Passa al contenuto principale

DeepSeek V4-Flash-Vision: il primo open weight di frontiera con visione nativa

Intermedio

Alle 00:00 UTC del 31 agosto 2026, DeepSeek ha pubblicato in silenzio un nuovo repository su Hugging Face: deepseek-ai/DeepSeek-V4-Flash-Vision-Exp. Dieci giorni dopo che lo stesso modello è andato live sulla loro API (21 agosto), i pesi sono ora pubblici con licenza MIT. È il primo modello della famiglia V4 con visione nativa: non un modello testuale con un adapter attaccato, ma un MoE multimodale addestrato congiuntamente, e i suoi punteggi agentici lato visione sono saltati da 26,2 a 36,5 su ApexBench senza muovere di una virgola i punteggi agentici solo testo. Su diversi benchmark agentici ora eguaglia o supera di poco Claude Opus 4.8 mentre l'API costa 0,22 $ per milione di token in input.

Questa pagina è la guida pratica sul campo che il lancio non aveva: cosa è cambiato a livello architetturale, i numeri che contano, l'unico limite rigido di cui nessuno ti avverte, come eseguirlo e quando Claude resta la scelta giusta.

What you'll learn
  • Capire cosa significa qui 'visione nativa': il backbone V4-Flash più un vision encoder + aligner addestrati insieme, non aggiunti dopo
  • Leggere la tabella dei benchmark come il rilascio intende: agenti solo testo preservati, agenti con visione in forte crescita, entrambi a un passo da Claude Opus 4.8
  • Conoscere il limite architetturale rigido di 384 token per immagine e perché cambia il modo in cui fai prompting
  • Fare i conti onesti sui costi: 0,22 $ / 0,66 $ / 0,007 $ (cache) per milione di token contro Claude Opus 4.8 a 15 $ / 75 $
  • Scegliere il percorso di serving giusto: API hosted per quasi tutti, vLLM + DSpark per un vero self-hosting

La versione in una frase​

DeepSeek V4-Flash-Vision-Exp è un modello multimodale sparse-MoE da 305 miliardi di parametri, 13B attivi per token, contesto da 1,048M token, che aggiunge visione addestrata congiuntamente al backbone testuale V4-Flash, è distribuito open con licenza MIT su Hugging Face dal 31 agosto 2026, e offre prestazioni multimodali di livello agentico a circa un quarantesimo del prezzo per token di Claude Opus 4.8.

Quattro cose su V4-Flash-Vision che non sono nelle release note​

1. La visione è stata aggiunta senza rompere gli agenti testuali: è tutto il punto​

Ogni laboratorio open che ha attaccato la visione a un forte modello testuale ha pagato una tassa sui benchmark testuali. La tabella di rilascio di DeepSeek è il colpo di scena: su Terminal Bench 2.1 il modello con visione fa 83,9 (contro 82,7 del V4-Flash-0731 solo testo); su DeepSWE sale a 59,3 (da 54,4); su Toolathlon-Verified a 75,9 (da 70,3). Nessuno di questi è un task di visione: sono eval agentiche pure di codice e uso di tool. La variante con visione è migliore sul lavoro agentico testuale del checkpoint solo testo, non peggiore.

Conta perché è la "prova sul campo" che il settore aspettava da Chameleon: puoi addestrare congiuntamente un MoE gigante per testo e visione senza che l'aggiunta multimodale causi regressione testuale, purché la testa di visione arrivi abbastanza tardi e il router possa continuare a specializzare gli esperti testuali.

2. Il vision encoder ha un budget rigido di 384 token per immagine​

È la singola cosa più importante da imparare prima di scrivere il tuo primo prompt. Il vision encoder di V4-Flash-Vision-Exp alloca al massimo 384 token per immagine, e quel tetto è architetturale, non una policy commerciale. Non esiste una modalità "high-detail" che ne sblocchi di più. Conseguenze pratiche:

  • Gli screenshot grandi perdono il testo fine. Una dashboard a 2560×1440, un CSV denso renderizzato come immagine o una lunga pagina PDF verranno codificati a qualsiasi risoluzione riescano a esprimere 384 token di feature visive: il testo a carattere piccolo non sopravviverà al giro.
  • Ritaglia, non ridimensionare. Se devi leggere numeri da un grafico, invia il grafico ritagliato sulla regione d'interesse, non l'intera pagina.
  • Multi-immagine batte un'unica immagine gigante. Dividi i documenti grandi in tile per regione; ogni tile ottiene il proprio budget di 384 token.

È per questo che Chartography arriva a 64,3 (competitivo con il 65,0 di Claude Opus 4.8) ma il modello continuerà a perdere una nota a piè di pagina in corpo 12 su uno screenshot a pagina intera. Ogni workflow agentico con visione che costruisci dovrebbe assumere questo tetto.

3. Il routing MoE è insolitamente sparso: 6 esperti su 256 si attivano per token​

La maggior parte delle ricette MoE pubblicate attiva 8 esperti su 32 o 64. V4-Flash-Vision-Exp usa un banco di esperti molto più ampio: 256 esperti instradati + 1 esperto condiviso, con solo 6 esperti instradati che si attivano per token, un rapporto di attivazione del 2,3%. Il modello ha 43 layer, hidden size 4.096, e lo stack di attenzione ibrida combina due meccanismi:

  • Compressed Sparse Attention (CSA): pattern sparsi per le letture a lungo raggio.
  • Heavily Compressed Attention (HCA): una forma aggressivamente compressa per la coda del contesto profondo.

Sopra tutto questo, le Manifold-Constrained Hyper-Connections (mHC) sostituiscono il residuo standard con una proiezione su varietà vincolata, che secondo il paper stabilizza la propagazione del segnale attraverso lo stack di 43 layer. Insieme, sono la ragione per cui il modello può pubblicizzare una finestra di contesto da 1.048.576 token senza il conto quadratico dell'attenzione.

4. Il prezzo è la vera storia​

Prezzi di listino, tutti per milione di token:

ModelloInputOutputLettura da cache
DeepSeek V4-Flash-Vision-Exp (API)0,22 $0,66 $0,007 $
Claude Opus 4.815,00 $75,00 $1,50 $
Kimi K3 (cache-miss / cache-hit)3,00 $ / 0,30 $15,00 $0,30 $

La lettura da cache a 0,007 $/M non è un refuso: è circa un duecentesimo di centesimo per mille token. Per qualsiasi carico di lavoro in cui un system prompt ripetuto o un contesto lungo viene reinviato (loop agentici, RAG su un corpus statico, chat con una persona fissa) il prezzo effettivo di input crolla. È il motivo per cui V4-Flash-Vision-Exp compare nelle tabelle di costo agentico a una frazione di quanto costa Claude Opus 4.8 per task, anche quando la qualità grezza è a pochi punti di distanza.

Benchmark: leggi la tabella, non il titolo​

BenchmarkV4-Flash-Vision-ExpV4-Flash-0731Claude Opus 4.8
Agenti testuali
Terminal Bench 2.183,982,785,0
NL2Repo57,754,269,7
DeepSWE59,354,458,0
Toolathlon-Verified75,970,376,2
Agenti multimodali
ApexBench (Pass@1)36,526,2†39,4
Agents' Last Exam27,325,2†25,7
Chartography64,3—65,0
ZeroBench (Pass@5)35,0—34,0

† Checkpoint precedente solo testo valutato su immagini che non poteva leggere nativamente: un pavimento, non un confronto equo.

Leggendo la tabella così com'è:

  • Sul lavoro agentico testuale, V4-Flash-Vision-Exp è a pochi punti da Claude Opus 4.8 su tutta la linea, e batte attivamente V4-Flash-0731 su ogni eval. La visione è stata aggiunta senza regressione.
  • Sugli agenti multimodali, batte Claude Opus 4.8 su Agents' Last Exam e ZeroBench Pass@5, resta di poco indietro su ApexBench e Chartography. È il primo rilascio open weight in cui "eguaglia Opus sugli agenti multimodali" non è una frase di marketing.
  • L'unico benchmark non vicino è NL2Repo (57,7 contro 69,7). La traduzione di codice a livello di intero repository è ancora un posto dove la frontiera chiusa mantiene un vero divario.

Il pattern di rilascio: prima l'API, i pesi dieci giorni dopo​

V4-Flash-Vision-Exp è arrivato sull'API DeepSeek il 21 agosto 2026, e solo il 31 agosto è atterrato su Hugging Face come pesi aperti. Questo intervallo di dieci giorni è il nuovo default di DeepSeek. Confronta con Z.ai (GLM), che rilascia API + pesi simultaneamente; DeepSeek sta deliberatamente sequenziando.

La lettura del settore: i laboratori ora concordano che i grandi MoE open vengono rilasciati. La domanda che resta è quando nel ciclo di rilascio arrivano i pesi. Per la pianificazione in produzione significa:

  • Se ti serve on-prem dal giorno zero, tieni d'occhio i rilasci della famiglia GLM.
  • Se puoi partire sull'API e passare al self-hosting una o due settimane dopo, DeepSeek è il pattern.

Eseguire V4-Flash-Vision-Exp​

Ci sono tre percorsi realistici. Scegli in base ai due vincoli che contano davvero: se i pesi devono vivere sulla tua infrastruttura, e quanta VRAM (o RAM) puoi pagare.

Guided walkthrough1 of 3
  1. Endpoint compatibile OpenAI su api.deepseek.com. L'ID del modello è deepseek-v4-flash-vision-exp. Il prezzo è 0,22 $ / 0,66 $ / 0,007 $ per milione di token. È la risposta giusta a meno che tu non abbia un vincolo di residenza dei dati o di air-gap.

API hosted — Python (compatibile OpenAI)

import openai

client = openai.OpenAI(
  api_key="YOUR_DEEPSEEK_KEY",
  base_url="https://api.deepseek.com/v1",
)

response = client.chat.completions.create(
  model="deepseek-v4-flash-vision-exp",
  messages=[
      {
          "role": "user",
          "content": [
              {"type": "text", "text": "What does this chart claim, and what's the one thing it hides?"},
              {"type": "image_url", "image_url": {"url": "https://example.com/chart.png"}},
          ],
      }
  ],
)
print(response.choices[0].message.content)

Self-hosting — vLLM su 4× GB300 con DSpark

docker run --gpus all -p 8000:8000 \
vllm/vllm-openai:deepseekv4-flash-vision \
deepseek-ai/DeepSeek-V4-Flash-Vision-Exp \
--kv-cache-dtype fp8 \
--block-size 256 \
--tensor-parallel-size 4 \
--tool-call-parser deepseek_v4 \
--speculative-config '{"method":"dspark","model":"deepseek-ai/DeepSeek-V4-Flash-Vision-Exp","num_speculative_tokens":3}'

Locale — Ollama con il GGUF della community

ollama run hf.co/unsloth/DeepSeek-V4-Flash-Vision-Exp-GGUF:UD-Q4_K_XL

# Compact image syntax the model was trained to accept:
# <image>path/to/screenshot.png</image>  followed by your prompt

Quando scegliere V4-Flash-Vision, e quando restare su Claude​

Scegli V4-Flash-Vision quando:

  • Ti serve qualità agentica multimodale di livello circa Opus 4.8 e il costo è un fattore. Il prezzo della lettura da cache schiaccia qualsiasi cosa sulla frontiera chiusa.
  • Il carico di lavoro beneficia di un contesto da 1M token (VQA su documenti lunghi, analisi di interi frame video, review di grandi repo con screenshot).
  • Ti servono pesi aperti per compliance, lavoro air-gapped o fine-tuning, e hai (o noleggi) hardware di classe frontiera.
  • Stai costruendo una pipeline ricca di grafici o di parsing di dashboard in cui puoi controllare il tiling delle immagini.

Resta su Claude Opus 4.8 (o Sonnet 5) quando:

  • Il lavoro è traduzione o sintesi di codice a livello di intero repository: NL2Repo è l'outlier dove il divario è reale (57,7 contro 69,7).
  • Ti servono funzionalità specifiche di Claude: Extended thinking con budget, Skill, orchestrazione di sub-agenti in Claude Code, o i controlli di budget di sessione dei Managed Agents.
  • I tuoi prompt contengono immagini con testo critico minuscolo e non puoi fare tiling: sbatterai contro il limite di 384 token e perderai accuratezza.
  • Vuoi un unico vendor / SLA / contatto di supporto e hai già investito nel tooling Anthropic.

Per un framework più ampio di scelta del modello, vedi Come scegliere un modello. Per un confronto fianco a fianco di tutta l'ondata open weight, DeepSeek, Qwen e l'ondata open weight è la panoramica durevole.

Le insidie che ti colpiranno per prime​

  1. Dimenticherai il limite di 384 token. I primi tre agenti con visione che costruirai sforeranno la risoluzione e perderanno silenziosamente accuratezza sul testo piccolo. Strumenta per questo: logga le dimensioni per immagine e riduci + fai tiling deliberatamente.
  2. DSpark si disattiva silenziosamente se salti --speculative-config. Senza il flag, vLLM servirà tranquillamente il modello a 1/3 del throughput annunciato al rilascio. Passa sempre la configurazione speculativa in produzione.
  3. Il GGUF non è un modello da laptop. UD-Q4_K_XL pesa 155 GB. I thread della community che lo mostrano "in esecuzione" su macchine più piccole lo stanno facendo girare a frazioni di token/s via swap su SSD: tecnicamente funziona, non è usabile.
  4. La parità di versione tra API e pesi non è garantita. Il modello API può essere aggiornato silenziosamente; i pesi su Hugging Face sono bloccati a Vision-Exp. Se un benchmark si sposta di qualche punto di mese in mese sull'API, è per questo.
  5. Exp significa sperimentale. Non è garantito che la variante con visione sopravviva nei rilasci V4 di produzione. Non costruire una pipeline critica assumendo che questo specifico checkpoint esista ancora tra un anno.

Quiz​

Check yourself

0/5
  1. Quanti parametri si attivano per token in DeepSeek V4-Flash-Vision-Exp?
  2. Qual è il limite architetturale rigido su quanti token il vision encoder alloca a una singola immagine?
  3. Su quali benchmark della tabella di rilascio V4-Flash-Vision-Exp batte davvero Claude Opus 4.8?
  4. Qual è il prezzo di input per lettura da cache sull'API DeepSeek per questo modello?
  5. Quale profilo hardware a nodo singolo è il percorso raccomandato da vLLM per il self-hosting di V4-Flash-Vision-Exp in produzione?
Premi Invio o Spazio per girare la carta. Usa le frecce sinistra e destra per spostarti tra le carte.Termine mostrato.
1 / 11

Fonti e approfondimenti​

Prossimi passi​