«Open» non vuol dire quello che sembra
Partiamo dal fraintendimento più comune, perché condiziona tutto il resto.
Quando si legge che DeepSeek è open source, di solito si intende una cosa sola: che puoi scaricare i pesi del modello. I pesi sono i numeri che descrivono il comportamento del modello dopo l'addestramento. Puoi prenderli, metterli sui tuoi server e farlo girare senza chiedere il permesso a nessuno.
Quello che non ricevi è tutto il resto. Non ricevi i dati su cui è stato addestrato. Non ricevi il codice e le scelte dell'addestramento. Non puoi ricostruirlo da zero, e non puoi verificare cosa è entrato nel modello.
Il termine corretto è pesi aperti, open weights. Non è pignoleria da addetti ai lavori. Nel software open source puoi leggere il sorgente e capire cosa fa il programma. Qui no: hai un artefatto che puoi usare e modificare, ma la sua origine resta opaca quanto quella di un modello chiuso.
Chi vende trasparenza usando la parola open source sta dicendo qualcosa di vero solo a metà.
Chi sono, con i numeri veri
I nomi che sentirai nominare sono quattro, e vengono da aziende diverse con strategie diverse.
DeepSeek V4 è uscito ad aprile 2026 nella variante Pro, con licenza MIT: 1.600 miliardi di parametri totali, di cui 49 miliardi effettivamente attivi a ogni richiesta, e una finestra di contesto da un milione di token. Esiste anche una versione Flash, molto più piccola, pensata per costare poco. La MIT è la licenza più permissiva in circolazione: puoi usarlo commercialmente, modificarlo e ridistribuirlo praticamente senza vincoli.
Kimi K3, di Moonshot AI, è arrivato a luglio 2026 ed è il modello a pesi aperti più grande mai rilasciato: 2.800 miliardi di parametri totali, 104 miliardi attivi, un milione di token di contesto. Qui però la licenza non è MIT, è una licenza proprietaria scritta da Moonshot. I pesi si scaricano, ma le condizioni d'uso le detta l'azienda.
GLM-5.2, di Zhipu AI, è del 17 giugno 2026: 753 miliardi di parametri, contesto da un milione di token, licenza MIT.
Qwen, di Alibaba, è il caso più interessante, e merita un discorso a parte.
Perché se ne parla così tanto
Due motivi, e vale la pena separarli perché pesano in modo diverso.
Il primo è che hanno recuperato terreno. Sui benchmark di programmazione, DeepSeek V4 viene dichiarato intorno all'80% su SWE-bench Verified, che è il territorio dei modelli di punta occidentali della generazione precedente. Sono numeri dichiarati da chi produce il modello, quindi vanno presi per quello che sono: gli autori scelgono le condizioni del test. Ma anche scontandoli, il divario che c'era due anni fa non c'è più.
Il secondo motivo conta di più e se ne parla di meno: puoi ospitarli tu. Un modello a pesi aperti gira sui tuoi server, o su quelli di un fornitore che scegli tu, in un paese che scegli tu. Nessun dato esce dal perimetro se non vuoi. Per certe aziende questo non è un vantaggio economico, è l'unica configurazione ammissibile.
Poi certo, c'è il prezzo. Ma sul prezzo si fanno più errori che altrove, e ci torno più avanti.
Stai valutando quale modello portare in azienda?
30 minuti per discutere il tuo caso specifico.
La riga tra aperto e chiuso si sta spostando
Qui c'è la parte che quasi nessuno racconta, ed è quella che invecchia meglio.
La vulgata dice: i cinesi rilasciano modelli aperti, gli americani li tengono chiusi. Era una descrizione ragionevole nel 2025. Nel 2026 sta smettendo di esserlo, e si sta muovendo in tutte e due le direzioni.
Alibaba ha fatto il percorso inverso. Il modello di punta della serie Qwen 3.7 è stato reso disponibile solo via API, senza pesi pubblici. È la stessa scelta di OpenAI e Anthropic, fatta da un'azienda che si era costruita una reputazione sull'apertura. Alibaba ha storicamente aperto i pesi dopo qualche mese di esclusiva sulle API, quindi la porta non è chiusa per sempre — ma il modello migliore, quando esce, non è più aperto.
Moonshot ha fatto una cosa più sottile: ha rilasciato i pesi di Kimi K3, ma con una licenza sua invece che con una MIT. I pesi si scaricano lo stesso. Le condizioni però le stabilisce l'azienda, e possono cambiare fra una versione e l'altra.
Nel frattempo dalla parte occidentale i pesi aperti esistono eccome, da Mistral in Europa in giù — ne ho scritto nel confronto tra Claude e Mistral.
La conclusione operativa è che «cinese» e «aperto» stanno diventando due assi indipendenti. Vanno valutati separatamente, perché rispondono a domande diverse: uno riguarda dove finiscono i dati, l'altro cosa puoi farci.
Cosa cambia davvero quando devi sceglierne uno
Le differenze che contano in azienda non sono quasi mai quelle dei benchmark. Sono queste quattro.
Dove girano i dati. Se scarichi i pesi e li ospiti tu, i dati non escono: è il vantaggio più solido di questa categoria. Se invece usi le API ufficiali di DeepSeek o di Alibaba, i dati vanno sui loro server, in Cina, sotto la loro giurisdizione. Sono due scenari opposti che vengono chiamati con lo stesso nome, e vederli confusi nella stessa conversazione capita più spesso di quanto dovrebbe.
Chi risponde quando si rompe. Con un fornitore chiuso hai un contratto, un livello di servizio, qualcuno da chiamare. Con i pesi aperti sei tu il fornitore di te stesso. Non è un difetto in sé, è un costo che va messo a bilancio: serve qualcuno che sappia tenere in piedi l'infrastruttura quando alle nove di lunedì il modello non risponde.
La continuità, che gioca a favore dei pesi aperti. Un modello via API può essere ritirato o cambiato sotto ai piedi, e le aziende che hanno costruito su un modello poi deprecato lo sanno bene. I pesi che hai scaricato restano tuoi. Se una cosa deve funzionare identica fra tre anni, questo argomento pesa parecchio.
Il costo vero, che è la voce dove si sbaglia di più. Il prezzo per milione di token è la parte piccola del conto. Le GPU, chi le amministra, il monitoraggio, la sicurezza, gli aggiornamenti e soprattutto l'integrazione nei processi esistenti valgono molto di più. Un modello gratuito che richiede due persone dedicate costa più di un'API a pagamento che non ne richiede nessuna. Su come si compone davvero il conto ho scritto quanto costa Claude in azienda, e la struttura del ragionamento vale identica per qualsiasi fornitore.
Quando conviene l'uno, quando conviene l'altro
Provo a dirlo senza girarci intorno, perché è la domanda che conta.
I pesi aperti hanno senso quando la residenza del dato non è negoziabile e nessuna API è ammessa. Quando hai volumi molto alti su un compito ripetitivo e prevedibile, dove il risparmio sull'inferenza diventa reale. Quando vuoi specializzare il modello su un dominio tuo con dati tuoi. Quando devi girare senza connessione o dentro una rete isolata. E quando ti serve la garanzia che fra tre anni sia esattamente lo stesso modello.
Un fornitore chiuso ha senso quando i volumi sono medio-bassi e l'infrastruttura costerebbe più di quello che risparmi. Quando devi arrivare in produzione in poche settimane. Quando non hai un team che sappia far girare modelli e non ha senso costruirlo per questo. Quando ti serve qualcuno di contrattualmente responsabile. E quando i compiti cambiano spesso, perché lì la qualità generale del modello conta più dell'ottimizzazione.
Nella pratica molte aziende finiscono con tutti e due: un fornitore chiuso per i compiti generali e la produttività quotidiana, un modello aperto ospitato in casa per il caso specifico ad alto volume o ad alta sensibilità. Non è un compromesso pigro, spesso è la configurazione giusta.
Quello che non ha senso è scegliere per bandiera, in un senso o nell'altro. Né «prendiamo il cinese perché costa meno» né «non tocchiamo il cinese» sono criteri: sono scorciatoie per non fare l'analisi.
Le fonti
I numeri di questo articolo vengono dalle schede ufficiali dei modelli, non da articoli di terze parti:
- DeepSeek V4 Pro — scheda su Hugging Face, licenza MIT, 1.600 miliardi di parametri totali e 49 miliardi attivi - Kimi K3 — scheda Moonshot AI su Hugging Face, licenza proprietaria «Kimi K3 License», 2.800 miliardi di parametri totali e 104 miliardi attivi - GLM-5.2 — scheda Zhipu AI su Hugging Face, licenza MIT, 753 miliardi di parametri, rilascio del 17 giugno 2026
I punteggi sui benchmark sono quelli dichiarati dai produttori. Sono utili per farsi un'idea dell'ordine di grandezza, non per decidere: l'unico test che conta davvero è quello sui tuoi documenti e sui tuoi processi.