Il changelog dell'API di DeepSeek datato 21 August annuncia DeepSeek-V4-Flash-Vision-Exp, descritto come "the new multimodal vision understanding model", disponibile sulla piattaforma API di DeepSeek e accessibile impostando model='deepseek-v4-flash-vision-exp'. La voce precisa che si tratta di un modello sperimentale.

I benchmark pubblicati

Terminal Bench 2.1: 83.9. NL2Repo: 57.7. DeepSWE: 59.3. DSBench-Hard: 63.6. AutomationBench (Public): 25.7. Questi sono i valori riportati nella pagina.

Ciò che sbaglia la cornice comune

Ognuno di questi è un benchmark agentic, di coding o di data science. Nessuno misura la visione. Le valutazioni multimodali standard con cui viene giudicato un rilascio vision — MMMU, MathVista, DocVQA, suite OCR, comprensione di grafici e diagrammi — sono del tutto assenti. Un modello annunciato come modello vision, valutato esclusivamente su compiti da terminale e repository, sta dicendo a cosa serve davvero: leggere screenshot dentro un ciclo agentico, non descrivere immagini. Il confronto tra la copertura dei suoi punteggi e quella dei modelli multimodali di frontiera mette a paragone numeri che non sono mai stati prodotti sugli stessi test. In secondo luogo, la parola che pesa di più è Exp: i modelli sperimentali su questa piattaforma non comportano alcun impegno di stabilità e non sono lo stesso artefatto di un checkpoint rilasciato.

Pesi e questione open source

Si tratta di un rilascio solo via API. Non sono inclusi pesi, e i repository sui model hub che portano nomi simili sono derivati di terze parti innestati su vecchi checkpoint testuali, non su questo modello. DeepSeek ha costruito la propria reputazione sul rilascio dei pesi, e una capacità vision che arriva come endpoint chiuso è una svolta da segnare — soprattutto considerando quanto la reputazione internazionale dell'azienda si regga sulla fama di open weights.

Cosa dice la documentazione che serve a fare

La guida vision di DeepSeek descrive direttamente i casi d'uso: "describe pictures, read text from screenshots, analyze charts, and more." Le immagini arrivano tramite un formato Chat Completions compatibile con OpenAI, in JPEG, PNG, GIF o WebP, con il formato rilevato dal contenuto del file e non dal nome o dal MIME type dichiarato, all'interno di un limite di 48 MiB per il corpo della richiesta. Screenshot e grafici sono input per agenti. Questo è coerente con la selezione dei benchmark e incoerente con il modo in cui il rilascio viene interpretato.

L'anomalia della sequenza

Lo strumento da riga di comando per agenti di DeepSeek ha aggiunto l'input immagine un giorno prima che qualunque modello DeepSeek potesse elaborare immagini. Il sistema è stato distribuito prima della capacità, un modo ragionevole di costruire software e confuso di annunciarlo.