I pesi aperti non sono open source, e il divario diventa più difficile da misurare

Il rapporto di Mozilla, State of Open Source AI versione 1.1, è uscito il 15 settembre con dati aggiornati al 1 settembre. Conta 16 rilasci aperti degni di nota. Nessuno di essi include la ricetta dei dati di addestramento richiesta dalla Open Source AI Definition della Open Source Initiative. È quanto si legge nel rapporto, nella descrizione che ne dà Tom's Hardware.

È la tensione che attraversa il ciclo di notizie sui pesi aperti di questo mese. Scaricare un modello è facile. Sapere cosa c'è dentro, o ricostruirlo, no.

Il numero dei quattro mesi e le sue cautele

L'affermazione centrale di Mozilla è che il divario si sta restringendo. Il miglior modello aperto era indietro di tre punti rispetto al leader chiuso sull'Artificial Analysis Intelligence Index, al 60% del prezzo, e di due punti dietro Claude Fable 5 al 30%. La stima di Mozilla sui dati METR task-horizon colloca il divario tra aperti e chiusi a circa 4,4 mesi, in linea con la stima di quattro mesi di Epoch AI. Secondo il calcolo di Mozilla, le capacità dei modelli aperti raddoppiano ogni 3,9 mesi, contro 5,5 mesi per i modelli chiusi.

Il rapporto si basa su un sondaggio Mozilla/SlashData su circa 1.400 sviluppatori, sui dati di traffico di OpenRouter e su indici di benchmark di terze parti. Mozilla sostiene i modelli aperti, e il 14 luglio TIME ha riferito che Raffi Krikorian, direttore tecnico di Mozilla, ha descritto il rapporto come in parte opera di advocacy. Mozilla precisa che la cifra dei quattro mesi e il dato del prezzo per token al 30% sono misurati da API a API su endpoint ospitati e a prezzo di listino.

L'hardware è il punto in cui il racconto diventa meno lusinghiero. Il grafico dello stesso rapporto colloca il miglior modello aperto che entra in un singolo server a 52,6 e il migliore che entra in una singola GPU a 40. Il calo dalla vetta è rispettivamente di 10 e 23 punti, un divario più ampio di quanto suggeriscano quattro mesi. Il checkpoint nativo MXFP4 di Kimi K3 occupa circa 1,56TB su 96 shard, e la configurazione di servizio di Mozilla elenca 64 o più acceleratori. Il rapporto lo definisce aperto, ma non eseguibile dalla maggior parte di chi lo possiede.

C'è un controesempio. Inkling-Small di Thinking Machines, sotto Apache 2.0, ha una versione NVFP4 che entra in una B300 con un minimo di 180GB.

Cosa si chiede che significhi "aperto"

Il 15 settembre Steven J. Vaughan-Nichols, su The Register, ha sostenuto che il settore abusa della parola. Pubblicare i pesi su Hugging Face e lasciare che gli sviluppatori li eseguano sulle proprie GPU, ha scritto, è distribuzione a pesi aperti, non open source. La distinzione, ha detto, decide se puoi semplicemente distribuire una rete finita oppure ispezionare, riprodurre, modificare e ridistribuire il sistema che l'ha prodotta.

La OSI fa la distinzione direttamente: "Open Weights refer to the final weights and biases of a trained neural network." I soli pesi, aggiunge la OSI, espongono solo "a fraction of the information required for full accountability."

James Landay, direttore dello Stanford Institute for Human-Centered AI, ha detto a The Register: "Open weights are progress. You can download the model, run it on your own machine, keep it out of someone else's data pipeline. But you still can't see how the thing was built, what it was trained on, or why it behaves the way it does. That's not an open model. That's open distribution."

La preoccupazione di Landay è precisa. Senza i dati di addestramento o una documentazione dettagliata, chi sta fuori non può dire quali fonti siano state usate, quale materiale protetto da copyright o privato possa essere stato incluso, come i dati siano stati selezionati o rimossi, quali lingue siano state sottorappresentate, se i dati dei benchmark siano finiti nell'addestramento o quali metodi di allineamento abbiano plasmato il modello dopo il pre-addestramento.

La Open Source AI Definition 1.0, pubblicata in ottobre 2024, richiede che i parametri del modello, compresi i pesi, siano resi disponibili secondo termini approvati dalla OSI, ma non prescrive un meccanismo legale. Luca Antiga, CTO di Lightning AI, ha detto che questo trattamento lascia "a gaping hole" che indebolirà le licenze come segnale di adozione reale. Bruce Perens, autore della Open Source Definition originale, ha denunciato la OSAID nel 2024 e in seguito ha detto che la OSI stessa è ormai coinvolta nell'openwashing. Bradley Kuhn della Software Freedom Conservancy e Richard Fontana di Red Hat hanno chiesto l'abrogazione della OSAID.

Sotto tutto questo restano questioni pratiche di memorizzazione. Un articolo di A. Feder Cooper, Mark A. Lemley e coautori, inviato ad arXiv in maggio 2025 e rivisto fino a luglio 2026, ha eseguito oltre 3.000 esperimenti su 200 libri e 14 LLM a pesi aperti. Gli autori hanno scoperto che la maggior parte degli LLM non ha memorizzato la maggior parte dei libri. Llama 3.1 70B, però, ha memorizzato interamente alcuni titoli, tra cui Harry Potter and the Sorcerer's Stone, al punto da poterne estrarre quasi alla lettera l'intero libro dalle prime parole.

Nel frattempo l'ecosistema dei pesi aperti continua a rilasciare. Superwhisper ha pubblicato S1-mini, un normalizzatore di testo da 0,6B parametri per l'output speech-to-text, messo a punto da Qwen/Qwen3-0.6B sotto Apache 2.0 più una clausola sul nome. Dichiara un'accuratezza del 94,8% sui token su 7.519 casi inglesi tenuti da parte e una build quantizzata da 462 MiB che gira sulla CPU di un portatile.

Piccolo, scaricabile e documentato abbastanza da essere eseguito. La questione della responsabilità è un file separato.