DeepSeek ha recentemente reso disponibile in open weight il suo modello multimodale sperimentale, DeepSeek-V4-Flash-Vision-Exp. Si tratta di un sistema da 305 miliardi di parametri che integra nativamente le capacità di comprensione delle immagini direttamente nell’architettura V4-Flash.

Pubblicato il 31 agosto 2026 su Hugging Face con licenza MIT, questo rilascio permette a chiunque di scaricare, eseguire localmente e personalizzare il modello. Questo apre la strada a implementazioni che richiedono l’elaborazione visiva senza dover ricorrere all’invio di dati a servizi esterni.

Nei benchmark pubblicati da DeepSeek, V4-Flash-Vision-Exp si colloca in una posizione competitiva rispetto a Claude Opus 4.8. Il modello lo supera in alcuni test specifici per agenti multimodali e risulta leggermente inferiore in altri. In particolare, su ApexBench Pass@1 ha ottenuto un punteggio di 36,5 contro i 39,4 di Claude Opus 4.8. Su Agents’ Last Exam, invece, DeepSeek V4-Flash-Vision-Exp raggiunge il punteggio di 27,3, superando il 25,7 del modello concorrente.

Nelle attività che richiedono esclusivamente l’elaborazione testuale, le prestazioni del nuovo modello rimangono sostanzialmente allineate a quelle di V4-Flash-0731. I risultati su Terminal Bench 2.1 sono stati di 83,9 contro 82,7, mentre su DeepSWE il punteggio è stato di 59,3, superiore al valore di 58,0 attribuito a Claude Opus 4.8.

L’architettura del modello si basa su DeepSeek-V4-Flash e include l’aggiunta di un encoder visivo e di un modulo di allineamento. Questi componenti sono seguiti da una fase di addestramento mirata specificamente alla comprensione delle immagini. L’implementazione mantiene gli elementi caratteristici di V4, tra cui la tecnologia Mixture-of-Experts, DFlash attention e Hyper-Connections, integrando anche il percorso DSpark per l’inferenza.

DSpark è una tecnologia di speculative decoding inclusa nel processo di inferenza. Questa permette di generare in anticipo più token candidati che vengono poi verificati dal modello principale. Secondo i test condotti da DeepSeek, l’adozione di DSpark nel servizio V4 ha prodotto incrementi di velocità compresi tra il 60% e l’85% rispetto al baseline MTP-1, mantenendo un throughput comparabile.

Le configurazioni ufficiali per vLLM e SGLang prevedono l’utilizzo del parallelismo tensoriale su quattro GPU, una cache KV in FP8 e la speculative decoding con tre token candidati. Queste specifiche indicano che il modello è ottimizzato per infrastrutture multi-GPU.

Il suffisso “Exp” utilizzato nel nome del modello segnala esplicitamente la sua natura sperimentale. DeepSeek sottolinea che l’obiettivo principale è ottenere un significativo miglioramento delle capacità degli agenti multimodali, mantenendo al contempo prestazioni testuali paragonabili a quelle di V4-Flash. Tuttavia, i benchmark mostrano differenze sensibili tra le diverse attività, confermando che le prestazioni possono variare in base al tipo di compito e al benchmark utilizzato.

Per quanto riguarda l’accesso tramite API, DeepSeek applica una tariffazione differenziata a seconda delle fasce orarie. Durante le ore di punta, il costo è di 0,44 dollari per milione di token in input e 1,32 dollari per milione di token in output. Nelle ore non di punta, i prezzi vengono dimezzati. Il servizio supporta immagini con una dimensione massima di 8192 pixel sul lato più lungo, effettuando un ridimensionamento automatico a circa 800 x 800 pixel e consumando indicativamente circa 384 token per immagine.

La pubblicazione dei pesi del modello con licenza MIT rappresenta il cambiamento più significativo rispetto alla precedente disponibilità esclusiva tramite servizio. Il checkpoint può essere scaricato da Hugging Face e ModelScope, con strumenti disponibili per l’esecuzione tramite Transformers, vLLM, SGLang e Docker. È importante notare che il modello completo richiede configurazioni multi-GPU per ottenere prestazioni elevate, mentre l’utilizzo locale su macchine meno potenti dipenderà dall’applicazione di tecniche di quantizzazione e ottimizzazione specifiche.

* Contenuto realizzato con l’ausilio di sistemi di intelligenza artificiale.