Wizey vs DeepSeek R1: il ragionamento aiuta con gli esami?

Quando DeepSeek ha rilasciato il suo modello di ragionamento (reasoning) R1 all’inizio del 2025, ha scosso il settore dell’IA. Pesi aperti con licenza MIT, prezzi di un ordine di grandezza inferiori a quelli dei concorrenti statunitensi a codice chiuso e una catena di pensiero visibile (chain-of-thought, CoT – il modello che «pensa ad alta voce» prima di rispondere), con prestazioni matematiche alla pari con i sistemi di ragionamento chiusi di OpenAI. Il nostro team di ingegneria ha passato settimane a metterlo alla prova per rispondere a una domanda: questa architettura ha davvero posto in una pipeline di IA medica?

Da allora la famiglia DeepSeek è cresciuta. Nella primavera del 2026 la gamma comprende DeepSeek V4 con modalità di ragionamento ibrida e una finestra di contesto da 1 milione di token, V3.2-Speciale (medaglia d’oro alle IMO 2025) e un R2 compatto da 32B parametri che gira su una singola GPU di consumo. La tecnologia è davvero notevole. Ma «tecnologia notevole» e «adatta alla medicina» non sono la stessa affermazione.

In questo articolo ripercorro gli aspetti ingegneristici di DeepSeek R1 e dei suoi successori: come si addestra il ragionamento, dove i pesi aperti cambiano le regole del gioco, perché la catena di pensiero è un’arma a doppio taglio nei contesti clinici e come si colloca al confronto la pipeline strutturata di Wizey. Per le basi di come i LLM generalisti gestiscono i referti di laboratorio – RAG, «Lost in the Middle», allucinazioni, HIPAA/GDPR – veda il nostro articolo pilastro Wizey vs ChatGPT per l’IA medica.

Che cosa rende DeepSeek R1 architetturalmente diverso

La differenza principale è il ragionamento. Un LLM standard fa «prompt → risposta». R1 genera prima una lunga catena di pensiero interna – spesso da 2.000 a 10.000 token – e solo dopo emette la risposta finale. Lo si vede direttamente nell’API: un blocco <think> mostra il modello che riflette come un insegnante che risolve un problema alla lavagna.

Sotto il cofano, R1 è costruito su DeepSeek V3 con una struttura portante Mixture of Experts (MoE). Il modello racchiude molti «sotto-modelli» specializzati e instrada ogni query solo verso il sottoinsieme che le serve: è così che si arriva a centinaia di miliardi di parametri complessivi con un costo di inferenza moderato. La capacità di ragionamento non è stata addestrata con il classico fine-tuning supervisionato, ma tramite apprendimento per rinforzo con GRPO (Group Relative Policy Optimization), descritto nel paper originale su DeepSeek R1 su arXiv e pubblicato successivamente su Nature. Semplificando: al modello non sono state insegnate le «risposte giuste» – è stato premiato per arrivare a risposte giuste, e ha scoperto da solo strategie come l’auto-verifica, l’enumerazione delle ipotesi e il backtracking.

La seconda differenza strutturale sono i pesi aperti. Ogni rilascio di DeepSeek (V3, R1, V3.2, V4, R2) è pubblicato su Hugging Face con licenza MIT. Qualsiasi azienda può scaricare i pesi, eseguirli sulla propria infrastruttura, sottoporli a fine-tuning per un compito specifico e non pagare nulla al fornitore per l’inferenza. Per i modelli di frontiera chiusi (GPT, Claude, Gemini) questo è architetturalmente impossibile.

Dove i pesi aperti vincono davvero: privacy e deployment on-premise

I pesi aperti non sono retorica di marketing – cambiano l’economia e il quadro della conformità. È qui che, a mio avviso, DeepSeek dà il meglio, ed è qui che la copertura mediatica generalista tende a sottovalutare le implicazioni.

Nel flusso cloud – chat.deepseek.com o l’API – la privacy è come quella di qualsiasi altro fornitore: i Suoi dati vanno ai server di DeepSeek e sono soggetti alla legge cinese sulla protezione dei dati. Per i dati medici statunitensi o europei questo è un ostacolo insormontabile: né HIPAA né GDPR tollerano un trattamento transfrontaliero incontrollato di informazioni sanitarie protette.

I pesi aperti cambiano completamente il quadro. Può installare il modello sul Suo hardware – il data center di un ospedale, un laboratorio di ricerca, persino la postazione di lavoro di un medico – e nessun byte della cartella del paziente lascia mai il Suo perimetro. Obiettivi hardware concreti:

• DeepSeek-R1-Distill-Llama-8B (distillato – un modello più piccolo addestrato a imitare quello grande): circa 6 GB di VRAM, gira su una RTX 3060 o superiore.
• DeepSeek-R1-Distill-32B: circa 20 GB di VRAM – RTX 3090, RTX 4090 o una T4/A10 di classe server.
• DeepSeek-R1-Distill-70B: circa 40 GB di VRAM – due RTX 4090 o una A100.
• DeepSeek-R1 completo (671B MoE): un server multi-H100/A100 con oltre 1 TB di memoria aggregata. Irrealistico per un impianto casalingo, ordinario per un data center clinico.
• R2 da 32B: entra in una singola RTX 4090 di consumo (24 GB di VRAM) avvicinandosi alla qualità di frontiera.

Al confronto, i modelli di frontiera chiusi: con GPT-5 o Claude Opus non si può affatto «scaricare il modello» – ogni richiesta deve raggiungere il cloud del fornitore. Con DeepSeek può installare Ollama o vLLM su un server all’interno della Sua rete, collegare un front-end locale e mantenere l’intero flusso di lavoro isolato dalla rete (air-gapped). È l’unica via pratica per far girare un LLM di livello mondiale nel pieno rispetto di HIPAA e GDPR – e per i team IT ospedalieri che valutano l’IA medica è un vantaggio concreto.

In Wizey abbiamo testato varianti distillate di R1 nell’ambito di un filone di ricerca interno. La qualità è inferiore a quella dei modelli chiusi di punta, ma per compiti ben delimitati – pre-elaborazione anonimizzata, sintesi interne – il modello locale è uno strumento funzionante.

Dove DeepSeek batte i modelli di frontiera chiusi

Per evitare un resoconto unilaterale: R1 e i suoi successori non sono un «clone economico di GPT». Su diversi fronti sono oggettivamente validi.

• Costo. Gli attuali prezzi di DeepSeek V4 sono circa un ordine di grandezza inferiori alle fasce di punta di OpenAI e Anthropic. Per i carichi di lavoro ad alto volume è la differenza tra un prodotto che arriva sul mercato e uno che non ce la fa.
• Matematica e logica formale. Su AIME, MATH-500, SWE-bench e GPQA Diamond, R1/R2 sono alla pari con i modelli di ragionamento di OpenAI. Per la medicina questo conta: calcoli dell’eGFR, dosaggio in base al peso, conversioni di unità – sono compiti matematici in cui la CoT aiuta davvero.
• Trasparenza del ragionamento. La traccia della CoT viene restituita a chi la richiama, così può verificare dove la logica è deragliata. I modelli della serie o di OpenAI nascondono il ragionamento dietro l’API.
• Personalizzazione tramite fine-tuning. Poiché i pesi sono aperti, i gruppi di ricerca medica possono proseguire il pre-addestramento e l’RLHF su corpora clinici verificati. Per i modelli chiusi è strutturalmente impossibile.

Sono vantaggi reali. La domanda è se si sommano in uno strumento di livello clinico, ed è qui che la storia si complica.

Ragionamento contro allucinazioni: la catena di pensiero aiuta in medicina?

È la domanda centrale dell’articolo e quella su cui, come ingegnere, ho i sentimenti più contrastanti.

La buona notizia. L’ampio studio del 2025 «Medical Hallucinations in Foundation Models» ha rilevato che la catena di pensiero riduceva il tasso di allucinazioni mediche nell’86% dei casi esaminati. In media, il ragionamento esplicito rende effettivamente la risposta più accurata. R1 ha ottenuto solidi risultati di base nella resistenza alle allucinazioni – migliori della maggior parte dei modelli della generazione precedente.

La cattiva notizia. La CoT oscura anche il segnale di allucinazione. I metodi di rilevamento classici – la confidenza a livello di token, l’entropia dell’output – smettono di funzionare bene, perché il modello scrive un testo fluente e coerente al suo interno anche quando la conclusione è sbagliata. L’analisi dei limiti di ChatGPT in ambito clinico di The Lancet Digital Health ha già mostrato che la sicurezza narrativa è un cattivo indicatore della veridicità medica. I modelli di ragionamento amplificano questo effetto.

La notizia davvero pessima. Le analisi delle allucinazioni dell’IA nel 2025 convergono su un dato preciso: i modelli linguistici hanno una probabilità maggiore di circa il 34% di usare formulazioni sicure («sicuramente», «senza dubbio», «chiaramente») proprio quando sbagliano. I modelli di ragionamento peggiorano la situazione: una traccia lunga e dall’aspetto ponderato fa sembrare la risposta finale più autorevole anche quando la CoT esce di strada al passaggio 3 e poi prosegue in modo coerente nella direzione sbagliata per altri 2.000 token.

In medicina questo è il modo di fallire critico. Immagini: il modello «ragiona» per 3.000 token sulla Sua fosfatasi alcalina elevata, costruisce un’elegante diagnosi differenziale attorno alle possibili cause e conclude con l’osteomalacia – perché al passaggio 3 della CoT ha confuso l’intervallo di riferimento dell’adulto con quello pediatrico. Il risultato si legge come la nota di un medico consulente. È sbagliato. Senza CoT lo stesso modello avrebbe forse dato una risposta più vaga e meno sicura – e un paziente con maggiore probabilità approfondirebbe, invece di ancorarsi alla conclusione.

Il compromesso è reale: il ragionamento abbassa il tasso medio di allucinazioni ma aumenta la persuasività di quelle che restano. Per i compiti puramente tecnici (matematica, codice) è uno scambio accettabile. In medicina il costo di un errore è asimmetrico, e questo cambia i termini del calcolo.

Test su scenario: lo stesso pannello di esami con R1 e con Wizey

In concreto – uno scenario che ho eseguito durante la valutazione tecnica.

Il pannello: un caso reale (anonimizzato) con profilo metabolico completo + emocromo + ferritina + TSH + T4 libero + proteina C-reattiva (PCR) + omocisteina + vitamina D + B12 + assetto lipidico, 47 marcatori in totale. Diverse anomalie: ferritina elevata a 320 ng/mL, PCR moderatamente elevata a 8,5 mg/L, TSH vicino al limite superiore a 4,1 mIU/L, omocisteina 14 µmol/L.

DeepSeek R1 tramite interfaccia di chat (in inglese, la lingua più forte del modello):

1. CoT di circa 4.500 token, che passa in rassegna ogni marcatore e costruisce associazioni.
2. Conclusione finale: ha segnalato la ferritina come «possibile sovraccarico di ferro o infiammazione cronica», l’ha correttamente collegata alla PCR, ma ha proposto l’emocromatosi come prima ipotesi differenziale (una rara patologia genetica) sulla base di un singolo valore di ferritina.
3. Ha interpretato il TSH 4,1 come «nella norma», senza cogliere che un valore di 4,1 con omocisteina borderline e infiammazione giustifica il dosaggio degli anticorpi anti-TPO e una ripetizione a 6–8 settimane: l’iter standard per l’ipotiroidismo subclinico.
4. L’omocisteina 14 non è stata segnalata come meritevole di attenzione (molti laboratori considerano ottimale un valore < 10).
5. Il modello ha aggiunto ripetutamente la formula di rito «si rivolga a un professionista sanitario», ma tra un’avvertenza e l’altra ha formulato ipotesi molto specifiche in tono sicuro.

Lo stesso pannello attraverso la pipeline di Wizey:

1. Tutti i 47 marcatori sono stati estratti in una tabella strutturata e confrontati con intervalli di riferimento specifici per età e sesso.
2. Ferritina con PCR elevata interpretata correttamente: prima escludere un’infiammazione (comportamento da reattante di fase acuta), poi considerare un sovraccarico di ferro. L’emocromatosi viene sollevata solo dopo una conferma con la saturazione della transferrina e un test genetico – non sulla base di un singolo valore di ferritina.
3. TSH 4,1 evidenziato come borderline, con la raccomandazione esplicita di ripetere il test con gli anticorpi anti-TPO.
4. Omocisteina 14 segnalata come lievemente elevata, con riferimento alla via B12/folati/B6 e il suggerimento di controllare quei cofattori.
5. Ogni affermazione è vincolata a una fonte precisa nel grafo della conoscenza medica (linee guida cliniche, riferimenti NCBI StatPearls sui reattanti di fase acuta, rassegne di Nature Medicine).

La differenza non è che DeepSeek sia «più stupido»: è un modello capace. La differenza è che un modello di ragionamento generalista non ha guardrail integrati per la conversione delle unità, la scelta dell’intervallo di riferimento o una gerarchia bayesiana delle ipotesi diagnostiche. Ragiona. Wizey segue i protocolli – e usa il ragionamento solo dove un protocollo verificato dice che è appropriato.

Quando DeepSeek R1 è lo strumento giusto

Voglio essere corretto. Ci sono diversi scenari in cui DeepSeek – soprattutto se installato in locale – è davvero la scelta giusta:

• Ambienti clinici o di R&S isolati dalla rete (air-gapped). Se la Sua organizzazione ha requisiti di privacy rigorosi, un R1-Distill-32B o R2 locale sul Suo server offre una qualità vicina alla frontiera senza inviare un solo byte a terzi. È la via più pratica verso la conformità a HIPAA/GDPR con un LLM all’avanguardia.
• Base per il fine-tuning di dominio. I pesi aperti permettono ai gruppi di ricerca medica di proseguire il pre-addestramento su corpora clinici validati e di costruire i propri stack RLHF. Questa opzione non esiste per i modelli chiusi.
• Sotto-compiti tecnici all’interno di una pipeline medica. Calcoli di dosaggio, conversione di unità, punteggi di rischio come CHA2DS2-VASc o Wells – moduli matematici/logici isolati in cui il ragionamento aiuta. Lo usi come componente, non come «medico».
• Traduzione e spiegazione della terminologia – in questo il modello è alla pari con i sistemi di frontiera.
• Carichi di lavoro sensibili al costo – se deve elaborare milioni di richieste, il divario di prezzo rispetto ai modelli di frontiera chiusi diventa di decine di migliaia di dollari al mese.

Ciò che non farei: incollare il PDF degli esami di un paziente reale nella chat cloud di DeepSeek e trattare il risultato come una risposta clinica. Tra il flusso transfrontaliero dei dati, il modo di fallire della CoT persuasiva ma sbagliata, l’assenza di certificazione come dispositivo medico e la mancanza di disciplina sugli intervalli di riferimento, per l’uso da parte del consumatore è una cattiva scelta. Per un paziente che vuole «inviare gli esami a un bot e ricevere una risposta», lo strumento giusto è un servizio medico dedicato.

Come Wizey usa il ragionamento: dentro un protocollo, non al suo posto

La domanda che mi viene rivolta più spesso: anche Wizey usa il ragionamento al proprio interno? Sì – ma in modo vincolato. La nostra pipeline è così strutturata:

1. OCR ed estrazione. Ogni valore del PDF viene letto in modo deterministico e mappato su uno schema strutturato (in stile LOINC) con il suo intervallo di riferimento specifico del laboratorio.
2. Aggancio all’intervallo di riferimento. Ogni valore è valutato rispetto all’intervallo corretto per età, sesso e (dove rilevante) stato di gravidanza o renale del paziente. Questo è codice, non output di un LLM.
3. RAG su un grafo della conoscenza clinica validato. Ogni affermazione nella relazione finale è ancorata a una fonte precisa – una linea guida, un articolo sottoposto a revisione paritaria, una voce di StatPearls – non alla generazione libera.
4. Ragionamento per le catene diagnostiche, entro i guardrail. È qui che il pensiero in stile CoT dà il suo valore: costruire una diagnosi differenziale bayesiana in cui la probabilità a priori e la verosimiglianza provengono dal grafo della conoscenza, non dall’opinione del modello.
5. Output vincolati al protocollo. Il testo finale è legato al risultato strutturato. Il modello non può inventare una diagnosi che il protocollo non ha autorizzato.

Questa architettura fa due cose contemporaneamente. Coglie il vero vantaggio del ragionamento – logica diagnostica passo dopo passo, calcoli sicuri sul piano delle unità, consapevolezza della co-variazione tra i marcatori – eliminando al contempo lo specifico modo di fallire che rende rischioso in medicina un modello di puro ragionamento: una catena di pensiero lunga, persuasiva e coerente al suo interno che è sbagliata perché le premesse non sono mai state verificate.

Conclusione

DeepSeek è un lavoro tecnicamente notevole, e sono sinceramente contento che il settore abbia un’alternativa open source ai modelli di frontiera chiusi. Il deployment locale sblocca opzioni di privacy e di fine-tuning che gli utenti dei modelli chiusi semplicemente non hanno, e questo conta per gli ospedali, i gruppi di ricerca e chiunque prenda sul serio la sovranità dei dati.

Ma il ragionamento da solo non risolve il problema medico. Una catena di pensiero lunga e ben formata su premesse sbagliate resta una risposta sbagliata – solo confezionata meglio. Per il compito di leggere gli esami di un paziente specifico, in cui ogni numero, ogni intervallo di riferimento e ogni diagnosi differenziale contano, il team di Wizey ha scelto una strada diversa: una pipeline specializzata con RAG su fonti cliniche verificate e rigidi guardrail di protocollo. Per il paziente, questo si traduce in una promessa concreta – ogni affermazione nella relazione può essere mostrata a un medico e ricondotta a una fonte.