DeepSeek apre un modello da 305 miliardi di parametri che finalmente può vedere

DeepSeek ha pubblicato un nuovo modello su Hugging Face senza molto rumore attorno. DeepSeek-V4-Flash-Vision-Exp è il primo modello della famiglia V4 in grado di guardare immagini e leggere testi, pesa 305 miliardi di parametri e viene fornito con una licenza MIT, che è permissiva quanto lo è la licenza software. L’azienda lo descrive come sperimentale e il nome porta la sigla “Exp” per dimostrarlo.

L’approccio è semplice: prendere l’architettura V4-Flash esistente, integrare i moduli di visione e continuare la formazione. Ciò che ne risulta è un modello che è migliorato sostanzialmente nel lavoro degli agenti multimodali, mentre le prestazioni di solo testo sono rimaste più o meno dov’erano. Su ApexBench, un test con agenti multimodali, ottiene un punteggio di 36,5 contro 26,2 del precedente V4-Flash-0731, sebbene il confronto sia generoso, poiché il modello precedente ignora semplicemente le immagini nell’input. Su Agents’ Last Exam registra 27.3, superando il 25.7 che la tabella di DeepSeek elenca per Opus 4.8. I numeri sul lato testo sono pressoché invariati: 83,9 su Terminal Bench 2.1, 59,3 su DeepSWE. Il repository include un tokenizzatore, un’implementazione di riferimento e ricette per vLLM e SGLang, mentre le versioni della community quantizzata sono apparse quasi immediatamente.

Due termini che vale la pena scompattare. I parametri sono i numeri modificabili all’interno di un modello, le cose che si adattano all’allenamento. 305 miliardi di essi sono grandi e significa che non è qualcosa che puoi eseguire su un laptop. Pesi aperti significa che DeepSeek ha pubblicato quei numeri affinché chiunque possa scaricarli, il che è diverso dal software open source: ottieni il modello finito, non la ricetta o i dati di addestramento. La licenza MIT è la parte degna di nota, perché non pone quasi nessuna restrizione all’uso commerciale. Un’azienda europea può scaricarlo, eseguirlo interamente sul proprio hardware e non inviare mai un singolo documento del cliente al server di nessun altro. Questa è un’opzione reale che non esisteva qualche anno fa, ed è per questo che i rilasci a peso libero da parte dei laboratori cinesi continuano ad essere importanti per le aziende che non hanno nulla a che fare con la Cina.

Cosa significa per te. Se usi l’intelligenza artificiale attraverso una finestra di chat, oggi non c’è nulla per te, e va bene. Se costruisci cose, vale la pena dare un’occhiata: un modello con licenza permissiva che legge grafici, schermate e documenti, a una dimensione che puoi effettivamente ospitare autonomamente se hai l’hardware, è una cosa utile da avere. Vale la pena, però, mantenere le aspettative con i piedi per terra. “Sperimentale” nel nome di un modello di solito significa bordi grezzi, i confronti dei benchmark provengono da DeepSeek piuttosto che da un valutatore indipendente, e la lettura onesta dei numeri è che questo corrisponde ai principali modelli proprietari su alcune attività dell’agente multimodale e li segue su altri. Ciò che è interessante è la direzione, non la posizione in classifica.

Fonti

• Scheda modello DeepSeek-V4-Flash-Vision-Exp (Hugging Face)
• Collezione DeepSeek-V4 (Hugging Face)