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

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

Cerca
LIVE
›

Settimana degli open weights: Cloudflare Clef, Amazon, Google e DeepSeek si muovono sul mercato dei modelli aperti

Cloudflare ha pubblicato giovedì due modelli decisionali a pesi aperti, sostenendo che battono Jev di TypeSafe in accuratezza e ammettendo che costano quasi sei volte tanto per milione di token. Il lancio chiude una settimana in cui Amazon, Google e Huawei hanno mosso passi su strumenti per modelli aperti o a basso costo.

IA e modelliSpiegatoGiulia FerrariPubblicato: 2 ottobre 20265 min di letturaFonti 17
Settimana degli open weights: Cloudflare Clef, Amazon, Google e DeepSeek si muovono sul mercato dei modelli aperti

Cloudflare ha annunciato giovedì 1 ottobre la famiglia Clef di modelli decisionali, ospitata sulla piattaforma Workers AI e pubblicata come open weight su Hugging Face con licenza Apache 2.0. The Register ha riportato lo stesso giorno che Clef e Clef-flash rispondono a tre tipi di domande circoscritte: sì/no, scelta multipla e classifiche.

Così Cloudflare si mette direttamente contro Jev di TypeSafe, il modello decisionale uscito due settimane prima e diventato un fenomeno tecnico. Secondo The Register, Clef ha una spina dorsale LLM: versioni appositamente riaddestrate e congelate di Qwen3.8-27B con 27.000.000.000 di parametri per Clef e Qwen3.5-9B con 9.000.000.000 di parametri per Clef-flash, ciascuna con un passaggio di solo prefill e poi il punteggio delle scelte in parallelo.

Cloudflare ha comunicato da sé i propri punteggi di benchmark contro il Jev Decision Index, e The Register osserva che non sono ancora stati riprodotti sulla classifica ufficiale. Cloudflare sostiene anche che Clef ha battuto Jev in tre delle quattro aree dei benchmark di TypeSafe, perdendo solo sull'osservabilità delle tracce degli agenti.

Il prezzo è la parte scomoda

Clef costa 0,24 dollari per milione di token, quasi sei volte i 0,042 dollari per milione di Jev, secondo The Register. La proposta di Cloudflare è che gestisce immagini e video oltre al testo e che supporta una finestra di contesto da 64.000 token. Anche Jev può gestire fino a 64.000 token in una richiesta, anche se il suo stato più la domanda singola più lunga sono limitati a 32.000.

Il post di Cloudflare sui benchmark descrive un test di threat intelligence in cui Clef ha recuperato, renderizzato e classificato un sito web in 2,2 secondi, contro 4,7 secondi del più veloce LLM generale dell'azienda, gpt-oss-120b, nello stesso flusso di lavoro. L'azienda dice che Clef ha classificato il dominio con una probabilità del 95% che fosse un sito di moda, dell'85% ecommerce e sotto l'1% phishing. Dice anche che rende disponibili i pesi in open source, così i clienti possono eseguirli in locale.

Altri due lanci di modelli decisionali sono arrivati nella stessa finestra di 48 ore. L'AI Gateway di Vercel elenca Laya, un "System One evaluation model" di Convai Innovations, con un'API ospitata gratuita, un contesto da 8.000 token e una data di fine del prezzo promozionale fissata al 31 ottobre 2.026. TechCrunch ha riportato che Amazon ha pubblicato il proprio clone di Jev mentre i modelli decisionali inondavano il web.

Gemini 4 Argon, con la porta socchiusa

La settimana di Google è andata nella direzione opposta. L'azienda ha distribuito Gemini 4 Argon, che TechCrunch ha definito il suo modello più potente di sempre, il 30 settembre. The Guardian ha riportato il 1 ottobre che Google ha limitato l'accesso al modello per ragioni di sicurezza, e l'analisi dei benchmark di The Decoder dice che Argon chiude il divario con OpenAI e Anthropic ma non conquista un chiaro primato.

Anthropic, intanto, discute di dati di addestramento più che di pesi. The Guardian ha riportato il 2 ottobre che Anthropic spinge per un modello di opt-out per i contenuti australiani, mentre ABC avverte del rischio di "cannibalizzazione" delle notizie.

La tensione di fondo nel dibattito sugli open weight è che pesi pubblicati e valutazione pubblicata sono cose diverse. Il framework Inspect dell'UK AI Security Institute, uno stack di valutazione open source costruito con Meridian Labs, include oltre 200 valutazioni già pronte e supporta più di 20 fornitori di modelli, secondo la sua documentazione. Esiste proprio perché i fornitori continuano a correggere da soli i propri compiti.

Il lavoro indipendente arriva sempre con lo stesso ritmo. Un articolo inviato ad arXiv il 29 settembre da Loay Mualem e sei coautori presenta GoldiMask, un metodo di fine-tuning per modelli linguistici a diffusione discreta che seleziona i token di contesto massimizzando approssimativamente un obiettivo submodulare e pesa i bersagli rimanenti. Gli autori riportano la più alta accuratezza media nella maggior parte delle configurazioni valutate su tre backbone e tre dataset di addestramento, con guadagni su ragionamento e generazione di codice.

Il contesto come file, e una corsa volontaria da 15.000.000 di parametri

Un secondo articolo, inviato lo stesso giorno da Rulin Shao e dodici coautori, descrive i Context Language Models: modelli che trattano il proprio contesto come un file che possono aggiornare da soli. Gli autori riportano un'accuratezza superiore dell'11,4% con il 21,5% di FLOP in meno su BrowseComp-Plus, punteggi superiori del 5% con il 59% di FLOP in meno su un compito EdgeBench da 12 ore, e un miglioramento del 47,6% su Qwen3.5-9B quando addestrato con il loro metodo di reinforcement learning online. Il codice è su GitHub con licenza CC BY-NC 4.0.

Sul fronte piccolo, un progetto volontario chiamato Coop sta preaddestrando un modello da circa 145.000.000 di parametri su FineWeb-Edu usando hardware di consumo donato, con pseudo-gradienti inviati come pull request su Hugging Face e aggregati da un cron job stateless di GitHub Actions. La fase 1, una corsa da 15.000.000 di parametri su TinyStories, si è conclusa oltre il budget ottimale secondo Chinchilla.

Anche la politica dell'hardware si muove. Tom's Hardware ha riportato il 1 ottobre che DeepSeek e Huawei hanno pubblicato strumenti di programmazione open source per Ascend AI, tra cui librerie di calcolo e comunicazione e il supporto Ascend per TileLang, con l'obiettivo di ridurre la dipendenza dall'ecosistema Nvidia. Sempre il 1 ottobre è stata annunciata anche la risposta di Nvidia al rischio degli agenti, un Agent Safety Platform aperto che può mettere in quarantena gli agenti in millisecondi.

Non tutte le affermazioni di questa settimana reggono al confronto con un benchmark. La rubrica di The Register del 30 settembre notava che OpenAI, che ha addestrato su grandi volumi di dati web durante anni di battaglie sul copyright, ora definisce il distillation del proprio ragionamento un rischio per la sicurezza nazionale. OpenAI dice che una campagna iniziata il 1 luglio ha raggiunto un picco di 16.000 richieste da più di 4.000 utenti il 24 e 25 luglio ed è stata completamente interrotta entro il 28 luglio, con un cluster centrale legato a persone associate a Moonshot AI. CNBC ha riportato che l'azienda sostiene che la propria crittografia, i database e le conversazioni salvate degli utenti non sono stati compromessi.

L'unico numero che rema contro il tifo per gli open weight è 0,24 dollari per milione di token. Pesi aperti non significa inferenza a buon mercato, e il confronto di Cloudflare con Jev lo dice chiaramente.

Commenti 0

Fonti

17
  1. 01Cloudflare tries to outplay Jev with open-weight Clef modelsEN
  2. 02Introducing Clef: our open-source decision models, and new RL fine-tuning platformEN
  3. 03Free hosted API for Laya, the open-weight decision modelEN
  4. 04Amazon releases its own Jev clone as decision models flood the webEN
  5. 05Google releases Gemini 4 Argon, called its most powerful model yetEN
  6. 06Google rolls out new Gemini AI model but restricts access over safety concernsEN
  7. 07Google Gemini 4 Argon closes the gap with OpenAI and Anthropic but doesn't take a clear leadEN
  8. 08Anthropic pushes for opt-out model for Australian content as ABC warns of 'cannibalisation' of newsEN
  9. 09Inspect: An open-source framework for large language model evaluationsEN
  10. 10Fine-Tuning Diffusion Language Models with Context Selection and Target WeightingEN
  11. 11Context Language ModelsEN
  12. 12Context Language Models (CLMs) official repositoryEN
  13. 13Coop: A small language model pretrained by volunteersEN
  14. 14DeepSeek and Huawei release open-source Ascend AI programming tools to reduce reliance on Nvidia ecosystemEN
  15. 15Nvidia launches Open Agent Safety Platform to physically restrain rogue AI agentsEN
  16. 16Irony alert: OpenAI whines that Chinese model stole its special IP that it stole from everybody elseEN
  17. 17AI race heats up as OpenAI flags alleged model-copying campaignEN

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.

Giulia Ferrari

Giulia Ferrari

IA, modelli e tecnologie

Giulia Ferrari scrive di tecnologia, IA e modelli e media e internet per FLASH24, partendo da dataset pubblici, preprint e registri di versioni dei modelli. Controlla ogni numero confrontando benchmark dichiarati e risultati riproducibili, e scarta le stime senza fonte. Segue le audizioni in calendario, parla con ricercatori e ingegneri, e mette a confronto release e changelog prima di pubblicare. Fuori dalla redazione smonta stampanti 3D, recupera vecchi computer e studia come i modelli imparano dai rifiuti del web. Non pubblica un dato se non può ricostruirne il percorso.

Redazione →

Commenti

0
  1. Nessun commento — sii il primo.

Scrivi un commento

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