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.
