DeepSeek-V3.2 vs Gemini 3: lo scontro che ridisegna il fronte dell’AI

Dicembre 3, 2025
Giovanni Masi

Nel giro di pochi mesi il panorama dell’AI generativa è cambiato ancora. Da una parte Google DeepMind ha inaugurato l’era di Gemini 3, il nuovo modello di punta integrato in tutta l’infrastruttura Google. Dall’altra la cinese DeepSeek ha risposto con DeepSeek-V3.2 e con la variante V3.2-Speciale, dichiaratamente pensate per competere con i migliori modelli proprietari occidentali sul terreno del ragionamento avanzato. Il confronto fra questi due sistemi va oltre il semplice “chi è più bravo” e racconta come si sta ridisegnando l’equilibrio fra modelli chiusi e open source, fra ecosistemi globali e sovranità tecnologica.

Due modelli, due strategie

Gemini 3 è il terzo capitolo della famiglia di modelli di Google. È un modello multimodale generalista, progettato per comprendere testo, immagini, audio e video e per trasformare questa comprensione in agenti in grado di agire dentro l’ecosistema Google. La versione Gemini 3 Pro è stata resa disponibile in anteprima in modalità unificata su Search, nell’app Gemini, su AI Studio, Vertex AI e sulla nuova piattaforma per agenti Antigravity. L’obiettivo dichiarato è portare lo stesso modello di base ovunque, dal consumatore che chiede un riassunto di una lezione ai team che sviluppano workflow di automazione complessi su Google Cloud.

DeepSeek-V3.2 nasce con una filosofia quasi opposta. È la nuova evoluzione di una linea di modelli misti esperti pensati per massimizzare il rapporto tra prestazioni e costo computazionale. Nella versione standard punta a essere un “daily driver” con capacità paragonabili a GPT-5, mentre la variante V3.2-Speciale è esplicitamente posizionata come rivale della versione Pro di Gemini 3 sul terreno del ragionamento matematico, della programmazione e delle gare competitive. La differenza chiave è che DeepSeek rende disponibili i pesi modello in open source, con licenza permissiva, aprendo alla possibilità di scaricare, modificare e distribuire il sistema su infrastrutture proprie.

Architettura e scelte tecniche

Sul piano architetturale le due famiglie riflettono priorità diverse. DeepSeek-V3.2 prosegue la strada già tracciata da V3 con un’architettura Mixture-of-Experts di grandi dimensioni, in cui soltanto una parte degli esperti viene attivata a ogni token. A questo aggiunge DeepSeek Sparse Attention, un meccanismo di attenzione sparsa che riduce in modo significativo il costo del calcolo su contesti lunghi selezionando solo le parti più rilevanti della sequenza. L’obiettivo è chiaro: mantenere prestazioni da modello “frontier” con requisiti hardware più accessibili e quindi costi di inferenza sensibilmente più bassi.

Nel caso di Gemini 3 i dettagli architetturali sono meno trasparenti, ma Google enfatizza tre elementi. Il primo è la capacità multimodale nativa, che consente al modello di ragionare in modo coerente su testo, immagini e video. Il secondo è l’estensione della finestra di contesto fino al milione di token nelle configurazioni di fascia alta, utile per analizzare corsi online completi, grandi basi documentali o lunghi flussi di interazione. Il terzo è l’ottimizzazione per il deployment in produzione dentro la piattaforma Google, con pipeline pensate per la scalabilità sulla propria infrastruttura di data center.

Un altro elemento distintivo è il ruolo del reinforcement learning. Nel caso di DeepSeek-V3.2 la scala del post training tramite RL viene esplicitamente indicata come il fattore che consente di avvicinare e in alcuni casi superare GPT-5, mentre la variante Speciale spinge ancora oltre questo regime per migliorare il ragionamento passo-passo. Gemini 3, dal canto suo, continua la linea inaugurata con Gemini 2 nel potenziare le capacità “agentiche” attraverso training dedicati, culminati nella modalità Deep Think che abilita fasi di pensiero più lunghe e strutturate.

Il confronto sulle prestazioni di ragionamento

Per capire come si collocano DeepSeek-V3.2 e Gemini 3 occorre guardare ai benchmark che le stesse aziende rendono pubblici. Gemini 3 Pro si presenta con risultati di punta su molte metriche legate al ragionamento avanzato. Sulla leaderboard LMArena, che aggrega valutazioni umane su compiti complessi, raggiunge uno score Elo di 1501, superando la generazione precedente. Su test come Humanity’s Last Exam e GPQA Diamond, progettati per misurare ragionamento a livello di dottorato, ottiene rispettivamente circa il 37 per cento di risposte corrette senza strumenti esterni e oltre il 90 per cento. Sui benchmark di matematica avanzata come MathArena Apex definisce un nuovo stato dell’arte tra i modelli commerciali.

DeepSeek-V3.2, dal canto suo, è descritto nel relativo report come comparabile a GPT-5 nella versione standard e con una variante V3.2-Speciale che eguaglia Gemini 3 Pro sulle prove di ragionamento più impegnative. Il punto più iconico è la performance a livello di “medaglia d’oro” in competizioni come l’International Mathematical Olympiad e l’International Olympiad in Informatics, obiettivi che prima erano stati raggiunti soltanto da modelli interni e non pubblici di OpenAI e Google. Analisi indipendenti e test giornalistici riportano risultati di eccellenza anche su tornei come l’Harvard–MIT Math Tournament e su benchmark di debugging software, pur con un costo di calcolo più alto nel profilo Speciale.

È importante notare che il confronto non è mai perfettamente simmetrico, perché non tutte le metriche sono replicate in entrambi i report. Tuttavia il quadro che emerge è chiaro. Gemini 3 mantiene un vantaggio misurabile in alcuni benchmark generalisti multimodali, mentre DeepSeek-V3.2 si ritaglia una reputazione particolarmente forte sulle prove di ragionamento simbolico, di matematica e di codice, soprattutto nelle versioni ottimizzate per il pensiero esteso.

Agentic AI e uso degli strumenti

Se fino a un paio di anni fa il confronto fra modelli si concentrava sulla qualità del testo generato, oggi il terreno decisivo è l’IA agentica. Gemini 3 è stato progettato esplicitamente per lavorare come “motore” dietro agenti in grado di compiere azioni in modo semi autonomo. La modalità Deep Think introduce una fase di pensiero più lunga prima di agire, migliorando le prestazioni su compiti non visti in addestramento. In parallelo Google ha annunciato Gemini Agent per gli utenti paganti, capace di interagire con Gmail, Calendar e altri servizi per ordinare la posta, organizzare appuntamenti, sintetizzare documenti e orchestrare mini workflow, sempre con conferma finale dell’utente.

DeepSeek-V3.2 ha seguito una strada diversa per arrivare a un obiettivo simile. I ricercatori parlano di “thinking in tool-use”, cioè la capacità del modello di mantenere un filo di ragionamento coerente mentre richiama e combina diversi strumenti. Per addestrare questa abilità è stata costruita una pipeline di sintesi che genera automaticamente dati di addestramento agentico su larga scala, con oltre 1.800 ambienti simulati e decine di migliaia di istruzioni complesse. L’effetto pratico, evidenziato dai primi test indipendenti, è che il modello riesce a usare browser, interpreti di codice e altre API senza perdere il contesto del proprio piano di azione.

Per sviluppatori e ricercatori questo significa due cose. Gemini 3 offre un’integrazione profonda con l’ecosistema Google, con strumenti per orchestrare agenti in Vertex AI o Antigravity sfruttando componenti già certificati per l’uso enterprise. DeepSeek-V3.2 offre invece una base open con cui costruire agenti completamente personalizzati, fino a deployare l’intera catena su server on-premise o cloud alternativi.

Costi, accesso e modello di business

Il confronto fra DeepSeek-V3.2 e Gemini 3 è anche un confronto di modelli economici. Gemini 3 resta un prodotto proprietario, accessibile tramite le interfacce Google ma non scaricabile. Il vantaggio per aziende e istituzioni è la disponibilità di un ecosistema integrato, con contratti, supporto, garanzie di continuità del servizio e un allineamento naturale con gli strumenti già in uso, da Workspace alle piattaforme di sviluppo.

DeepSeek ha scelto la strada opposta. I pesi di V3.2 vengono rilasciati in open source sotto licenza MIT e possono essere liberamente riutilizzati, modificati e integrati in prodotti commerciali. La combinazione di architettura Mixture-of-Experts e attenzione sparsa consente inoltre di ridurre il consumo computazionale su contesti lunghi, rendendo realistico l’uso del modello anche fuori dai grandi hyperscaler. Per molti nuovi attori del settore, in particolare in Asia, questo abbassa sensibilmente la barriera d’ingresso, permettendo di costruire stack completi basati su tecnologia cinese.

Questa apertura però ha un lato controverso. Proprio perché i pesi sono pubblici e la società ha sede in Cina, alcuni regolatori europei hanno espresso preoccupazioni sui flussi di dati e sulla possibile riutilizzabilità del modello in contesti sensibili. In diversi paesi sono emerse restrizioni o raccomandazioni prudenziali, mentre negli Stati Uniti si discute della presenza dei modelli DeepSeek su dispositivi governativi. È un contrasto netto con l’approccio più controllato ma chiuso dei grandi player statunitensi.

Implicazioni per imprese, sviluppatori e ricerca

Per chi deve scegliere quale tecnologia adottare, la dicotomia fra DeepSeek-V3.2 e Gemini 3 si traduce in una serie di trade off concreti. Le organizzazioni fortemente integrate nell’ecosistema Google, con requisiti stringenti di governance e compliance e un bisogno immediato di funzionalità pronte all’uso, troveranno naturale orientarsi verso Gemini 3. L’accesso tramite Workspace, Search e i servizi cloud riduce l’onere di integrazione e consente di concentrarsi sulla progettazione dei casi d’uso.

Chi invece ha priorità di sovranità tecnologica, esigenze particolari di personalizzazione del modello o vincoli di costo legati al volume di chiamate API può guardare a DeepSeek-V3.2 come a una base su cui costruire una propria piattaforma. La possibilità di eseguire il modello in ambienti chiusi, di ispezionarne il comportamento e di combinarlo con altri componenti open source rende attraente questa opzione per laboratori di ricerca, start up e grandi aziende che vogliono ridurre la dipendenza dai fornitori americani.

Per il mondo accademico e per la ricerca applicata l’arrivo di DeepSeek-V3.2 alza l’asticella di ciò che è possibile studiare fuori dai grandi laboratori industriali. Un modello con prestazioni paragonabili ai leader di mercato, scaricabile e ispezionabile, consente esperimenti più ambiziosi sul ragionamento, sull’IA agentica e sulle politiche di allineamento. Al tempo stesso Gemini 3, con il suo focus sulla multimodalità e sugli agenti integrati, diventa un banco di prova per applicazioni su larga scala in contesti reali.

Conclusioni

Il confronto fra DeepSeek-V3.2 e Gemini 3 racconta molto di più di una sfida tecnica. Da un lato c’è un modello proprietario, profondamente inserito in servizi utilizzati da miliardi di persone, ottimizzato per la produttività e la sicurezza in ambienti enterprise. Dall’altro un modello open, aggressivo sui costi e sulle prestazioni, che punta a democratizzare l’accesso a capacità di ragionamento di livello frontier al di fuori dei grandi campus della Silicon Valley.

Per i professionisti dell’IA e per le aziende il messaggio è chiaro. La scelta del modello non è più soltanto una questione di qualità delle risposte, ma un atto strategico che riguarda il controllo dei dati, i costi operativi, la dipendenza da specifici ecosistemi e, in ultima analisi, la posizione che si vuole occupare nella nuova geografia dell’intelligenza artificiale globale.

In questo scenario è probabile che vedremo strategie ibride, con modelli come DeepSeek-V3.2 usati come base open e sistemi come Gemini 3 impiegati per casi d’uso ad alto valore aggiunto dentro piattaforme consolidate. Il risultato è un panorama più competitivo, più frammentato e, potenzialmente, più innovativo. L’ago della bilancia, ancora una volta, sarà nelle mani di chi saprà trasformare la potenza di questi modelli in applicazioni utili, affidabili e sostenibili.

Bibliografia

Condividi Articolo