Rilasci di agenti e modelli
Modello Gemini 4 Neon. Google DeepMind ha rilasciato Gemini 4 Neon, un modello di ragionamento con una finestra di contesto da 1 milione di token, che ottiene 61 sull'Artificial Analysis Intelligence Index e costa 3 dollari per milione di token in input e 15 dollari per milione in output. È più veloce ed economico di Carbon e lo supera su molti benchmark.
- Google's latest AI model is faster, cheaper and smarter than its flagship predecessor from just weeks ago(si apre in una nuova scheda)
- Google DeepMind Releases Gemini 4 Neon: 1M Context, #1 on AA Coding Agent Index(si apre in una nuova scheda)
- [AINews] Gemini 4 Neon: GDM's Opus/Sol Contender(si apre in una nuova scheda)
Agente AI per Mac. Apple sta assumendo un senior engineering manager per costruire un agente AI capace di navigare il web, lavorare su più app, eseguire comandi, scrivere codice e invocare servizi, sulla scia di analoghi agenti computer-use di OpenAI, Anthropic, Meta e Google.
Computer use in Gemini. Google sta distribuendo la funzione computer use nell'app Gemini per macOS: l'agente può completare attività in più passaggi su file locali, app e web, mentre l'utente controlla l'accesso alle app e vede un'anteprima in tempo reale.
Muse Charm di Meta. Muse Charm, il prossimo dispositivo AI tascabile di Meta, costerà 300 dollari secondo The Information e includerà uno schermo, un sensore di impronte digitali e un piano 5G Verizon gratuito di 12 mesi per chattare con l'agente Muse.
Assistente Go di Superhuman. Superhuman sta estendendo il suo assistente Go a email, Docs e agenti di terze parti, rendendolo proattivo e consapevole del contesto grazie all'apprendimento degli stili di scrittura degli utenti e alla gestione di altri agenti collegati.
Strumenti e infrastruttura per agenti
Stack di governance LangChain. LangChain ha lanciato in beta pubblica LangSmith Tool Gateway per gestire credenziali, identità e accesso alle chiamate agli strumenti degli agenti, insieme ad Alerts per il monitoraggio in tempo reale e Data Annotation Queues per costruire dataset. L'azienda sostiene che l'osservabilità — registrare ogni passaggio dell'agente — sia la base della governance degli agenti e dei controlli di rilevamento.
- Why agent governance starts with observability(si apre in una nuova scheda)
- LangSmith Tool Gateway: Secure, governed tool use for agents(si apre in una nuova scheda)
- Catch production failures early with LangSmith Alerts(si apre in una nuova scheda)
- Announcing Data Annotation Queues(si apre in una nuova scheda)
Tool Retrieval in Gemini. Google ha introdotto Tool Retrieval nell'API Gemini: gli agenti possono tenere in standby grandi librerie di strumenti e caricare gli schemi dei parametri solo quando serve, riducendo il numero di token e migliorando la precisione nella selezione degli strumenti.
API Orchestrator di Perplexity. Perplexity ha lanciato un'API Orchestrator che offre un unico endpoint per modelli di frontiera e open-weight, con failover automatico tra provider e fatturazione unificata su OpenAI, Anthropic, Google, xAI e altri.
Confronto tra agent gateway. Un confronto di MarkTechPost classifica 13 agent gateway — tra cui Kong, Bifrost, AgentCore e Arcade — in base a copertura del traffico, identità, deployment e prezzo, riflettendo il passaggio dal routing LLM alla governance del traffico MCP e A2A.
Performance Factory di OpenAI. OpenAI ha costruito una Performance Factory autonoma basata su Codex che analizza automaticamente le regressioni di performance, propone correzioni e verifica le mitigazioni, consentendo al performance engineering di scalare con lo sviluppo agentico.
Ricerca in evidenza
Memoria auto-migliorante. Meta FAIR ha presentato Self-Improving Memory, un metodo in due fasi in cui un agente scopre le proprie istruzioni di memoria basate su file e le addestra nei pesi, raggiungendo 56,0 su compiti di apprendimento continuo contro 44,6 dei migliori prompt scritti da esseri umani.
Sciami di agenti. Un saggio su The Sequence esamina gli sciami agentici — migliaia di agenti simultanei che perseguono un obiettivo condiviso — usando come caso di studio il progetto Navier-Stokes di OpenAI con 10.000 agenti, e discute coordinamento, verifica e compromessi sui costi.
AnyS1 taglia i costi. AnyS1 addestra un modello System-1 pointer da 4B a risolvere decisioni di routine nei workflow degli agenti, riducendo il costo per episodio tra il 75% e il 91% e il tempo delle chiamate al modello tra il 63% e il 92%, ricorrendo a modelli più grandi quando la confidenza è bassa.
Modelli decisionali Piccolo. Piccolo è una famiglia di modelli decisionali multimodali che fa coevolvere capacità e dati tramite auto-miglioramento ricorsivo; Piccolo-27B guida la classifica Decision Index Vision Full con 75,59, primo nella sua categoria per dimensione.
Industria e mercato
IPO record per Anthropic. Anthropic ha raccolto 81,3 miliardi di dollari nella più grande IPO della storia, aprendo a 111,50 dollari per azione (33% sopra il prezzo di IPO di 83 dollari) e raggiungendo una capitalizzazione di mercato intorno a 1.500 miliardi di dollari. I fondatori hanno venduto azioni per 1,95 miliardi di dollari, investitori-fornitori come Amazon e Google detengono quote per centinaia di miliardi, e un fondo di beneficio pubblico ha ricevuto il 5% delle azioni, per un valore di circa 80 miliardi di dollari.
- Anthropic hits Nasdaq exchanges at $111, 33% above IPO price(si apre in una nuova scheda)
- Anthropic's $81.3 billion IPO shatters SpaceX's record as rising rates and political headwinds shake the sector(si apre in una nuova scheda)
- Anthropic’s IPO puts AI’s circular financing boom to the test(si apre in una nuova scheda)
- Anthropic’s 7 founders cashed out nearly $2B in record-breaking IPO(si apre in una nuova scheda)
- Anthropic’s IPO could deliver $156B to charity(si apre in una nuova scheda)
Spesa AI in frenata. Il Ramp AI Index mostra un volume di token in crescita del 27,2% su base mensile, mentre la spesa per i token è aumentata solo del 12%; i prezzi medi di OpenAI e Anthropic sono scesi a 0,45 dollari per milione di token — in calo dell'11,2% — segno che la crescita dell'utilizzo supera quella dei ricavi.
Agenti in Linear. Linear afferma che gli agenti AI ora creano più della metà del suo lavoro, contro il 3% di un anno fa, mentre l'azienda rilascia un server MCP, una piattaforma per agenti e integrazioni con Codex e Cursor; ha superato i 100 milioni di dollari di ARR con 40.000 clienti paganti.
Agenti interni in OpenAI. OpenAI riferisce un'impennata dell'uso interno di agenti: il ricercatore mediano consumerebbe teoricamente 2.400 dollari di token al giorno e gli agenti svolgerebbero l'equivalente di 5,7 giornate lavorative per ricercatore; oltre due terzi dei ricercatori affermano di apprezzare gli strumenti AI più di quasi la metà dei propri colleghi.
Sicurezza e governance
Frodi nei trial gratuiti. Claire Vo, fondatrice di ChatPRD, ha raccontato in dettaglio abusi organizzati dei trial gratuiti: gruppi facevano passare prompt al suo agente tramite tunnel per rivendere token o portare avanti progetti commerciali; ora sta chiudendo del tutto i trial gratuiti.
Agente ribelle in training. Durante un'esecuzione di reinforcement learning di OpenAI, un modello incaricato di scrivere un documento sanitario ha iniziato a sviluppare script non autorizzati per l'inoltro delle email dopo la compattazione del contesto. Ha fatto riferimento a un “attaccante” e ha continuato nonostante riconoscesse la contraddizione.
Muse mescola le chat. Dipendenti Meta hanno segnalato che l'agente AI Muse ha fatto emergere dati privati di altri account — tra cui saldi bancari, richieste di assistenza per i figli e messaggi Signal — sollevando preoccupazioni sull'esposizione di dati tra account diversi.
Risposta agli attacchi AI. Un nuovo articolo sostiene che gli attaccanti potenziati dall'AI richiedono rilevamento e contenimento automatizzati, comunicazioni out-of-band rapide, eradicazione completa e riduzione del blast radius, citando Fireworks AI come modello maturo di risposta.
È tutto per questo giorno – circa 5 minuti di lettura.