Open weights, spiegati: il formato che divide OpenAI, Google e i laboratori cinesi

Sembra una questione di manutenzione. Non lo è. Una Skill è un file di testo che salvi e riutilizzi. Un Gem era una configurazione dentro i server di Google. Nessuno dei due è un modello che puoi copiare sul tuo portatile ed eseguire dopo che il fornitore perde interesse, cambia il prezzo o chiude l'account. Secondo The Decoder, Gems chiuderà a novembre per gli account personali, a marzo 2027 per i clienti enterprise e nonprofit di Workspace e a giugno 2027 per i clienti education, con i Gem esistenti convertiti automaticamente. Novembre segna anche la fine di Opal, l'esperimento di mini-app IA di Google dell'estate 2025.

La distinzione conta più di un anno fa, perché gli open weights hanno smesso di essere una nicchia.

A settembre Nvidia ha annunciato l'acquisizione di Hugging Face, l'hub con sede a New York per modelli e dataset aperti, per 12,9 miliardi di dollari. Rest of World ha riportato l'accordo il 30 settembre, all'interno di un'analisi sulle alternative cinesi alla piattaforma, ricordando che Pechino ha bloccato Hugging Face nel 2023. ModelScope di Alibaba, lanciato nel 2022, ospita ora più di 170.000 modelli. MoArk di OSChina, lanciato nel 2023, ne serve circa 20.000. Xu Yong, amministratore delegato di OSChina, ha detto a Rest of World che "non tutti riescono a usare una VPN tutto il tempo" e che la Cina aveva bisogno di un ecosistema IA autosufficiente per chi parla cinese.

Nella stessa settimana sono usciti una serie di rilasci che un tempo avrebbero richiesto un laboratorio aziendale e un data center. Fermion Research ha pubblicato Phonon-2 il 30 settembre, un modello di riconoscimento vocale per l'inglese che arriva in un download da 164 MB e segna il 5,21 % di word error medio sui sette set inglesi della Open ASR Leaderboard, secondo la descrizione dell'azienda stessa. I pesi sono rilasciati con licenza CC-BY-4.0, la stessa del Parakeet TDT 0.6B v3 di Nvidia, da cui derivano. Fermion afferma che ogni modello aperto con un punteggio migliore su quella classifica è almeno 5,8 volte più grande, e che un'ora di audio diventa testo in circa 20 secondi su un MacBook Air.

Nvidia, per non farsi superare in casa propria, ha pubblicato Kumo Tabular su Hugging Face. È un modello di base aperto per la previsione su dati tabellari, in tre dimensioni da 28M a 215M parametri, rilasciato con licenza OpenMDW-1.1 per uso commerciale e preaddestrato solo su dati artificiali. L'azienda dice che è primo su quattro benchmark: TabArena, BeyondArena, TALENT e ScoringBench. La promessa è che un modello preaddestrato può leggere una tabella etichettata come contesto e prevedere nuove righe in un singolo passaggio in avanti, senza addestramento e senza feature engineering.

Cosa rivendicano davvero i nuovi rilasci

Parte del lavoro aperto più interessante della settimana non è un rilascio di modello. L'AI Security Institute del Regno Unito e Meridian Labs hanno pubblicato Inspect, un framework open source per la valutazione dei modelli di frontiera. Ha dataset, agenti, strumenti e scorer componibili, più di 200 valutazioni predefinite e un sistema di sandboxing che esegue codice non fidato dei modelli in Docker, Kubernetes, Modal, Proxmox o Vagrant. Supporta l'esecuzione di agenti esterni, tra cui Claude Code, Codex CLI e Gemini CLI. Se vuoi verificare se l'affermazione di sicurezza di un fornitore regge al contatto con un test harness che hai scritto tu, questo è il tipo di strumento che te lo permette.

Bespoke Labs ha pubblicato Nimble il 30 settembre, un modello da 9B e la ricetta per addestrarlo, costruito su Qwen3.5-9B. Prende decisioni tipizzate in un solo passaggio senza prima scrivere il ragionamento, quindi è veloce, e il repository precisa che il team non ha distillato da Jev di TypeSafe. Lo scopo, dice il README, è mostrare come curare i dati, addestrare e servire un modello del genere. Il registro degli aggiornamenti va dal 18 settembre, quando è stata aggiunta una suite di benchmark pubblica, al 22 settembre, quando è stata calibrata una temperatura perché le probabilità del modello corrispondano meglio alla frequenza con cui le risposte sono giuste.

Un progetto separato chiamato Coop spinge l'idea più avanti. Ospitato su github.com/commonsense-ai/coop, preaddestra un piccolo modello linguistico usando hardware di consumo donato e i piani gratuiti di Hugging Face e GitHub Actions, senza server, senza finanziamenti e senza daemon. Gli pseudo-gradienti arrivano come pull request di Hugging Face e un cron job stateless di GitHub Actions li aggrega. La fase 2 è attiva: circa 145M parametri preaddestrati da zero su FineWeb-Edu. La fase 1, un modello da 15M su TinyStories, ha superato il suo budget ottimale secondo Chinchilla. Più volontari su macchine diverse, Apple Silicon e semplice CPU, hanno addestrato lo stesso passo esterno e sono stati mediati in un unico aggiornamento, dice il progetto.

E PSSA, un modello linguistico non transformer scritto da zero in Rust senza PyTorch, TensorFlow o alcun framework di ML sotto, sostiene che a parità di parametri e sullo stesso corpus impara più in fretta di un transformer e genera testo circa dodici volte più rapidamente sulla stessa CPU. L'autore è diretto sul perché: aggiornamenti dei pesi per token, una banca di memoria scritta durante il passaggio in avanti e un percorso di riferimento scalare hanno reso un framework di autograd più un problema che un vantaggio.

Non ogni rilascio aperto è una vittoria nei benchmark. CHOMPI Club ha reso open source il suo hardware e software per sampler portatile il 30 settembre come rilascio di dismissione, inclusi schemi, BOM, file PCB EAGLE e firmware, con un synth wavetable a 8 voci in beta chiamato WAVE. È un promemoria che open weights, open hardware e open source sono tre cose diverse, e che un'azienda può fare una senza fare le altre.

L'argomento della sicurezza taglia in due direzioni

La più grande storia sugli open weights della settimana, però, riguarda un modello che non è stato rilasciato affatto. The Register ha riferito il 30 settembre che OpenAI ha accusato individui legati a Moonshot AI, in Cina, di un attacco di distillazione iniziato il 1 luglio, in cui query massive sono state usate per riprodurre ragionamenti protetti. Il blog di OpenAI ha detto di aver visto picchi il 24 e 25 luglio, con 16.000 richieste che usavano un pattern di estrazione riconducibile a oltre 4.000 utenti, ha identificato attività correlate su più di 15.000 utenti e ha interrotto completamente la campagna il 28 luglio. L'azienda ha definito la distillazione avversaria un rischio per la sicurezza e la sicurezza nazionale, perché il ragionamento estratto può addestrare un altro modello senza le tutele originali.

L'inquadramento di The Register è stato meno indulgente, osservando che OpenAI si è addestrata su enormi quantità di contenuti internet tra battaglie sul copyright, per poi obiettare quando i suoi output vengono usati allo stesso modo. La testata ha anche notato che Claude Opus 5.5 di Anthropic, uscito una settimana prima, arriva con una difesa contro la distillazione chiamata preserved thinking.

La tensione sta in un paragrafo. Gli open weights permettono a chiunque di ispezionare un modello, eseguirlo in locale e costruirci sopra senza permesso. Permettono anche a chiunque di rimuovere le protezioni e riconfezionare la capacità. Entrambe le cose sono vere, e l'industria non ha ancora deciso a quale tiene di più.

Il lancio di Skills da parte di Google è la metà più silenziosa dello stesso argomento. Skills è un formato aperto nato con Anthropic, e Gemini può generare Skill dalle chat precedenti, concatenarne diverse ed eseguirle automaticamente quando rileva un prompt corrispondente. Gli utenti ottengono la portabilità delle istruzioni. Non ottengono la portabilità del modello. OpenAI sta chiudendo l'equivalente, i Custom GPT, secondo The Decoder.

Per chi cerca di decidere cosa eseguire, la domanda pratica non è aperto contro chiuso. È cosa puoi ancora fare con quella cosa quando l'azienda cambia idea.