Il 20 gennaio 2025 DeepSeek ha rilasciato i pesi di DeepSeek-R1 sotto licenza MIT, insieme a un rapporto tecnico e a sei modelli distillati. Per un sistema di ragionamento messo a confronto con o1 di OpenAI sui benchmark di matematica e coding, una licenza così permissiva sui parametri si vede di rado. Conviene fissare con precisione cosa quella licenza copre e cosa no: la differenza conta per chi deve verificare il modello prima di portarlo in produzione.

Contesto

DeepSeek è una società di ricerca cinese nata nel 2023 come costola del fondo quantitativo High-Flyer. A dicembre 2024 ha pubblicato DeepSeek-V3, un modello Mixture-of-Experts da 671 miliardi di parametri totali, 37 miliardi attivati per token, addestrato — stando al rapporto tecnico (arXiv 2412.19437) — in 2,788 milioni di ore-GPU su acceleratori H800. Il 20 gennaio è arrivato DeepSeek-R1, costruito sopra V3-Base e specializzato sul ragionamento.

A colpire è stato il modo del rilascio, più ancora della prestazione dichiarata: pesi scaricabili, un rapporto tecnico che entra nel dettaglio della procedura di addestramento e — per R1 — la licenza MIT estesa anche ai pesi del modello. Succede meno spesso di quanto la formula open source lasci credere.

Architettura

R1 esce da una pipeline a più fasi, descritta nel rapporto. Si parte da DeepSeek-R1-Zero: il modello base viene addestrato con reinforcement learning (RL) puro, senza una fase preliminare di supervised fine-tuning (SFT), con una funzione di reward ancorata a criteri verificabili — risposta corretta in matematica, test superati per il codice. R1-Zero sviluppa catene di ragionamento esplicite, ma ha problemi di leggibilità e mescola le lingue.

R1 corregge questi difetti: introduce dati di cold-start prima dell’RL e alterna due fasi di RL con due di SFT. Il modello stende una catena di pensiero intermedia — scompone il problema, ne verifica la coerenza — prima della risposta finale. Sei distillazioni, da 1,5 a 70 miliardi di parametri su basi Qwen e Llama, trasferiscono parte di queste capacità a modelli che girano su hardware modesto.

Sotto, l’architettura di V3 usa Multi-head Latent Attention (MLA) per ridurre la cache key-value e una strategia di load balancing degli esperti senza loss ausiliaria. Il rapporto le documenta e le rende riproducibili sul piano concettuale: non si fermano al numero di benchmark.

Il punto critico

La licenza non è uniforme su tutto il rilascio. Per R1 la MIT vale sia per il codice del repository sia per i pesi del modello: uso commerciale, modifica e distillazione restano liberi, senza vincoli d’uso. Per V3, invece, il codice del repository è MIT, ma i pesi cadono sotto una licenza modello separata, derivata da OpenRAIL, con clausole di uso responsabile. Due rilasci della stessa azienda, a poche settimane l’uno dall’altro, con regimi di licenza diversi sui parametri.

C’è poi un secondo livello, che con la licenza non c’entra. Pesi aperti non vuol dire addestramento riproducibile. Quello che DeepSeek mette a disposizione sono i parametri finali e un rapporto che descrive la procedura. Restano fuori il dataset di pre-training (14,8 trilioni di token, descritti ma non distribuiti), il codice esatto della pipeline di RL, la composizione dei dati di cold-start, i set di valutazione interni. Un terzo non può rieseguire l’addestramento e riottenere lo stesso modello; può solo prendere i pesi così come sono e fidarsi del rapporto per tutto il resto.

È qui che open weights e open source si separano, nel significato che open source ha nel software. Nel software, open source vuol dire accesso alla forma preferita per le modifiche — il sorgente. Per un modello, quella forma includerebbe i dati e il codice di addestramento; i pesi da soli somigliano più a un binario compilato che a un sorgente. La Open Source Initiative ha pubblicato a ottobre 2024 la versione 1.0 della Open Source AI Definition proprio per mettere ordine in questa distinzione, e chiede informazioni sufficienti sui dati a chi voglia rivendicare la qualifica. I pesi MIT di R1, da soli, non bastano a soddisfare quel requisito.

Implicazioni

Per chi deve decidere se adottare R1, la distinzione ha conseguenze pratiche. La licenza MIT sui pesi chiude la questione legale dell’uso commerciale e della ridistribuzione: un vincolo in meno. Non chiude la questione dell’auditabilità. Senza dataset e pipeline non si verifica in modo indipendente cosa il modello ha visto in addestramento, né si riproducono da zero le proprietà dichiarate; restano percorribili solo le verifiche a valle, sui pesi disponibili — red-teaming, eval su set propri, analisi del comportamento.

Per chi lavora sotto vincoli regolatori è questo il punto. L’EU AI Act, in vigore dal 1° agosto 2024, impone ai modelli di uso generale documentazione tecnica e — all’articolo 53, paragrafo 1, lettera d — un riepilogo sufficientemente dettagliato dei contenuti usati per l’addestramento, secondo un modello fornito dall’AI Office. Un rilascio a pesi aperti con licenza permissiva aiuta, ma non sostituisce quella documentazione: la trasparenza richiesta riguarda i dati, e la licenza MIT sui parametri quei dati non li rende disponibili.

C’è anche una lettura sull’economia del settore. Il costo di addestramento di V3 riportato nel rapporto — circa 5,576 milioni di dollari, calcolato a 2 dollari per ora-GPU H800 sulle 2,788 milioni di ore dichiarate — è una frazione delle stime correnti per i modelli di frontiera occidentali. La cifra copre solo il training run finale: niente ricerca, niente esperimenti falliti, niente hardware. Il dato che rimane è un altro: l’efficienza architetturale e algoritmica può abbassare la barriera computazionale, e un attore con risorse limitate rispetto ai grandi laboratori può comunque rilasciare un modello competitivo con pesi scaricabili.

Limiti

Quasi tutto ciò che si dice su R1 al momento del rilascio poggia sul rapporto tecnico e sui benchmark dichiarati dall’autore. La verifica indipendente delle prestazioni richiede tempo e set di valutazione non contaminati; le cifre di costo non si confrontano in modo diretto con quelle dei concorrenti, che adottano metodi di contabilizzazione diversi e raramente pubblici. La licenza MIT sui pesi di R1 si verifica leggendo il file nel repository; la composizione dell’addestramento no, e su quella ci si affida a quanto è scritto. Tenere separate le due cose è il minimo, prima di trattare open weights come sinonimo di trasparenza.

Immagine di copertina: Logo DeepSeek: icona di una balena stilizzata accanto alla scritta DeepSeek, in tonalita viola su sfondo chiaro — logo di RoadMaster19, CC BY 4.0 — https://commons.wikimedia.org/wiki/File:DeepSeek_purple.png