DeepSeek V4 sorprende con la visione e lancia la sfida a Claude Opus

DeepSeek ha appena reso disponibile in open weight il suo primo modello multimodale sperimentale, DeepSeek-V4-Flash-Vision-Exp, un sistema da 305 miliardi di parametri che integra nativamente la comprensione delle immagini nella stessa architettura di V4-Flash.

Pubblicato il 31 agosto 2026 su Hugging Face con licenza MIT, il checkpoint segna un passaggio importante rispetto al debutto API del 21 agosto: ora chiunque può scaricare, eseguire localmente e adattare il modello, aprendo la strada a implementazioni che richiedono elaborazione visiva senza inviare dati a servizi esterni.

Nei benchmark pubblicati da DeepSeek, V4-Flash-Vision-Exp si colloca molto vicino a Claude Opus 4.8, superandolo in alcuni test di agente multimodale e restando leggermente indietro in altri. Su ApexBench Pass@1 raggiunge 36,5 punti contro 39,4 di Opus 4.8, mentre in Agents’ Last Exam arriva a 27,3, davanti al 25,7 dell’avversario. Nei task puramente testuali le prestazioni restano sostanzialmente allineate a V4-Flash-0731, con Terminal Bench 2.1 a 83,9 contro 82,7 e DeepSWE a 59,3, superiore anche al 58,0 attribuito a Opus 4.8.

DeepSeek V4: architettura e componenti chiave

Il modello parte dalla base di DeepSeek-V4-Flash e aggiunge un encoder visivo e un modulo di allineamento, seguiti da un ulteriore addestramento mirato alla comprensione delle immagini. L’architettura mantiene gli elementi caratteristici di V4, tra cui Mixture-of-Experts, DFlash attention e Hyper-Connections, integrando anche il percorso DSpark per l’inferenza. Questa combinazione permette di trattare testo e immagini nella stessa richiesta senza ricorrere a un modello separato per l’analisi visiva.

DSpark, la tecnologia di speculative decoding inclusa nel percorso di inferenza, genera in anticipo più token candidati per poi verificarli con il modello principale. Nei test riportati da DeepSeek, l’adozione di DSpark nel servizio V4 ha prodotto incrementi di velocità tra il 60% e l’85% rispetto al baseline MTP-1 a throughput comparabile. Le configurazioni ufficiali per vLLM e SGLang prevedono parallelismo tensoriale su quattro GPU, cache KV in FP8 e speculative decoding con tre token candidati, indicando un target hardware orientato a infrastrutture multi-GPU.

Limiti, costi e stato sperimentale

Il suffisso “Exp” segnala esplicitamente la natura sperimentale del modello.

DeepSeek sottolinea che l’obiettivo è ottenere un forte miglioramento nelle capacità degli agenti multimodali mantenendo prestazioni testuali comparabili a V4-Flash, ma i benchmark mostrano differenze sensibili tra attività. Il modello supera Opus 4.8 in alcuni test, mentre in altri resta indietro, confermando che le prestazioni dipendono dal tipo di compito e dal benchmark considerato.

Per quanto riguarda l’API, DeepSeek applica una tariffazione distinta tra fasce di punta e non di punta. Nelle ore di punta il prezzo 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 valori risultano dimezzati. Il servizio supporta immagini fino a 8192 pixel sul lato più lungo, con ridimensionamento automatico verso circa 800 x 800 pixel e un consumo indicativo di circa 384 token per immagine.

La pubblicazione dei pesi con licenza MIT rappresenta il cambiamento più significativo rispetto a un modello disponibile solo come servizio. Il checkpoint può essere scaricato da Hugging Face e ModelScope, con strumenti per l’esecuzione tramite Transformers, vLLM, SGLang e Docker. Restano comunque requisiti hardware importanti: il modello completo richiede configurazioni multi-GPU per prestazioni elevate, mentre l’utilizzo locale su macchine più contenute dipende da quantizzazioni e ottimizzazioni specifiche.