Rilasci di agenti e modelli
Rilasciato Nanbeige4.3-33B. Nanbeige LLM Lab ha rilasciato Nanbeige4.3-33B con licenza Apache 2.0, un modello dense per il coding agentico da 33B con finestra di contesto da 512K. È in testa in 17 benchmark su 20 nella tabella del laboratorio, davanti a modelli intorno ai 30B: ottime prestazioni su Terminal-Bench 2.1, ma punteggi più deboli su alcuni benchmark SWE e task. Sono disponibili i quant GGUF della community, con AD-IQ4_XS da 20,3 GB consigliato per GPU da 32 GB.
Microsoft Agensh. Microsoft Research ha reso open source Agensh, un harness decentralizzato per agenti di coding che elimina l'orchestratore centrale; i worker scelgono i sottotask, condividono i risultati e fanno il merge del codice. Nei test è scalato da 1 a 1.024 agenti, migliorando i punteggi sui task ProgramBench più difficili con l'aumentare del numero di agenti.
TTS compatto Lure-TTS. Uno sviluppatore indipendente ha rilasciato Lure-TTS e Lure-Turbo, modelli vocali da 600M parametri fine-tuned da Qwen3-TTS per una sintesi più veloce del tempo reale, con tag inline, direzione e clonazione vocale. L'addestramento sarebbe costato meno di 200 dollari, usando RLVR, OPD e distillazione multi-teacher.
Agenti smartphone OpenMobile-2. Un gruppo di ricercatori ha rilasciato OpenMobile-2, modelli open source per agenti su smartphone basati su Qwen3.5 e Qwen3.6 (9B/27B). L'ambiente di addestramento include oltre 110 app simulate; la diversità delle app ha migliorato il successo sulle app non viste da 60,7 a 67,5, e il modello più grande ha raggiunto 59,6 su SPA-Bench, il valore più alto tra i modelli aperti.
Modello DNA Carbon-X. Hugging Face ha rilasciato Carbon-X, un modello linguistico open per il DNA da 14,8B che legge sequenze di DNA grezze e risponde in inglese; prevede la patogenicità delle mutazioni, le regioni regolatorie e le basi successive. Ha una media del 66,7% su cinque benchmark DNA, il miglior risultato tra i modelli aperti testati, e gira su una singola GPU da 80 GB.
Strumenti, framework e infrastruttura
TorchTPU per PyTorch. Google e Meta hanno reso open source TorchTPU alla PyTorch Conference 2026, un backend PyTorch nativo per le TPU pensato per sostituire PyTorch/XLA. Il porting si riduce a cambiare model.to('cuda') in model.to('tpu'), e Meta prevede carichi di lavoro LLM più grandi sulle TPU.
Google ML Drift. Google ha rilasciato ML Drift, un motore di calcolo GPU cross-platform con licenza Apache 2.0 per l'inferenza AI on-device, con supporto a OpenGL ES, OpenCL, Metal e WebGPU. È il motore principale dietro LiteRT e punta a migliorare portabilità e prestazioni dell'AI generativa sui dispositivi edge.
Etichettatura Nvidia Flora. Nvidia ha reso open source Flora, un motore dati che etichetta video di robot con descrizioni delle azioni, valutazioni di avanzamento e successo del task. Sostiene che l'etichettatura costi 72 centesimi l'ora, contro 88 dollari per GPT-6 Astra, ed è già usata per l'addestramento di GR00T fino a 200.000 ore al giorno.
OSS Scanner di Anthropic. Anthropic ha lanciato OSS Scanner, uno scanner di vulnerabilità gratuito e opt-in per progetti open source critici, basato sui suoi modelli più potenti. Ha accettato 114 progetti e segnalato 77 vulnerabilità critiche e 803 di gravità alta; l'88% delle segnalazioni esaminate soddisfa i criteri di divulgazione, ma con alcune severità gonfiate e duplicati.
Pruning dei token con TokenGate. Stanford e UC Berkeley hanno rilasciato TokenGate, un modulo drop-in di token pruning appreso per LLM. Salta i token di input irrilevanti, con un time-to-first-token da 1,4x a 11,3x più veloce e una memoria di prefill da 1,5x a 3,4x inferiore, senza perdita di accuratezza sui task testati fino a 128k di contesto.
Ricerca in evidenza
Agenti di camera FilmFlow. FilmFlow è un framework agentico che trasforma istruzioni in linguaggio naturale o video di riferimento in traiettorie di camera esplicite per scene 3D. Un agente Director pianifica con gli agenti Interpreter, Scout e Critic; CinemaBench comprende 750 task guidati da testo e valutazioni con video di riferimento.
Routing unificato RouteWeaver. RouteWeaver unifica il routing single-round, multi-round e agentico in un'unica policy LLM, selezionando insieme modalità di esecuzione e modelli. Il suo addestramento COMET-GRPO disaccoppia la selezione della modalità dall'assegnazione del credito all'esecuzione, migliorando l'accuratezza su task di matematica, coding e conoscenza.
RSI 2027 secondo Anthropic. Jack Clark, cofondatore di Anthropic, ha spostato al 2027 la sua previsione per l'auto-miglioramento ricorsivo (RSI), sulla base del benchmark TasteVal, dove la capacità dell'AI di valutare la ricerca raddoppia all'incirca ogni tre mesi. Il modello migliore ha superato 24 esperti umani a una frazione del costo, ma il benchmark copre solo una fetta ristretta del lavoro scientifico.
Industria e business
Sconti OpenAI ai clienti Anthropic. OpenAI offre sconti fino al 90% per conquistare i maggiori clienti di Anthropic; Rippling, Replit e DataCamp hanno spostato la spesa. Il carico di lavoro di coding di Rippling su OpenAI è salito dal 16% al 52%, mentre Anthropic è scesa dal 57% al 18%; Replit ha ottenuto uno sconto del 30% su un contratto da oltre 100 milioni di dollari.
Nessun ritorno secondo Apollo. Torsten Slok, capo economista di Apollo, afferma che l'AI non ha prodotto alcun ritorno finanziario per le società non tech dell'S&P 493, con margini di profitto e ricavi per lavoratore invariati. Sostiene che la business intelligence sia soprattutto giudizio, e che l'AI non capisca responsabilità, fiducia, cultura o equità.
Impatto ricerca AI Google. Le funzioni di ricerca AI di Google hanno stravolto l'editoria online, rompendo il rapporto di reciprocità di lunga data in cui gli editori ottenevano traffico in cambio di contenuti. Le testate che hanno passato anni a ottimizzare per la ricerca vedono click e visibilità sparire a vantaggio delle risposte generate dall'AI.
Imperi AI di Usa e Cina. Su Foreign Affairs, Eric Schmidt, Niall Ferguson e Lisa Klaassen sostengono che Usa e Cina hanno costruito imperi dell'AI che rendono dipendenti gli altri Paesi; Washington baratta sistemi chiusi con lealtà politica, mentre Pechino regala modelli open-weight per diffondere i propri standard. Vedono un possibile conflitto su Taiwan e TSMC come il rischio maggiore per la filiera dell'AI.
Anthropic punta sull'agente singolo. Anthropic consiglia alle aziende di valutare la possibilità di consolidare i sub-agenti in un unico agente principale che carica il contesto su richiesta, perché i modelli più recenti riescono a gestire piani complessi direttamente. In un confronto, l'approccio single-agent è stato circa due volte più veloce di quello multi-agent, e su GitHub è disponibile un kit di migrazione.
Ricavi software Nvidia. Un thread su Reddit evidenzia un commento di Jensen Huang: NVIDIA punta a 2.000 dollari di ricavi software per GPU all'anno, segno di una spinta verso il software AI ricorrente in aggiunta all'hardware.
Sicurezza
Rischio cyber open-weight. Un thread su Reddit sostiene che, mentre Usa e Cina limitano i modelli open-weight con capacità cyber, l'accesso all'AI difensiva e offensiva si concentrerà tra governi e grandi aziende, lasciando individui e piccole imprese meno in grado di proteggere i sistemi. Si chiede se i modelli addestrati dalla community possano tenere il passo dei modelli frontier.
llama.cpp CVE. Una CVE nel componente Pocket-TTS di llama.cpp consente una scrittura out-of-bounds tramite un file mmproj malevolo, ma richiede accesso locale. L'aggiornamento a b11796 o al master attuale rileva e interrompe l'exploit, ma la PR con la correzione by-design è ancora aperta.
Incidenti distruttivi degli agenti. Un utente racconta che un agente di VS Code Copilot gli ha cancellato il database durante un test, e si chiede se cancellazioni di massa guidate da agenti avvengano ancora nonostante i progressi. L'episodio richiama segnalazioni virali precedenti e sottolinea la necessità di backup e sandboxing.
AI locale e hardware
Qwen3.8-Flash in locale. Gli utenti confrontano Qwen3.8-Flash-Next con Swift-1.5 e riscontrano prestazioni migliori, ma anche un eccesso di deep work e inefficienza sui token. Un'altra configurazione fa girare il modello da 125B a circa 20 tok/s con 16 GB di VRAM e 8 GB di RAM, usando l'offload diretto su NVMe con ExLlamaV3.
Sblocco P2P su RTX 3080. Uno sblocco della community abilita P2P e reBAR sulla RTX 3080 da 20 GB, con un aumento fino al 70% della velocità di elaborazione dei prompt in tensor parallel. I test su due GPU hanno usato Swift-1.5-Qwen3.8-27B AWQ INT4 in vLLM.
I quant ISTA sotto esame. Un thread chiede se il quant IQ3_S di Qwen3.8-27B-GSQ-RCO-GGUF di ISTA-DASLab raggiunga davvero le prestazioni BF16 come dichiarato, rispetto a Unsloth UD Q4_K_XL. La model card promette alta qualità con una quantizzazione più bassa, ma la validazione della community è ancora in corso.
Scrittura Gemma 4 sotto accusa. Gli utenti segnalano che i fine-tune di Gemma 4 26B sono omogenei, producono prosa ampollosa e ignorano gli esempi di dialogo forniti, con personaggi che hanno la stessa voce tra modelli diversi. Il tuning dello stile resta un punto dolente per questa architettura.
È tutto per questo giorno – circa 5 minuti di lettura.