IL PUNTO SULL’AI
13 ottobre 2026
Sicurezza del codice con ModernBERT e controllo versione ripensato per il volume prodotto dagli agenti.
In questa edizione 7 notizie
IBM ha aggiornato una demo statica che esegue nel browser la dettatura in tempo reale con Granite Speech 5.0 TurboCTC, WebGPU e pesi ONNX quantizzati. Audio e inferenza restano sul dispositivo; il primo caricamento scarica circa 550 MB e la demo richiede Chrome o Edge desktop con WebGPU.
Limiti da conoscere
Limite: Le misure sono dichiarate nel README della demo su un M1 Max e su otto minuti di LibriSpeech dev-clean, non sono un test indipendente. Il supporto mobile è escluso e il fallback WASM indicato dal progetto non mantiene una latenza da dettatura live.
LightOn ha pubblicato ColGrep-Agent-2B, un modello open da 2 miliardi di parametri che usa ricerca semantica e letture in sola lettura per restituire file e intervalli di righe rilevanti. Il modello gira localmente, dispone di pesi GGUF e si integra tramite hook con Claude Code, Codex e OpenCode. Nei test degli autori su 52 domande di localizzazione ha ridotto del 34,3% i token API rispetto a grep.
Limiti da conoscere
Limite: Il confronto è prodotto dagli autori, riguarda 52 domande di ricerca nel codice e non attività di sviluppo complete. L’accuratezza osservata è 80,8% contro 83,3% con grep, con intervallo ampio, mentre il tempo medio cresce da 13,0 a 21,6 secondi; i risultati non equivalgono a una verifica indipendente.
OpenBMB ha pubblicato repository GGUF ufficiali per MiniCPM-V 4.7 1B e 35B-A3B, con file F16, Q4, Q5, Q6 e Q8 e proiettori multimodali dedicati. Il delta rende disponibili artefatti pronti per llama.cpp e inferenza CPU, invece dei soli pesi e riferimenti alle quantizzazioni presenti nel rilascio iniziale.
Limiti da conoscere
Limite: La disponibilità dei file non equivale a compatibilità verificata su ogni build di llama.cpp. Le prestazioni e il dato di 13+ token al secondo su iPhone 17 Pro Max restano dichiarazioni di OpenBMB; dimensione, memoria e qualità delle singole quantizzazioni vanno misurate sul dispositivo reale.
Character.AI ha avviato volontariamente il Chapter 11 per cercare una vendita supervisionata dal tribunale. La piattaforma resta operativa e gli abbonamenti non cambiano per ora, ma la società afferma che, senza un’offerta praticabile, il servizio verrà chiuso. La conclusione del processo è prevista tra fine novembre e inizio dicembre 2026.
Limiti da conoscere
Limite: Il Chapter 11 non equivale a una chiusura già decisa e non identifica ancora un acquirente. Character.AI dichiara invariati servizio, fatturazione e pratiche sui dati, ma l’esito dipende dalla vendita: chi conserva chat importanti dovrebbe esportarle senza attendere l’esito finale.
Google ha reso Gemini 4 Argon disponibile globalmente nel livello a pagamento della Gemini API, in AI Studio e per clienti enterprise, oltre che agli abbonati Pro e Ultra nelle interfacce consumer. Il prezzo introduttivo dichiarato è 2 dollari per milione di token in input e 10 dollari in output, con input in cache scontato del 95% e un limite unificato input-output fino a un milione di token.
Limiti da conoscere
Limite: Disponibilità non significa accesso gratuito né assenza di restrizioni: le funzioni cyber senza guardrail restano nel programma Fairwind e diverse prove pubblicate sono casi selezionati da Google, non test indipendenti. Prima di migrare carichi reali vanno verificati quota, latenza, protocollo di continuazione e costo effettivo sui propri prompt.
GitHub ha descritto la pipeline a due stadi usata per i secret generici: regex ad alta copertura e un classificatore ModernBERT che valuta candidato e contesto. Nei test dichiarati, rispetto alla precedente pipeline LLM, l’accettazione pesata per proprietario cresce dell’11,5%, il tempo mediano post-push scende dell’86% e il costo di serving di oltre il 98%.
Limiti da conoscere
Limite: Sono risultati interni GitHub, non una replica indipendente. I pesi, il dataset e le soglie non sono pubblicati; i numeri online riguardano traffico e prodotto GitHub e non dimostrano che lo stesso modello mantenga precisione e richiamo in un deployment diverso.
Anthropic ha descritto Scion, il sistema di controllo versione interno con cui ha migrato in cinque mesi il proprio monorepo da Git. Il carico dichiarato è salito da circa 2.500 merge al giorno a maggio a oltre 30.000 a settembre, con una cronologia della main vicina a 100 GB e circa 25 milioni di checkout CI al giorno. Scion centralizza metadati e contenuti, usa snapshot immutabili e sposta il lavoro pesante sui server per sostenere agenti e automazione su scala interna.
Limiti da conoscere
Limite: Scion non è stato rilasciato come prodotto o progetto open source e il caso Anthropic è eccezionale: numeri, benefici e tempi derivano dal team che lo ha costruito. Per la maggior parte dei repository Git resta la scelta appropriata; l’analisi serve a riconoscere i colli di bottiglia, non a suggerire una migrazione immediata.
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.