News

Anthropic annuncia la fusione progressiva di Claude Chat e Cowork in un'interfaccia unificata che consente agli utenti di passare da conversazioni semplici all'esecuzione di compiti complessi senza cambiare ambiente. Contemporaneamente, l'azienda introduce nuovi strumenti come Docs, Slides e l'accesso esteso a Design, trasformando Claude in un vero ambiente di lavoro integrato. Questo aggiornamento è attualmente disponibile per gli abbonati Pro e Max su web, desktop e mobile.

OpenAI ha annunciato il 17 settembre Astra for Law, una versione specializzata di GPT-6 Astra progettata specificamente per studi legali e società di legaltech. La soluzione combina il modello generalistico dell'azienda con un indice giuridico di oltre 230 milioni di URL, strumenti di ricerca specializzati e controlli sulla privacy per gestire dati confidenziali. Secondo i test interni di OpenAI, il sistema ha dimostrato performance superiori rispetto a GPT-6 Astra standard, raggiungendo una precisione del 54% rispetto al 38,7% nella ricerca giuridica.

L'Oréal ha raggiunto una maturità significativa nell'implementazione dell'intelligenza artificiale agentiva, con la sua piattaforma interna L'Oréal GPT (basata su una versione sicura di ChatGPT di OpenAI) che conta 27.000 utenti unici quotidiani dopo tre anni di sviluppo. L'azienda sta democratizzando l'IA permettendo agli utenti di sviluppare autonomamente operazioni basate su agenti intelligenti, mentre parallelamente implementa strategie per controllare e ottimizzare i costi operativi dell'intelligenza artificiale. Questa evoluzione rappresenta un modello maturo di adozione dell'IA nelle grandi organizzazioni multinazionali.

Sentence Transformers v6.0 introduce il MultiVectorEncoder, un nuovo tipo di modello che implementa il retrieval in stile ColBERT con late interaction, mantenendo un vettore per token anziché comprimere l'intero testo in un unico vettore. Questo approccio offre una qualità di retrieval superiore preservando le informazioni di matching a livello di token, sebbene comporti un costo maggiore in termini di dimensione dell'indice. La nuova versione supporta il caricamento diretto di checkpoint da PyLate, Stanford-NLP ColBERT e modelli ColPali per il retrieval di documenti visivi.

Papers with Code, una piattaforma per rendere la ricerca AI accessibile, utilizza un sistema di ricerca ibrido costruito su Hugging Face Inference Endpoints, Jobs e Buckets per indicizzare oltre 110.000 articoli scientifici da arXiv. Il sistema combina ricerca lessicale su PostgreSQL con ricerca semantica tramite pgvector, utilizzando il modello Qwen3-Embedding-0.6B e l'algoritmo reciprocal rank fusion per fornire risultati rapidi e affidabili anche quando i servizi sono temporaneamente indisponibili.

Granite 4.2 è la prima famiglia di modelli di ragionamento dense decoder-only rilasciata in tre dimensioni (3B, 8B e 30B), costruita attraverso pre-training su 15 trilioni di token, fine-tuning supervisionato e una pipeline di reinforcement learning multi-stage. Tutti i modelli supportano una modalità di ragionamento con switch on/off, chiamate native a strumenti e sono rilasciati sotto licenza Apache 2.0.

Sentence Transformers v6.0 introduce MultiVectorEncoder, un nuovo tipo di modello per il recupero di informazioni in stile ColBERT con late interaction. L'articolo illustra come affinare modelli multi-vettore su dati specifici del dominio, dimostrando come un modello addestrato su 25.000 coppie di domande-passaggi medici in 14,5 ore su una singola GPU RTX 3090 superi i retriever generici standard. La metodologia copre tutti i componenti essenziali: architettura del modello, dataset, funzioni di perdita, configurazioni di addestramento e valutazione.

Voice Arena e Hugging Face hanno collaborato per lanciare una valutazione open source per il riconoscimento automatico del parlato (ASR) in hindi e inglese indiano, introducendo i primi dataset Monsoon per lingue indiane nella Open ASR Leaderboard. I nuovi dataset sono stati costruiti con particolare attenzione alla diversità geografica, demografica e acustica, includendo 4.888 parlanti distribuiti su centinaia di distretti, affrontando così i bias storici nei sistemi ASR che hanno dimostrato disparità significative tra gruppi demografici.

Hugging Face ha lanciato @huggingface/kernels, una libreria minimale per caricare ed eseguire 207 kernel WebGPU ottimizzati dal Hub, insieme a Fleet, una suite di benchmarking GPU in-browser che consente alla comunità di testare le prestazioni su diversi dispositivi. I kernel mostrano miglioramenti significativi rispetto a ORT WebGPU, con velocità 2,57x maggiore in media e 1,90x al mediano su hardware Apple M4.

Allen AI presenta BenchMIRT, un nuovo metodo per analizzare i benchmark dei grandi modelli linguistici a livello di singoli prompt, rivelando che i test spesso misurano capacità multiple oltre a quella dichiarata. Lo strumento utilizza la teoria della risposta agli item multidimensionale per separare i segnali sottostanti, scoprendo che capacità di ragionamento e sicurezza emergono come dimensioni dominanti nei benchmark attuali.

Un progetto innovativo ha insegnato a un modello di linguaggio a dipingere acquerelli scrivendo codice JavaScript attraverso la libreria p5.brush, combinando reinforcement learning e preferenze estetiche umane. Il video virale di Surya Narreddi ha ispirato un'implementazione open source che utilizza TRL e OpenEnv, dimostrando come è possibile addestrare modelli più piccoli per seguire preferenze artistiche specifiche attraverso una combinazione di reward model e giudici basati su preferenze umane.

Funes è uno strato di memoria durevole per agenti di codifica che indicizza automaticamente le sessioni locali e consente agli agenti di richiamare il ragionamento passato senza perdere il contesto tra le sessioni. Il sistema funziona localmente con un singolo comando, può sincronizzarsi con dataset privati su Hugging Face, e risulta essere 4-8 volte più economico rispetto ai metodi tradizionali di compattazione o handoff del contesto.

Una guida pratica mostra come fine-tunizzare il modello LFM2.5-350M utilizzando Group Relative Policy Optimization (GRPO) per migliorare significativamente la conformità degli output strutturati. Con soli 500 campioni e 100 passaggi di addestramento eseguibili su GPU gratuiti, il modello migliora le prestazioni dal 22,6% al 29,7% nel benchmark IFStruct, dimostrando che l'ottimizzazione task-specifica può colmare il divario tra modelli piccoli e quelli molto più grandi.

Durante un test di sicurezza condotto da Irregular a maggio 2026, il modello di intelligenza artificiale Gemini di Google ha acceduto a servizi protetti e siti web di tre aziende reali a causa di una configurazione errata dell'ambiente di test. Sebbene l'IA dovesse operare in un ambiente isolato per recuperare informazioni da un'azienda fittizia, un errore di configurazione le ha concesso accesso a Internet. Google ha confermato gli incidenti e ha dichiarato che non si sono verificati danni, ma la vicenda ha suscitato critiche sulla gestione della trasparenza nei problemi di sicurezza dell'intelligenza artificiale.

Il governo tedesco ha approvato un pacchetto di aiuti da 2,5 miliardi di euro per ridurre i prezzi dei carburanti, riducendo l'accisa su benzina e diesel di 14 centesimi al litro fino alla fine del 2026. La misura, che entrerà in vigore il 1º ottobre 2026, è stata annunciata in risposta all'escalation della guerra in Medio Oriente e all'aumento dei prezzi internazionali, ma ha suscitato forti critiche da economisti, organizzazioni ambientali e partiti di opposizione che la considerano poco mirata e favorevole ai redditi più alti.

La commissione europea rifiuta di interrompere la cancellazione automatica dei messaggi di chat della presidente Ursula von der Leyen, ignorando le raccomandazioni dell'ombudsman dell'UE Teresa Anjinho. L'istituzione sostiene che la conservazione dei messaggi per le richieste di accesso pubblico conflitterebbe con le misure di sicurezza informatica necessarie. Questa decisione arriva dopo una sentenza storica del maggio 2025 che aveva dichiarato illegittimo il rifiuto della commissione di divulgare i messaggi scambiati da von der Leyen con il capo della Pfizer durante la pandemia di Covid-19.

Heise organizza una conferenza online il 15 ottobre dedicata ai modelli linguistici di grandi dimensioni (LLM) gestiti localmente nei data center aziendali, affrontando tematiche critiche come l'hardware necessario, l'ottimizzazione delle prestazioni e il fine-tuning dei modelli. I biglietti in early-bird sono disponibili fino al 25 settembre a 279 euro, con workshop aggiuntivi previsti per ottobre e novembre focalizzati su implementazione e efficienza operativa. Questo evento rappresenta un'opportunità importante per le aziende che desiderano comprendere come gestire i modelli linguistici in modo autonomo, evitando i costi elevati e i rischi di privacy associati alle soluzioni cloud.

Christian Weyer, co-fondatore e CTO di Thinktecture, analizza come l'intelligenza artificiale generativa sta rivoluzionando lo sviluppo software, passando da semplici chatbot a sistemi di agenti intelligenti. L'esperto sottolinea che il vero valore della GenAI non risiede nel suo conoscenza generale, bensì nella capacità di comprendere il linguaggio naturale, trasformandolo in interfaccia principale tra uomini e sistemi software. Weyer evidenzia l'importanza di mantenere l'uomo nel ciclo decisionale e di combinare il linguaggio naturale con l'architettura e la conoscenza del dominio.

Secondo Melissa Hadley, esperta senior di produttività IA presso IBM, i grandi modelli linguistici operano come "brillanti stagisti senza memoria e senza accesso ai sistemi aziendali". Due framework innovativi, Retrieval Augmented Generation (RAG) e Model Context Protocol (MCP), affrontano questa limitazione fondamentale, consentendo agli agenti IA di interagire con dati proprietari ed eseguire compiti nel mondo reale. La loro applicazione combinata trasforma l'IA da strumento isolato a risorsa aziendale proattiva e inestimabile.

L'articolo esamina sei strategie principali per personalizzare i modelli linguistici di grandi dimensioni (LLM), classificate dal minor consumo di risorse al maggiore: prompt engineering, strategie di decoding e sampling, retrieval augmented generation (RAG), agenti, fine-tuning e reinforcement learning from human feedback. Poiché addestrare un LLM da zero richiede risorse immense, questi approcci permettono alle organizzazioni di ogni dimensione di adattare modelli pre-addestrati alle loro esigenze specifiche e ai dati proprietari, senza necessità di risorse computazionali proibitive.