Vai al contenuto
Ora nel mondoEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portale su IA e tecnologiaeventi · analisi · interviste · approfondimenti tecnici

Cerca
LIVE
›

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

Gli open weights, cioè la pratica di rilasciare i parametri addestrati di un modello perché chiunque possa scaricarlo ed eseguirlo, questa settimana sono passati dal territorio degli appassionati al centro dell'industria dell'IA. L'ultimo punto di attrito è arrivato il 30 settembre, quando Google ha annunciato il ritiro di Gems per Skills, unendosi a OpenAI e Anthropic in una svolta che consegna agli utenti file di prompt già scritti invece di lasciarli padroni della macchina che sta sotto.

IA e modelliSpiegatoChiara RomanoPubblicato: 30 settembre 20266 min di letturaFonti 12
Open weights, spiegato: 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 ha perso interesse, ha cambiato il prezzo o ha chiuso l'account. Secondo The Decoder, Gems chiude a novembre per gli account personali, a marzo 2027 per i clienti enterprise e nonprofit di Workspace e a giugno 2027 per i clienti del settore 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 in un'inchiesta sulle alternative cinesi alla piattaforma, ricordando che Pechino ha bloccato Hugging Face nel 2023. ModelScope di Alibaba, lanciato nel 2022, ospita oggi 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 possono usare una VPN tutto il tempo" e che la Cina ha bisogno di un ecosistema IA autosufficiente per chi parla cinese.

Nella stessa settimana sono usciti 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 insiemi inglesi della Open ASR Leaderboard, secondo la nota diffusa dall'azienda. I pesi sono rilasciati con licenza CC-BY-4.0, la stessa del Parakeet TDT 0.6B v3 di Nvidia, da cui derivano. Fermion sostiene che ogni modello aperto con un punteggio migliore in quella classifica sia almeno 5,8 volte più grande, e che un'ora di audio diventi testo in circa 20 secondi su un MacBook Air.

Nvidia, per non farsi battere 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 28 milioni a 215 milioni di 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. L'idea è che un modello preaddestrato possa leggere una tabella etichettata come contesto e prevedere nuove righe in un solo passaggio in avanti, senza addestramento e senza feature engineering.

Cosa promettono davvero i nuovi rilasci

Parte del lavoro aperto più interessante della settimana non è affatto il rilascio di un 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, con dataset, agenti, strumenti e scorer componibili, più di 200 valutazioni già pronte e un sistema di sandboxing che esegue codice di modello non fidato 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 scritto da te, questo è il tipo di strumento che te lo permette.

Bespoke Labs ha pubblicato Nimble il 30 settembre, un modello da 9 miliardi di parametri e la ricetta per addestrarlo, costruita su Qwen3.5-9B. Prende decisioni tipizzate in un solo passo senza prima scrivere il ragionamento, quindi è veloce, e il repository precisa che il team non ha fatto distillazione da Jev di TypeSafe. Lo scopo, si legge nel 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 corrette.

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 demone. Gli pseudo-gradienti arrivano come pull request su Hugging Face e un cron job stateless di GitHub Actions li aggrega. La fase 2 è attiva: circa 145 milioni di parametri addestrati da zero su FineWeb-Edu. La fase 1, un modello da 15 milioni su TinyStories, è arrivata oltre il budget ottimale secondo Chinchilla. Più volontari su macchine diverse, Apple Silicon e CPU normali, hanno addestrato lo stesso passo esterno e sono stati mediati in un unico aggiornamento, spiega il progetto.

E PSSA, un modello linguistico non transformer scritto da zero in Rust senza PyTorch, TensorFlow o altri 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 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 fine produzione, schemi, BOM, file EAGLE PCB e firmware compresi, con un sintetizzatore wavetable beta a 8 voci 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 sulla sicurezza taglia in due direzioni

La storia più grossa della settimana sugli open weights, però, riguarda un modello che non è stato rilasciato affatto. The Register ha riportato il 30 settembre che OpenAI ha accusato persone legate a Moonshot AI, in Cina, di un attacco di distillazione iniziato il 1° luglio, in cui query in massa sono state usate per riprodurre ragionamenti protetti. Il blog di OpenAI dice di aver visto picchi il 24 e 25 luglio composti da 16.000 richieste con un pattern di estrazione riconducibile a più di 4.000 utenti, di aver identificato attività correlate su più di 15.000 utenti e di aver interrotto del tutto la campagna il 28 luglio. L'azienda definisce la distillazione avversaria un rischio per la sicurezza e la sicurezza nazionale, perché il ragionamento estratto può addestrare un altro modello senza le protezioni originali.

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

La tensione sta tutta 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 togliere le protezioni e riconfezionare la capacità. Sono vere entrambe le cose, e l'industria non ha ancora deciso quale le importi di più.

Il lancio di Skills da parte di Google è la metà più silenziosa dello stesso discorso. 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 ritirando l'equivalente, i Custom GPT, secondo The Decoder.

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

Commenti 0

Fonti

12
  1. 01Google drops Gems for Skills, joining OpenAI and Anthropic in the shift to agent-ready prompt formatsEN
  2. 02The open-source AI platforms vying to become China's Hugging FaceEN
  3. 03Phonon-2: most accurate open speech recognition model in a 164 MB downloadEN
  4. 04Nvidia Kumo Tabular: Open Foundation Model for Tabular PredictionEN
  5. 05Inspect: An open-source framework for large language model evaluationsEN
  6. 06Nimble: Data, Model, Recipe for an Open Jev (From Bespoke Labs)EN
  7. 07Coop: A small language model pretrained by volunteersEN
  8. 08PSSA: A non-transformer language model written from scratch in RustEN
  9. 09CHOMPI portable sampler instrument is now open-source (hardware and software)EN
  10. 10Irony alert: OpenAI whines that Chinese model stole its special IP that it stole from everybody elseEN
  11. 11Jevstiller: Open-source tool distills Jev so you can run it locallyEN
  12. 12Jevstiller: Distill a repeated Jev classification task into a local modelEN

Tutti i numeri e le citazioni di questo testo provengono dalle fonti elencate sotto.

I contenuti sono stati preparati dalla redazione con il supporto dell'IA.

Chiara Romano

Chiara Romano

IA, modelli e tecnologie

Chiara Romano scrive di tecnologia, IA e modelli, media e internet per FLASH24, partendo da documentazione tecnica, repository e specifiche invece che da comunicati stampa. Per ogni modello o piattaforma che segue controlla versioni, licenze, parametri e benchmark, e verifica i numeri confrontandoli con i dati originali o con test indipendenti. Confronta le schede tecniche tra fornitori, parla con sviluppatori e amministratori di sistema, e tiene d'occhio le finestre di rilascio e le modifiche ai termini d'uso. Fuori dalla redazione gestisce self-hosting e reti domestiche, esperienza che le serve per capire come funzionano davvero i servizi che racconta. Non pubblica una notizia se la fonte primaria non è verificabile.

Redazione →

Commenti

0
  1. Nessun commento — sii il primo.

Scrivi un commento

I commenti sono pubblici. Non pubblichiamo insulti, spam né pubblicità.