I modelli di base per la robotica attirano l'attenzione, ma i numeri si decidono nel livello decisionale

Il 5 ottobre Liquid AI ha rilasciato d1, che l'azienda definisce il suo primo modello decisionale e il primo del suo genere a gestire immagini insieme al testo. Secondo il post sul blog dell'azienda, d1 risponde a domande su una situazione con una probabilità per ogni risposta possibile. Legge testo, immagini o entrambi in un unico passaggio in avanti senza generare token. Una decisione su testo richiede da 200 a 300 ms.

I benchmark del fornitore meritano scetticismo. Liquid sostiene che d1 pareggia o supera GPT-6.1 Sol in quattro delle sei applicazioni testate, dal filtraggio dei ticket di assistenza all'ispezione di schede a circuito, e costa da 19 a 200 volte meno sia di quel modello sia di Claude Opus 5.5. Sul dataset pubblico VisA smista pezzi buoni e difettosi con un'accuratezza dall'85 al 97%, un compito per il quale, dice l'azienda, non è mai stato addestrato.

Perché questo conta per la robotica? Perché la storia dell'AI incarnata dell'ultimo anno è stata dominata dai grandi modelli di base, mentre il problema più difficile è spesso il giudizio economico e rapido che sta sotto: questo pezzo è difettoso, questa presa è sicura, questo fotogramma richiede un secondo sguardo. Gli esempi della stessa Liquid vanno in quella direzione. Archivia documenti in cartelle, usa un sito di ricerca voli partendo da un obiettivo espresso in una frase e compatta l'output degli strumenti di un agente di programmazione, rimuovendo il 52% dei token e tenendo ciò che serve al compito.

Piccoli modelli che decidono

Lo stesso schema compare in altre due uscite di questa settimana. Un progetto su GitHub chiamato Jeff-Code, pubblicato il 5 ottobre, inserisce un modello decisionale da 800.000.000 di parametri nel ciclo dell'agente di Pi, l'agente di programmazione di Mario Zechner e altri contributori. A ogni turno di Qwen 3.8-27.000.000.000, Jeff effettua due chiamate da circa 0,2 secondi ciascuna: se può fare il passo successivo da solo e se Qwen deve ragionare a fondo. Il progetto riporta un tasso di successo del 62,4% contro il 62,8% del solo Qwen su 1.242 compiti appaiati, con un tempo per compito pari a 0,68x e una differenza appaiata di meno 0,2 punti.

È un campione piccolo di numeri piccoli, ma la direzione è coerente con la proposta di Liquid: pagare il ragionamento di frontiera solo quando un modello economico dice che serve. Jeff-Code mostra anche il modo in cui fallisce. In circa il 5% dei compiti impiega più di 30 minuti in più rispetto al solo Qwen, ed è per questo che il tempo totale scende solo a 0,86x.

Reika, un'altra uscita del 5 ottobre, prende la strada opposta. Progetta una CLI per agenti di programmazione pensata prima di tutto per piccoli modelli locali, nella fascia da 8.000.000.000 a 35.000.000.000 di parametri con quantizzazione da Q2 a Q4 su una finestra di contesto da 32.000 a 32.000 token. La sua documentazione è insolitamente franca sui limiti. Nei test i modelli da 14.000.000.000 a 35.000.000.000 di parametri gestivano i compiti su più file con maggiore affidabilità, i modelli da 9.000.000.000 a 8.000.000.000 di parametri se la cavavano con quelli semplici e ben delimitati, e sotto i 7.000.000.000 di parametri raramente arrivavano lontano.

L'overhead dell'impalcatura è emerso più volte. Una riscrittura a metà contesto ha rielaborato 8.453 token di prompt, 7,9 minuti di prefill, dove un'aggiunta nella stessa sessione costava 25 token e 3,5 secondi. Un grep che riportava "0 corrispondenze" per una chiamata che non poteva servire ha portato un modello a riformulare un pattern corretto per cinque giri.

"La formulazione del prompt è la leva più debole", si legge nel README di Reika. Su un compito vago a Q2 un modello converge o va in spirale più o meno 50/50, e l'impalcatura non può spostare quel rapporto, solo il costo della metà che fallisce.

Il grande rilascio a pesi aperti è ancora in attesa

Su tutto questo si colloca Beam, il primo modello a pesi aperti di Reflection, annunciato il 5 ottobre. È un misto di esperti sparso con 501.000.000.000 di parametri totali e 23.000.000.000 attivi, preaddestrato su 23.800.000.000.000 di token, con un ciclo di apprendimento per rinforzo di oltre 100.000.000 di rollout su 10.500 GPU NVIDIA GB300 nell'arco di quattro settimane.

Reflection è prudente su ciò che ha mostrato e ciò che non ha mostrato. Beam è ancora in fase di red-teaming e valutazioni finali; i pesi, il rapporto tecnico e la scheda del modello arriveranno più avanti questo mese. L'azienda sostiene che Beam è competitivo con modelli aperti più grandi come GLM 5.2 e vicino a Qwen 3.8-Max sui compiti di programmazione e agentici, riconoscendo al tempo stesso che Kimi K3 resta avanti sulla capacità grezza. Il suo vantaggio, sostiene il post, è l'efficienza di inferenza, con punteggi di ragionamento comparabili a GLM-5.2 a una potenza di calcolo da 3 a 4 volte inferiore.

Per chi costruisce politiche robotiche su pesi aperti, quella sull'efficienza è la promessa da tenere d'occhio, e resta non verificata finché non arriverà il rapporto tecnico.

Materiale primario, non comunicati stampa

Altri due elementi nel dossier meritano una lettura diretta. NASA e IBM hanno pubblicato il 5 ottobre su GitHub il codice di fine-tuning e di inferenza per un Lunar Foundation Model, con configurazioni TerraTorch per il rilevamento dei crateri, la segmentazione IMP e la prospezione del ghiaccio, più i pesi su Hugging Face. È un caso raro di un'agenzia spaziale che distribuisce una backbone geospaziale riutilizzabile con compiti a valle eseguibili.

Interfaze 1.1 Lite, pubblicato su Hugging Face il 5 ottobre, è un modello a misto di architetture che gira su una singola GPU da 80 GB senza servizi esterni: un nucleo di ragionamento che chiama modelli specialistici per OCR, voce, segmentazione e previsione, con output JSON strutturato. Riporta 83,8 su olmOCR-Bench e 73,2 su MMMU-Pro, contro 85,7 e 71,1 di Interfaze stesso.

Non tutti i numeri di questa settimana sostengono la tesi dei piccoli modelli. Uno studio della UC Riverside pubblicato il 23 settembre ha rilevato che fiducia e correttezza in Llama-3.1-8.000.000.000 e Gemma-2-9.000.000.000 nascono da caratteristiche interne diverse, quindi la certezza di un modello non è un segnale affidabile che abbia ragione. Sopprimere le caratteristiche legate puramente all'incertezza riduceva nettamente l'accuratezza, secondo il resoconto dell'università. Qualsiasi sistema che smista il lavoro in base alla fiducia dichiarata da un modello dovrebbe leggere prima quel paper.