ai pesi. Un modello che prima esisteva solo come servizio ora è scaricabile da Hugging Face e ModelScope, con strumenti pronti per l’esecuzione tramite Transformers, vLLM, SGLang e Docker. I requisiti hardware però non sono trascurabili, perché il modello completo pretende configurazioni multi GPU per rendere davvero, mentre l’uso su macchine più modeste dipende tutto da quantizzazioni e ottimizzazioni specifiche.
