OpenAI lancia GPT-6 Cyber, Anthropic apre Personal Finance in Claude, Perplexity lancia Teammates

OpenAI lancia GPT-6 Cyber, un modello di cybersicurezza classificato Critical, inizialmente riservato ad alcuni clienti Daybreak Red, all’indomani del post in cui la sua pipeline autonoma di ricerca delle vulnerabilità, basata su questo modello, ha convalidato 948 vulnerabilità di elevazione dei privilegi nel kernel Linux per 1,2 milioni di dollari. Anthropic apre Personal Finance in Claude, in sola lettura e in beta negli Stati Uniti, e Perplexity lancia Teammates, agenti che lavorano senza interruzione, come quelli che Mistral aggiunge a Studio. Sul fronte della creazione, OpenAI accelera la generazione di immagini con Images 2.6 e Google rende Gemini Omni 1.2 Flash generalmente disponibile, con video di 15 secondi e un prezzo ridotto del 30 %. Da parte sua, Ricursive Intelligence pubblica Ripple-65B Preview, un modello denso a pesi aperti orientato al codice agentico.

OpenAI lancia GPT-6 Cyber, un modello di cybersicurezza classificato Critical, inizialmente riservato a clienti Daybreak Red

5 novembre — OpenAI lancia GPT-6 Cyber, successore di GPT-5.6 Cyber, addestrato a trovare e convalidare vulnerabilità sfruttabili rimanendo entro il perimetro stabilito dai ricercatori. Il suo quadro di preparazione (Preparedness Framework) lo classifica Critical in cybersicurezza, rispetto a High per GPT-5.6 Cyber. Secondo OpenAI, supera GPT-6 Astra nella maggior parte delle attività cyber, anche quando Astra non rifiuta la richiesta.

Introducing GPT‑6 Cyber: a major advance in security research that pairs stronger capabilities with better model alignment. The model powered the Linux kernel research we announced yesterday, and security teams at companies like Mozilla, Palo Alto Networks, Calif, and Cisco—alongside our own at OpenAI—are already putting it to work. GPT-6 Cyber is available to select Daybreak Red customers and we are expanding access over time.

🇮🇹 Ecco GPT-6 Cyber: un importante passo avanti per la ricerca sulla sicurezza, che unisce capacità potenziate a un migliore allineamento del modello. Il modello ha alimentato le ricerche sul kernel Linux annunciate ieri, e i team di sicurezza di aziende come Mozilla, Palo Alto Networks, Calif e Cisco, insieme ai nostri team di OpenAI, lo utilizzano già. GPT-6 Cyber è disponibile per alcuni clienti Daybreak Red e amplieremo l’accesso nel tempo. — @OpenAI su X

I dati pubblicati da OpenAI riguardano prima lo sfruttamento delle vulnerabilità, poi la capacità del modello di attenersi alla propria missione: ExploitGym Honeypot colloca vicino al bersaglio servizi accessori volutamente facili da attaccare, che il modello deve ignorare.

Valutazione pubblicata da OpenAI	Punteggio di GPT-6 Cyber	Termine di confronto
ExploitGym (sfruttare una vulnerabilità data da remoto)	48,5 %	32,1 % per GPT-5.6 Cyber
Test di intrusione web senza accesso al codice sorgente	40,3 % delle vulnerabilità ritrovate	32,0 % per GPT-6 Astra
RemoteExploitBench (valutazione iniziale)	95 % di attività completate con successo	100 % di rifiuti per GPT-6 Astra (Daybreak Blue)
ExploitGym Honeypot, senza prompt di deployment	99,93 % di attacchi fuori perimetro evitati	94,49 % per GPT-5.6 Cyber
SRE-Bench, reverse engineering di binari (scheda di sistema)	92,84 %	87,98 % per GPT-6 Astra

Sul campo, OpenAI evidenzia 948 exploit di elevazione locale dei privilegi nel kernel Linux (descritti di seguito) e 81 vulnerabilità inedite di gravità elevata in Firefox, secondo la classificazione di Mozilla, che ha iniziato a pubblicare le correzioni. I team di sicurezza di Cisco, Calif e CodeRabbit lo utilizzano già per la ricerca di vulnerabilità e la revisione del codice.

Le misure di protezione vengono rafforzate: monitoraggio del disallineamento specifico dell’ambito cyber, Private Safety Processing generalmente obbligatorio per i clienti API con conservazione dei dati disattivata (registri cifrati conservati per 30 giorni nello storage del cliente), elenco di indirizzi IP autorizzati richiesto per impostazione predefinita per l’accesso API di Daybreak Red e nuovi controlli per impedire il supporto agli attacchi contro sistemi critici. Un gruppo Daybreak Red for Critical Infrastructure apre test autorizzati ai difensori approvati delle infrastrutture critiche, dopo valutazioni condotte con Dragos su una centrale elettrica simulata.

GPT-6 Cyber viene inizialmente proposto, nell’API e in Codex, a un gruppo ristretto di clienti Daybreak Red approvati, prima di un’estensione progressiva a tutti questi clienti; GPT-5.6 Cyber è disponibile per loro fin da ora. Nell’API, gpt-6-cyber costa 20 dollari per milione di token in ingresso (2 dollari in cache) e 100 dollari in uscita, con una finestra di contesto di 1 050 000 token. OpenAI promette altri annunci durante una diretta, «Cyber at the Frontier», il 12 novembre alle 10, ora del Pacifico.

🔗 GPT-6 Cyber: far avanzare la frontiera degli agenti di cybersicurezza allineati (OpenAI) · Scheda di sistema di GPT-6 Cyber

Una pipeline autonoma ha convalidato 948 vulnerabilità di elevazione dei privilegi Linux per 1,2 milioni di dollari

4 novembre — Alla vigilia del lancio, il team Cyber di OpenAI ha descritto un prototipo che esegue in sequenza, senza intervento, la scoperta di vulnerabilità, la loro riproduzione in una macchina virtuale isolata, la valutazione della loro sfruttabilità e la generazione di correzioni, prima di una revisione umana. Ha operato per dieci giorni a metà ottobre sul ramo principale del kernel Linux, nel suo stato più recente, con il modello che il tweet di lancio identifica come GPT-6 Cyber; le sue 948 vulnerabilità di elevazione locale dei privilegi sono conteggiate in base a ciascuna correzione distinta.

Fase dell’esecuzione	Risultato ottenuto	Costo in crediti API
Ricerca da parte degli agenti analisti (12 h)	2 308 vulnerabilità potenziali	316 549 dollari
Validazione dinamica (30 h)	1 724 vulnerabilità riprodotte	73 330 dollari
Sfruttamento	1 169 exploit funzionanti, 948 vulnerabilità distinte	775 929 dollari
Esecuzione completa, individuazione e triage inclusi	948 vulnerabilità distinte di elevazione dei privilegi	1 213 430 dollari, ossia 1 279 per vulnerabilità

A fine luglio, GPT-5.6 Sol aveva trovato e sfruttato solo 166 vulnerabilità di questo tipo, per 513 690 dollari, e il kernel è stato rafforzato durante i tre mesi che separano le due campagne. Su kernelCTF, il programma di Google con kernel rafforzato, la pipeline ha ottenuto 21 exploit in 112 ore per circa 32 936 dollari. Gli agenti hanno impiegato almeno 10 tecniche di sfruttamento sconosciute sia a OpenAI sia agli esperti consultati, i cui dettagli rimangono riservati. OpenAI stima, a titolo ipotetico, che queste vulnerabilità avrebbero fruttato da 18,9 a 66,3 milioni di dollari secondo le precedenti tabelle dei premi di Pwn2Own e TyphoonPWN. Al termine dei dieci giorni, 61 vulnerabilità erano già state corrette upstream, 43 avevano una correzione in preparazione e 299 erano oggetto di discussioni pubbliche.

🔗 Mille percorsi in meno verso root (OpenAI)

Anthropic lancia Personal Finance in Claude, in sola lettura tramite Plaid e in beta negli Stati Uniti

5 novembre — Anthropic lancia Personal Finance in Claude, in beta negli Stati Uniti sui piani Pro, Max e Ultra. L’utente collega i conti bancari e le carte di sua scelta, poi pone domande sulle proprie finanze nel linguaggio comune; Claude risponde sulla base dei suoi saldi e delle sue transazioni.

Introducing Personal Finance in Claude, in beta in the US. Connect the accounts you choose, and Claude answers your money questions in everyday language, from your own balances and transactions. Access is read-only, and Claude can’t move, manage, or invest your money.

🇮🇹 Ecco Personal Finance in Claude, in beta negli Stati Uniti. Collega i conti che preferisci e Claude risponde alle tue domande sulle finanze nel linguaggio comune, sulla base dei tuoi saldi e delle tue transazioni. L’accesso è in sola lettura e Claude non può spostare, gestire o investire il tuo denaro. — @claudeai su X

La connessione passa tramite Plaid: l’utente accede personalmente alla propria banca e vi autorizza l’accesso di Claude, che non vede mai la password bancaria. Per i conti selezionati, Claude legge il nome della banca, il nome, il tipo e le ultime quattro cifre di ciascun conto, i saldi, i limiti di credito e fino a due anni di transazioni; per investimenti, prestiti e carte legge solo i saldi e i limiti, senza accedere alle posizioni o ai tassi. La funzione non è progettata per fornire consigli di investimento e non mostra pubblicità né raccomandazioni sponsorizzate; Anthropic precisa di non proporre carte di credito, prestiti o conti di risparmio.

Una pagina dedicata riunisce spese, flussi di cassa, abbonamenti e fatture in scadenza. Nell’esempio dell’articolo, Claude calcola un totale di 4 309,37 dollari di spese nel mese, di cui oltre la metà per affitto e spese accessorie, elenca quattro addebiti in arrivo prima dello stipendio e calcola quanto rimarrà: 1 393,22 dollari. Segnala anche addebiti duplicati, costi inattesi o una fattura in aumento, e può costruire un grafico, un calendario delle scadenze o una dashboard.

Parametro dell’offerta	Valore annunciato
Piani interessati	Pro, Max e Ultra (esclusi Free, Team ed Enterprise)
Paesi e banche	Stati Uniti, fino a 16 banche statunitensi
Stato del lancio	Beta, rilascio progressivo da questa settimana
Piattaforme	Web, Claude Desktop, iOS e Android
Dati letti	Fino a 24 mesi di transazioni, in sola lettura
Addestramento dei modelli	Conversazioni dello spazio Personal Finance escluse

Al di fuori di questo spazio si applicano le consuete impostazioni di privacy; secondo il centro assistenza, una conversazione che ha utilizzato i conti non alimenta né la memoria né la ricerca nella cronologia. I conti collegati non vengono utilizzati in Cowork, in Claude Code o nelle attività pianificate, e la funzione è assente da Claude Duet. Anthropic presenta Personal Finance come un primo passo e afferma di esplorare, senza indicare una data, una collaborazione con professionisti abilitati e istituti regolamentati. Claude si affianca a ChatGPT, Perplexity e Grok, che utilizzano anch’essi Plaid.

🔗 Presentazione di Personal Finance in Claude · Usare Personal Finance in Claude (centro assistenza)

Agenti che lavorano senza interruzione: Perplexity Teammates e gli agenti gestiti di Mistral Studio

5 novembre — Perplexity lancia Teammates, agenti personali per attività di lunga durata, annunciati da Aravind Srinivas e poi dall’account ufficiale di Perplexity. Ogni collaboratore (teammate) parte da ciò che esiste già in Computer: progetti, skills, memoria, plugin e automazioni. Gli si assegnano un nome, un ruolo, un’istruzione permanente e regole che indicano quando ricontattare l’utente; pianifica il lavoro, coordina sessioni Computer e altri collaboratori, verifica i risultati lungo il percorso e consegna il lavoro completato per l’approvazione. Conserva gli obiettivi, la cronologia delle attività e i file da un’esecuzione all’altra, in un unico thread permanente.

Today, we’re launching Perplexity Teammates. They are personal agents for work. And change the paradigm from writing prompts in a session to giving high-level goals. Rolling out to Max users on the web today. Native apps (mobile, desktop) coming soon.

🇮🇹 Oggi lanciamo Perplexity Teammates. Sono agenti personali per il lavoro. E cambiano il paradigma: dalla scrittura di prompt in una sessione alla definizione di obiettivi di alto livello. Disponibili da oggi per gli utenti Max sul web. Le applicazioni native (mobile, computer) arriveranno presto. — @AravSrinivas su X

La differenza rispetto a Computer sta nella proattività. Un collaboratore monitora il lavoro in corso e agisce quando qualcosa cambia, senza una nuova richiesta: un collaboratore commerciale individua un cliente abituale che non effettua più acquisti, esamina i suoi ordini e i suoi ticket, poi prepara un’offerta o segnala un problema. Secondo la FAQ, i collaboratori operano in background 24 ore su 24 e avvisano quando occorre prendere una decisione. Aggiunto a un canale Slack, un collaboratore riceve incarichi dai colleghi, e i collaboratori si passano il testimone: uno trova bug su un sito, un altro prepara le correzioni.

Aspetto del prodotto	Dettaglio pubblicato da Perplexity
Piano richiesto	Solo Perplexity Max
Piattaforme	Web dal 5 novembre, applicazioni native annunciate senza data
Costo di utilizzo	Gratuito durante un periodo promozionale, poi crediti mensili inclusi in Max
Isolamento	Desktop, browser, sessioni e cookie propri di ciascun collaboratore
Autorizzazioni	Quelle degli strumenti e dei progetti di Computer, credenziali cifrate

L’utente può rileggere il lavoro, prendere il controllo del desktop o riorientare un collaboratore durante l’attività. La fine del periodo promozionale non ha una data, e Perplexity promette di ampliare l’accesso e le funzioni nelle prossime settimane. Teammates estende Computer in Slack, lanciato il 1º aprile, e le automazioni del 29 settembre.

🔗 Teammates sono agenti per attività complesse e continuative (Perplexity) · Pagina prodotto Perplexity Teammates

Mistral amplia Studio con agenti gestiti e applicazioni e porta Workflows alla disponibilità generale

5 novembre — Sul fronte aziendale, Mistral amplia Studio, la sua piattaforma di IA: gli agenti gestiti (Managed Agents) e le applicazioni (Apps) arrivano in anteprima pubblica, mentre Workflows, in anteprima pubblica da fine aprile, passa alla disponibilità generale. I tre componenti sono disponibili dal 5 novembre su Mistral Cloud e arriveranno nelle installazioni in cloud privato e on-premise a fine novembre. Gli agenti gestiti si scrivono in Python con l’SDK mistralai-agents: definito una volta, lo stesso agente viene eseguito sui propri server (agents serve) o presso Mistral (agents deploy), lavora in background per ore o giorni, riprende dall’ultima fase completata dopo un crash e può attendere l’approvazione di una persona. Studio fornisce alle applicazioni hosting, autenticazione e controllo degli accessi. Le note di rilascio elencano dodici novità, tra cui un generatore di workflow in linguaggio naturale con Mistral Vibe, valutazioni offline e sul traffico reale, un indice di ricerca gestito e webhook. Mistral cita in particolare ABANCA, BNP Paribas, Capgemini e CMA CGM tra i clienti e partner che usano già Studio in produzione. Non è pubblicato alcun prezzo e l’API degli agenti gestiti può ancora cambiare durante l’anteprima.

🔗 Le Chonk ci mette l’intelligenza. Studio la mette al lavoro (Mistral AI)

OpenAI lancia Images 2.6: GIF animate, immagini di riferimento e due modelli API più veloci del 50 %

4 novembre — Due mesi dopo Images 2.5, OpenAI lancia Images 2.6 in ChatGPT, Codex e nell’API, con un annuncio pubblicato la sera del 4 novembre. Il modello genera immagini il 50 % più velocemente e conserva meglio i dettagli da una modifica all’altra, per esempio l’abbigliamento di un personaggio quando si cambia lo sfondo. È disponibile in tutto il mondo in ChatGPT e Codex, per tutti gli abbonamenti, su web, desktop e mobile.

In ChatGPT arrivano due funzioni. La creazione di GIF, in fase di distribuzione, trasforma un prompt, un’immagine o uno schizzo in un’animazione in loop, con velocità di riproduzione regolabile e la possibilità di ritoccare ogni fotogramma. Le immagini di riferimento salvate permettono di riutilizzare una foto in nuove conversazioni: si salva la foto del proprio cane con il nome Pepper, poi si chiede un ritratto ad acquerello di @Pepper senza inviarla di nuovo.

Modello API	Punto di forza dichiarato	Immagine in uscita, per milione di token
`gpt-image-2.6-flare`	Un’immagine in sei secondi a bassa qualità, impaginazione curata di poster e contenuti visivi	30 dollari
`gpt-image-2.6-sunburst`	Qualità e coerenza migliori tra una modifica e l’altra, a qualità media o alta	30 dollari

Nell’API, entrambi i modelli servono sia per la generazione sia per la modifica. L’API acquisisce anche un parametro di complessità, che regola il grado di pianificazione del modello (un valore basso è adatto alle modifiche rapide), l’esportazione SVG, la generazione di GIF animate e la modifica guidata da annotazioni, disponibile anche per i modelli GPT Image 2.5 compatibili. I prezzi sono quelli di GPT-Image-2.5 Flare: 5 dollari per milione di token di testo in ingresso e 8 dollari per milione di token di immagini in ingresso. OpenAI quantifica l’utilizzo in 4 miliardi di immagini alla settimana con ChatGPT, Codex e l’API, ossia oltre mezzo miliardo al giorno. OpenArt, Figma Weave, Picsart, fal, Sable e Higgsfield hanno avuto accesso anticipato e HeyGen lo ha integrato già il giorno successivo (vedere le Brevi).

🔗 Presentazione di Images 2.6 (OpenAI) · Note di rilascio di ChatGPT

Google porta Gemini Omni 1.2 Flash alla disponibilità generale: video di 15 secondi e prezzi ridotti del 30 %

5 novembre — Google lancia Gemini Omni 1.2 Flash, nuova versione del suo modello di generazione e modifica video, in disponibilità generale nell’API Gemini (gemini-omni-1.2-flash, solo nel livello a pagamento) e in Gemini for business. Secondo Google, è la prima volta che Gemini Omni è in disponibilità generale con l’infrastruttura di Google Cloud, Provisioned Throughput compreso; ogni output reca una filigrana SynthID.

Il modello produce e modifica nativamente clip di 15 secondi, contro i 10 di Omni 1.1, con una durata regolabile al secondo tra 3 e 15 secondi. Rispetta meglio i riferimenti (immagini di personaggi, prodotti o stili, brevi clip di movimento, indicazioni audio, fino a 6 immagini di riferimento nell’API) e produce meno stacchi bruschi (jump cuts). La modifica conversazionale su più turni funziona su clip complete di 15 secondi, con dialoghi più naturali e una sincronizzazione labiale più precisa. Nell’API, l’estensione di una clip aggiunge da 3 a 10 secondi per turno, fino a 30 secondi complessivi, e i limiti di throughput del livello a pagamento raddoppiano.

Parametro confrontato	Omni 1.1 Flash	Omni 1.2 Flash
Durata nativa massima	10 secondi	15 secondi
Output video, per milione di token	17,50 dollari	12 dollari
Prezzo effettivo in 720p	circa 0,10 dollari al secondo	circa 0,07 dollari al secondo

Google annuncia quindi una riduzione del 30 %: una clip di 15 secondi in 720p costa circa 1,04 dollari, mentre un secondo costa 0,023 dollari in 360p e 0,209 dollari in 4K sovracampionato. Il 3 dicembre, tutte le richieste indirizzate a gemini-omni-1.1-flash saranno instradate verso la 1.2 e fatturate alla sua tariffa. Per il grande pubblico, il modello arriva in Flow, in Google Vids, dove le clip di 15 secondi non comportano costi aggiuntivi con un account Google o un abbonamento Workspace, in Google Ads e nell’app Gemini per tutti gli abbonati Google AI, con i video di 15 secondi riservati a Google AI Ultra. Runway lo ha aggiunto lo stesso giorno (vedere le Brevi). Google riconosce che restano miglioramenti da apportare nelle azioni sportive rapide, nei cambiamenti rapidi di copione e nella fisica complessa e non pubblica alcun benchmark.

🔗 Presentazione di Gemini Omni 1.2 Flash (Google) · Prezzi di Gemini Omni 1.2 Flash

Luma collega i suoi workflow creativi a Claude e ChatGPT tramite un connettore MCP

3 novembre — Luma lancia un connettore MCP che porta i suoi strumenti creativi in Claude e ChatGPT; il post, datato 3 novembre e aggiornato il 4, è stato rilanciato da Luma il 5. Il connettore dà accesso a Luma Agent, presentato come capace di orchestrare un intero progetto a partire da un solo prompt, e ai workflow predefiniti di Luma: Product Shots, Camera Angles, Background swap, Relight Studio e brevi clip promozionali. Le immagini e i video finiti tornano nella conversazione. Lo scenario messo in evidenza riguarda il marketing: chiedere all’assistente quale pubblicità abbia funzionato meglio la settimana precedente, poi far creare a Luma delle varianti della vincitrice, con nuove scene, nuove angolazioni e una nuova illuminazione. L’account Luma si collega una sola volta e ogni generazione consuma crediti dell’abbonamento Luma, senza una tariffa specifica per il connettore. Luma aveva già collegato un connettore MCP a Claude Motion l’8 ottobre; la novità riguarda ChatGPT, i workflow predefiniti e Luma Agent, ora disponibili in entrambi gli assistenti. Luma si unisce a Runway, Synthesia, Suno e HeyGen, che nelle ultime settimane hanno tutti collegato i propri strumenti agli assistenti.

🔗 Collega Luma a ChatGPT e Claude (Luma)

Ricursive Intelligence pubblica Ripple-65B Preview, un modello denso a pesi aperti orientato al codice agentico

4 novembre — Ricursive Intelligence, un laboratorio finora assente da questa rassegna, pubblica Ripple-65B Preview: un modello linguistico denso da 65 miliardi di parametri, preaddestrato da zero su 12 000 miliardi di token, con licenza Apache 2.0 e un contesto fino a 1 048 576 token. La pubblicazione comprende il modello addestrato a seguire istruzioni in BF16 e NVFP4, un modello di base derivato dal solo preaddestramento e un piccolo modello draft DFlash2 per la decodifica speculativa. Ricursive si presenta come un laboratorio che ottimizza congiuntamente hardware, software e modello, e Ripple-65B Preview è la variante generalista del modello proprietario della sua piattaforma di progettazione di chip tramite IA.

Il dato messo in evidenza riguarda il codice agentico: 80,5 % su Terminal-Bench 2.1, 79,1 % su SWE-Bench Pro v2.0-Hard e 44,3 % su DeepSWE v1.1. Ricursive rivendica il primo posto tra i modelli statunitensi a pesi aperti in questo ambito, davanti a modelli molto più grandi, basati su miscele di esperti (Mixture-of-Experts, MoE); la rivendicazione riguarda i modelli aperti statunitensi, non l’insieme dei modelli aperti.

Caratteristica (scheda di Ricursive)	Ripple-65B Preview	Reflection Beam	Muse Spark Open	Inkling	Nemotron 3 Ultra
Architettura del modello	Densa	MoE	MoE	MoE	MoE
Parametri totali	65B	501B	816B	975B	550B
Parametri attivi	65B	23B	42B	41B	55B
Terminal-Bench 2.1	80,5	80,1	76,4	63,8	56,4
GPQA Diamond	85,2	90,6	89,0	87,2	87,0

Ricursive parla di un confronto condotto al meglio delle possibilità (best-effort): punteggi ufficiali dei concorrenti quando disponibili, valutazioni interne negli altri casi, harness diversi a seconda dei test e punteggi di Terminal-Bench 2.1 tutti più bassi con l’harness ufficiale Terminus 2, tranne per Muse Spark Open. Nelle conoscenze generali (GPQA Diamond), Ripple rimane dietro ai concorrenti.

La ricetta è quella di un piccolo team, passato da una a cinque persone. Ricursive è partita dalla ricetta di addestramento di Olmo 3, il modello aperto di Ai2, e l’ha rielaborata sotto ogni aspetto (leggi di scala, architettura, dati, post-addestramento): afferma di aver moltiplicato per 16 l’efficienza di calcolo sul codice rispetto alla serie di modelli Olmo 3 e fino a 55 volte per l’addestramento completo. Il modello è denso anziché basato su una miscela di esperti, per semplificare l’infrastruttura, con un’architettura stretta e profonda ispirata a Gemma 3N (80 strati) e un addestramento in BF16 senza kernel di calcolo sviluppati internamente. Il post-addestramento, relativamente leggero, ha raggiunto 80,5 su Terminal-Bench 2.1 con 1,4 milioni di traiettorie di apprendimento per rinforzo (rollouts), circa 70 volte meno di Reflection Beam secondo Ricursive.

Il modello genera 250 token al secondo su due B200 (batch da 8) senza quantizzazione e può essere eseguito su una DGX Spark con il checkpoint NVFP4. Together AI lo offre dal 5 novembre a 0,20 dollari per milione di token in ingresso e 0,60 dollari in uscita, con una finestra di 128K token sulla sua piattaforma, e Atomic Chat ne ha pubblicato un primo GGUF effettuando il porting in llama.cpp.

🔗 L’annuncio di Ricursive su X · Ripple-65B Preview su Hugging Face · Ripple-65B Preview su Together AI

Agenti di codice: Devin Review 2.0, applicazioni online in Cursor, microVM di Replit e Qwen Code v0.26.8

Cognition lancia Devin Review 2.0, una review delle PR più economica e incrementale per impostazione predefinita

5 novembre — Cognition lancia Devin Review 2.0 e ne fa lo strumento di review delle pull request predefinito quando si lavora con Devin. Il titolo del post evidenzia una review cinque volte più economica rispetto ad agosto e quantifica nell’82 % la riduzione del costo per PR nel periodo, grazie a una migliore combinazione di modelli e all’ottimizzazione dell’harness; il thread di annuncio di @cognition parla invece di una review fino a cinque volte più economica. Una review tipica costa tra 0,25 e 0,75 dollari e un bug corretto costa in media circa 2,25 dollari ai clienti. Secondo Cognition, il numero medio di bug trovati per PR passa da 1,22 a 1,32 e la latenza mediana da 139 a 94 secondi. La review diventa incrementale per impostazione predefinita: un nuovo passaggio rilegge solo ciò che è cambiato, circa l’80 % delle PR costa meno di un dollaro, inclusi tutti i push, e un tetto di spesa per PR evita aumenti incontrollati. Si aggiungono Devin Review Ultra, un livello di impegno più approfondito e più costoso per il codice sensibile (fatturazione, sicurezza), e revisori personalizzati (Custom Reviewers) in beta; non viene pubblicato alcun nuovo prezzo.

🔗 Devin Review 2.0 (Cognition)

Cursor costruisce, ospita e condivide applicazioni online

5 novembre — Cursor permette di costruire applicazioni online e condividerle tramite un link. Il punto di partenza, secondo Cursor: gli agenti hanno ridotto il costo del codice, ma la maggior parte degli strumenti creati non lascia mai la macchina locale (localhost). Si avvia un agente cloud chiedendogli esplicitamente un’applicazione: Cursor ne prepara la struttura, crea un database Postgres se necessario, protegge l’accesso con l’autenticazione Cursor e la ospita in un account dedicato, isolato da quelli degli altri team. Prima di qualsiasi pubblicazione sul dominio scelto, devono essere superati quattro controlli deterministici (segreti scritti nei file, file di credenziali, file .env, source map) e una review di sicurezza tramite IA, poi l’utente pubblica esplicitamente. Gli amministratori vedono tutte le applicazioni e tutti i segreti, aggiungono le proprie regole di review e possono ritirare dalla pubblicazione qualsiasi applicazione. La condivisione può essere destinata a persone, gruppi, al team o al pubblico, con quest’ultima opzione disattivata per impostazione predefinita per Teams ed Enterprise. La funzione è disponibile su tutti i piani a pagamento dotati di agenti cloud, da Cursor Origin o GitHub, mentre GitLab è annunciato a breve; non viene indicato alcun prezzo per l’hosting.

🔗 Crea applicazioni online in Cursor · Documentazione di Cursor sulle applicazioni

Replit riscrive il suo motore di sandbox attorno alle microVM, ciascuna con il proprio kernel Linux

4 novembre — Replit pubblica la prima parte di una serie sul suo nuovo motore di sandbox, messa online la sera del 4 novembre e ripresa il giorno seguente. Ogni sandbox è ora una microVM, una macchina virtuale leggera dotata del proprio kernel Linux, al posto di container che condividono il kernel dell’host; Replit afferma di aver migrato centinaia di milioni di progetti senza perdita di dati. Il monitor Cloud Hypervisor condivide componenti con Firecracker e il kernel guest, compilato a partire da tinyconfig, fa a meno di Bluetooth, USB e dei driver video.

Audit delle CVE del kernel Linux (dal 1° giugno al 4 novembre 2026)	Valore secondo Replit
CVE pubblicate e sottoposte ad audit	6 211
CVE evitate dal nuovo motore	5 969 (96,1 %)
Correzioni integrate prima della divulgazione	4 375 (70,4 %)
CVE escluse dalla configurazione del kernel	676 (10,9 %)

Per CVE-2026-98432, la vulnerabilità TCP di cui Anthropic ha dimostrato lo sfruttamento, il kernel corretto era già operativo il 12 ottobre. Le regole per il traffico di rete in uscita vengono applicate all’esterno della macchina guest, da un proxy sul lato host, e i broker di credenziali chiamano GitHub o Google Docs senza mai consegnare alla sandbox la chiave dell’account. Una sandbox è disponibile in circa 500 millisecondi; una seconda parte tratterà l’orchestrazione di decine di migliaia di microVM con Kubernetes.

🔗 Dentro il nuovo motore di sandbox di Replit, parte 1

Qwen Code v0.26.8 si collega agli abbonamenti Plus e Pro di Qwen

5 novembre — Qwen Code v0.26.8 ripristina l’accesso tramite account Qwen, ora legato a un abbonamento. Nel CLI, nell’estensione VS Code e nell’applicazione Desktop, l’opzione « Qwen Account with Subscription » permette di utilizzare un abbonamento Plus o Pro sottoscritto su chat.qwen.ai, senza chiave API: il client carica il catalogo dei modelli dell’account, usa l’abbonamento per la conversazione e la ricerca web integrata e guida l’utente in caso di errori di autenticazione, quota o limite di frequenza. Secondo la richiesta di merge che la introduce, questa modalità risponde alla cessazione del precedente servizio OAuth gratuito; né le note di rilascio né la documentazione indicano la data di tale cessazione o il prezzo dei piani, e la CI e i container continuano a usare una chiave API. Questa versione stabile, senza modifiche incompatibili, conta 83 voci, tra cui 14 funzionalità, 37 correzioni e 13 ottimizzazioni delle prestazioni: i Mods possono inviare i propri prompt e gli hook forniti da un progetto richiedono l’approvazione tramite una finestra di dialogo. L’applicazione Desktop v0.26.8 e l’SDK TypeScript v0.1.28 seguono lo stesso giorno.

🔗 Qwen Code v0.26.8

Inferenza più rapida: la CPU Vera di NVIDIA, sgl-muse-mega di Meta e Runway Characters in tempo reale

NVIDIA quantifica il vantaggio della sua CPU Vera sugli x86 per gli agenti

5 novembre — NVIDIA pubblica nuovi dati su Vera, il suo processore pensato per gli agenti. Ogni fase di un agente (cercare, interrogare un database, scrivere e testare codice, agire) viene eseguita su una CPU e, poiché le fabbriche di IA sono limitate dall’energia disponibile, NVIDIA misura il lavoro svolto per watt. Nel suo confronto, su scala di un data center da 100 megawatt, una sola CPU Vera farebbe girare 1,6 volte più agenti per watt rispetto all’x86 più veloce e renderebbe gli agenti due volte più rapidi rispetto all’x86 più efficiente; nessuno dei due viene nominato. NVIDIA cita anche i risultati di sei partner:

Partner citato da NVIDIA	Risultato annunciato con Vera
Perplexity	Programmazione agentica 1,5 volte più rapida rispetto alle CPU tradizionali, deployment previsto
DeepInfra	Fino a 2,2 volte la velocità del migliore x86 nell’orchestrazione agentica
ClickHouse	Scalabilità quasi lineare su 176 core, in testa alla classifica ClickBench
DuckLabs	Circa 1,5 volte le prestazioni mediane di un Intel Xeon 6 su TPC-H SF1000
Daytona	1 000 sandbox online in 10,8 s, contro 88,4 s su x86
Modal	Fino a 2 volte il throughput di sandbox per core rispetto a un x86 comparabile

Il post non indica prezzi né tempistiche; Vera era stato presentato al CES a gennaio, poi consegnato ad AWS a fine agosto.

🔗 Vera offre il meglio di entrambi i mondi (NVIDIA)

Meta pubblica senza annunci sgl-muse-mega, che decodifica Muse Spark Open fino a 2,1 volte più velocemente su GB300

5 novembre — Meta ha pubblicato sul GitHub di facebookresearch, con licenza MIT e senza annunci, sgl-muse-mega: un plugin per il motore di inferenza SGLang che serve Muse Spark Open, il suo modello a pesi aperti da 816 miliardi di parametri (42 miliardi attivi), su GPU GB300. Invece di lanciare centinaia di piccoli kernel di calcolo (kernels) per passo di decodifica, esegue ogni strato del decoder in un solo lancio e riunisce la bozza DFlash2, la verifica e l’accettazione della decodifica speculativa in un unico grafo CUDA. Secondo il README, una singola richiesta raggiunge fino a 1 109 token al secondo su GSM8K con otto GB300, contro i 517 di SGLang con la stessa bozza, ossia 2,1 volte di più; un passo di decodifica passa da 12,9 ms e 1 450 kernel a 5,9 ms e 97 kernel. Il vantaggio vale solo per la decodifica di una richiesta alla volta (le altre richieste vengono gestite da SGLang), lo strumento è contrassegnato come sperimentale e richiede otto GB300 nello stesso dominio NVLink, oppure quattro su un nodo.

🔗 sgl-muse-mega (facebookresearch)

Runway esegue in tempo reale il modello video da 57B di Runway Characters su quattro H100

5 novembre — Runway Research pubblica un post e un articolo arXiv su come Runway Characters, i suoi personaggi video creati da una sola immagine con cui si conversa in diretta, riesca a funzionare in tempo reale. Un transformer di diffusione video autoregressivo da circa 57B di parametri deve produrre, a 24 fotogrammi al secondo, un blocco di quattro fotogrammi in 704x1088 ogni 166,7 ms, per un solo utente: è impossibile raggruppare le richieste di più utenti, ogni millisecondo deve essere risparmiato sul passo stesso. Primo margine di miglioramento, la cache: il 29 % del tempo GPU serviva a rielaborare, in ciascuna delle 240 chiamate di attention, una cache quasi invariata. Applicando RoPE e la quantizzazione FP8 una sola volta, in scrittura, in una cache circolare, Runway riduce il tempo per la sua gestione da 69,7 a 6,2 ms per passo.

Configurazione misurata da Runway	Durata di un passo di diffusione
Software al lancio, su quattro H100	240,9 ms
Dopo l’ottimizzazione, su quattro H100	159,3 ms (24,5 images/s)
Con un kernel che fonde riduzione e calcolo FP8	147,4 ms
Su tre B200	154,3 ms

Una sessione ora richiede quattro H100, contro gli otto del lancio. In sette settimane di produzione, la media ha superato i 23,5 fotogrammi al secondo nel 99,5 % delle sessioni e la durata mediana di un turno di conversazione è di 2,13 s, di cui 1,42 s per l’agente vocale.

🔗 Video in tempo reale con batch size uno (Runway) · Articolo arXiv 2611.05642

Robotica aperta: LeRobot v0.7.0 di Hugging Face e ToyBlocks di Ai2

Hugging Face pubblica LeRobot v0.7.0, che permette di dialogare con un robot in funzione

5 novembre — Hugging Face pubblica LeRobot v0.7.0, nuova versione della sua libreria di robotica aperta, mentre il Hub ospita quasi 300 To di dati di IA fisica nel formato LeRobot. Con le sessioni interattive si parla al robot in funzione: /subtask modifica l’istruzione senza fermarlo, /vqa chiede alla policy che cosa vede e /autosteer le assegna un obiettivo. Questi ultimi due comandi richiedono una policy che generi testo, come FineART-VLA, addestrata sul dataset FineART di Scale AI e Hugging Face (1 718 ore di manipolazioni con due bracci, oltre 533 000 sottoattività annotate), oppure un pianificatore VLM esterno. Per l’addestramento, i dataset si leggono in streaming dal Hub o da LanceDB, senza download, e lo stack passa a FSDP2 e HSDP: su un modello FastWAM da 6B, il picco di memoria alla ripresa scende da 143 a 42 Go per GPU. La versione aggiunge quattro modelli di azione del mondo (Cosmos 3 e Long-WAM di NVIDIA, FLUX 3 Action di Black Forest Labs, LaWAM di RLinf) e quattro policy visione-linguaggio-azione, tra cui LingBot-VLA 2.0 e Wall-OSS-0.5. Introduce diverse incompatibilità con gli utilizzi precedenti: PyTorch compilato per CUDA 13, inferenza asincrona sostituita da un server di policy, Trackio al posto di Weights & Biases.

🔗 LeRobot v0.7.0 (blog Hugging Face)

Ai2 pubblica senza annunci ToyBlocks, un framework di simulazione che genera dimostrazioni per robot

5 novembre — Ai2 ha pubblicato tra la sera del 4 e il 5 novembre, senza annunci, i componenti di ToyBlocks: un framework di simulazione aperto, costruito su IsaacSim e IsaacLab, in cui un braccio robotico spinge, ribalta e impila blocchi su un tavolo. Il suo vantaggio consiste nel sostituire la teleoperazione con la generazione automatica di compiti e dimostrazioni: il dataset pubblicato raccoglie 83 496 dimostrazioni riuscite di impilamento di tre blocchi, pari a 143,7 milioni di immagini e quasi 1 600 ore, su tre livelli di difficoltà, con dataset di validazione di 1 000 episodi per livello. Lo accompagnano due modelli: Molmo2-4B-tb, un Molmo2-4B sottoposto a fine-tuning che legge l’immagine della telecamera e l’obiettivo, enuncia un breve piano e indica l’azione successiva (prendere, posare, ribaltare, ruotare) e il relativo bersaglio, a circa 6 Hz, e una policy ManiFlow che esegue questi gesti. Il post sul blog citato dai repository restituiva un errore 404 al momento della scansione e il rapporto tecnico è annunciato in arrivo a breve.

🔗 ToyBlocks (allenai)

Anthropic misura come gli scienziati usano Claude, su 207 049 sessioni di ricerca

5 novembre — Il team Economics di Anthropic pubblica un rapporto sull’uso scientifico di Claude, basato su 207 049 sessioni di ricerca dei piani rivolti al grande pubblico tra il 2 agosto e il 30 settembre 2026, analizzate da classificatori che conservano solo etichette di settore e di attività. Le scienze formali usano Claude molto più di quanto suggerisca il loro peso nella ricerca mondiale: l’informatica rappresenta il 32,7 % delle sessioni di Claude Code a fronte del 4,3 % dei ricercatori nel mondo.

Misura osservata	Su Claude (Chat e Cowork)	Su Claude Code
Sessioni analizzate	128 914	78 135
Quota dell’analisi dei dati	33,7 %	48,1 %
Quota dell’ideazione e delle ipotesi	4,2 %	2,1 %

Gli scienziati usano Claude soprattutto per analizzare dati e scrivere, molto meno per formulare ipotesi, mentre i 528 ricercatori intervistati collocano l’ideazione e la raccolta dei dati ai primi posti tra le attività che contano; su Claude Science l’ideazione pesa circa il doppio rispetto a Claude. Il rapporto delinea scenari presentati come illustrativi, non come previsioni: con un’ampia adozione delle capacità attuali, la produzione di ricerca si moltiplicherebbe per un fattore da 1,35 (arti) a 2,02 (statistica); se l’IA si facesse carico di tutto il lavoro non fisico, per un fattore da 15 a 16 nei settori senza attività di laboratorio, contro un fattore da 3 a 4 in biologia o chimica. Circa il 40 % dei ricercatori intervistati si aspetta progetti di ricerca condotti dalla sola IA entro il 2030.

🔗 L’IA per la scoperta scientifica: come i ricercatori usano Claude (Anthropic)

OpenAI pubblica un patto con le comunità che ospitano i suoi campus di calcolo

5 novembre — OpenAI pubblica un patto nazionale con le comunità (National Community Compact) e un piano di politiche pubbliche per i campus di calcolo (Compute Campus Policy Blueprint). Ogni futuro campus di proprietà e sotto la gestione di OpenAI avrà il proprio patto locale, con una consultazione abbastanza precoce da poter influire sul progetto, un referente locale e un rapporto pubblico annuale. OpenAI si impegna a pagare per intero l’elettricità e le infrastrutture necessarie, con garanzie finanziarie per proteggere gli altri clienti se un progetto viene ritardato, ridimensionato o annullato, a pubblicare i consumi di acqua ed elettricità di ogni sito, a privilegiare sistemi di raffreddamento a circuito chiuso o a basso consumo d’acqua e a non imporre accordi di riservatezza ai rappresentanti eletti e ai funzionari pubblici, salvo tutele circoscritte. Nella contea di Effingham, in Georgia, gli abitanti hanno indirizzato una sovvenzione di 4,8 milioni di dollari verso pasti scolastici gratuiti per i 14 000 alunni della contea; nella contea di Pike, in Ohio, OpenAI e SB Energy si impegnano a destinare 6 milioni di dollari ai servizi di assistenza all’infanzia. Il piano chiede inoltre ai decisori regole comuni: far pagare ai grandi consumatori i costi aggiuntivi che generano per la rete, facilitare l’allacciamento dei campus capaci di ridurre la propria domanda, come prevede Grid Protectors lanciato il 2 novembre, e accelerare la realizzazione delle linee di trasmissione dell’elettricità.

🔗 Definire un nuovo standard per infrastrutture di IA responsabili (OpenAI)

Brevi

Agenti e strumenti per il codice

Amp e GitLab — Amp si integra con GitLab, sia su gitlab.com sia sulle istanze autogestite: i suoi ambienti cloud, gli orbs, clonano ed eseguono il push per conto dell’utente, aprono e seguono richieste di merge, e Orb Spawner avvia un orb per ogni nuova richiesta o ticket; nessun prezzo indicato. 🔗 fonte
Revisione delle PR degli agenti in Warp — Ben Holmes propone tre misure contro l’intasamento delle revisioni: un agente di revisione interno che opera in più turni, una verifica end-to-end da parte dell’agente e un punteggio di rischio del merge basato su cinque criteri, pubblicato come skill /merge-risk. 🔗 fonte
Copilot CLI 1.0.106-10 — Una nuova versione di anteprima esce su npm senza note di rilascio; il SDK Copilot 1.0.29-preview.9, che la include, lascia intravedere una compattazione sperimentale della cronologia e l’accesso tramite codice dispositivo. L’ultima versione stabile resta la 1.0.105 del 28 ottobre. 🔗 fonte
Copilot Fusion — GitHub fissa al 30 novembre la fine dello sconto del 30 % su questo router di modelli, che l’annuncio del 28 ottobre riservava ai piani Copilot a pagamento per un periodo limitato; il tweet lo presenta nell’applicazione GitHub Copilot, in Copilot CLI e in VS Code. 🔗 fonte
Kimi Code 2.5.1 — Otto correzioni, tra cui l’eliminazione degli errori HTTP 400 ripetuti causati da messaggi di sistema vuoti per gli schemi degli strumenti dinamici e il ripristino delle anteprime di immagini e video nei risultati degli strumenti. 🔗 fonte
Kimi Work 3.2.25 — Una ricerca globale copre progetti, plugin, skill e conversazioni, i plugin non autorizzati vengono individuati durante l’attività con una finestra che ne guida l’autorizzazione, e una nuova azione interrompe l’attività prima di archiviarla. 🔗 fonte
CLI mistral 0.17.2 — Due correzioni nel giorno dell’ampliamento di Studio: il link di avviso di mistral apps deploy apre la scheda Secrets dell’applicazione, e i comandi mistral agents non falliscono più a causa del lock uv.lock quando la shell esporta UV_DEFAULT_INDEX o UV_INDEX_URL. 🔗 fonte
Codex su iOS — Il 2 novembre, ChatGPT per iOS 1.2026.300 consente di aggiungere e rimuovere allegati senza uscire dal campo di composizione a schermo intero di Codex, sincronizza lo stato di lettura delle attività tra i dispositivi e indirizza per impostazione predefinita i messaggi successivi all’attività in corso. 🔗 fonte
Estensioni Antigravity — Il 2 novembre, l’estensione VS Code 1.11.0 rende cliccabili i badge di contesto del terminale inviati alla conversazione, e l’estensione Visual Studio 1.0.261102.0 attiva per impostazione predefinita i diff inline, accettabili o rifiutabili per blocco o per file. 🔗 fonte
Pagina Overview delle pull requests — GitHub rende disponibile in anteprima pubblica, su adesione, una pagina che porta in alto lo stato del merge e le azioni successive, con un’area di merge riprogettata e filtri sulla conversazione; è possibile tornare alla vista classica. 🔗 fonte
Discord in Rust — Al di fuori dell’IA, Discord mostra una nuova versione del suo client ricostruita in Rust, che Zed presenta come basata su GPUI, il suo framework di interfaccia open source. 🔗 fonte

Aziende e partnership

DevRev e Codex — In un caso di studio pubblicato da OpenAI, DevRev affida il ragionamento dei suoi agenti Computer e Operator ai modelli di OpenAI, tra cui GPT-6.1 Sol, e afferma di aver trasferito tutte le proprie attività di ingegneria su Codex abbandonando le licenze Cursor; nessun dato sui risultati. 🔗 fonte
Replit e SMFL — Replit stringe una partnership con Sumitomo Mitsui Finance and Leasing per collegare la propria piattaforma ad AssetForce, il servizio di gestione degli asset di SMFL usato da oltre 200 aziende, a sostegno dell’obiettivo di SMFL: decuplicare i ricavi dei servizi digitali, portandoli a 10 miliardi di yen entro il 2031. 🔗 fonte
Baseten e la Nemotron Coalition — Baseten entra nell’alleanza di NVIDIA sui modelli aperti, presentata a marzo con Mistral, Black Forest Labs, Cursor, Ai2 e Perplexity, e vi apporta ambienti di apprendimento per rinforzo, post-addestramento e inferenza ottimizzata. 🔗 fonte

Piattaforme, API e sicurezza

Sicurezza di Claude Enterprise — Anthropic aggiunge, in beta, un centro di sicurezza che confronta le impostazioni della conversazione, di Cowork e di Claude Code con le proprie raccomandazioni, una console di amministrazione centralizzata e un sensore EDR (rilevamento e risposta sulle postazioni) nella macchina virtuale locale di Cowork, su macOS e Windows. 🔗 fonte
Claude Console e Admin API — In beta, un elenco di indirizzi IP consentiti, fino a 1 000 indirizzi o intervalli per organizzazione, rifiuta le richieste provenienti da altre origini, limitando l’uso di una chiave API divulgata, e l’Admin API può disconnettere un membro di Claude Enterprise da tutte le sessioni. 🔗 fonte
SDK di OpenAI — openai-python 3.46.0 e openai-node 7.51.0 aggiungono le opzioni di residenza dei dati in Australia, India e Giappone, GPT-6 Rosalind e i controlli di Images 2.6, poi le versioni successive aggiungono gpt-6-cyber; ancora nessuna versione stabile di Codex CLI dalla 0.166.0 del 29 ottobre. 🔗 fonte
API Gemini — L’API accetta ora le presentazioni PPT e ODP e i fogli di calcolo ODS, elabora i documenti DOC come immagini di pagine, e gli strumenti possono restituire al modello audio, video o file Office e OpenDocument. 🔗 fonte
API di Perplexity — L’Agent API rende disponibile il livello di sforzo ultra, che usa Claude Opus 5.5 per ricerche ad ampio raggio, da non confondere con il livello Ultra dell’Effort Mode di Computer; il giorno prima, la Decisions API aveva acquisito la capacità di leggere il testo di un URL prima di effettuare una ricerca, a 0,001 dollari per recupero. 🔗 fonte
Orchestrazione degli agenti — Perplexity pubblica una guida che confronta tre architetture di orchestrazione (centralizzata, decentralizzata, gerarchica), elenca sette malfunzionamenti comuni e propone sette buone pratiche, dai contratti delle attività ai nuovi tentativi idempotenti; nessuna novità di prodotto. 🔗 fonte
Scansione dei segreti di GitHub — SpaceX diventa partner: un identificativo starlink_public_api_v2_secret esposto in un repository pubblico le viene trasmesso per la revoca, e i rilevatori di sei fornitori, tra cui AWS e Google Cloud Storage, producono meno falsi positivi. 🔗 fonte

Infrastruttura e simulazione in NVIDIA

Memoria e inferenza — Un articolo esplicativo sostiene la progettazione congiunta dell’intero stack di fronte a una HBM scarsa e costosa: da Blackwell Ultra a Vera Rubin, la HBM per GPU aumenta solo di circa il 3 %, ma il throughput per dollaro cresce fino a 30 volte su SemiAnalysis AgentX; lo storage NVIDIA CMX riunisce nove partner. 🔗 fonte
Into the Omniverse — NVIDIA aggiorna il suo articolo sulle simulazioni costruite dagli agenti, già trattato il 9 ottobre, con una decina di progetti realizzati soprattutto con GPT-6 Astra, talvolta con Claude, tra cui un magazzino con 80 nastri trasportatori, 40 bracci e 800 scatole che gira a 30 fotogrammi al secondo; nessun nuovo prodotto. 🔗 fonte

Modelli aperti, dati e ricerca

ML Intern in Slack — L’agente open source di Hugging Face che valuta, prepara dati e affina modelli diventa un bot Slack da installare nel proprio spazio di lavoro, collegato ai propri dati, file e server MCP; né prezzi né link di installazione. 🔗 fonte
Llama e i modelli decisionali — L’applicazione locale del team llama.cpp e di Hugging Face, gratuita su Mac e Windows, esegue d1-Omni di Liquid AI e d3-flash, che attribuisce a vLLM e colloca al primo posto del Jev Decision Index. 🔗 fonte
Sand3D — Sandflow pubblica 106 094 oggetti 3D, di cui 10 456 articolati, ciascuno scritto sotto forma di un breve programma Python nella sua libreria aperta sand3d, con un export OpenUSD leggibile nel visualizzatore 3D dell’Hub. 🔗 fonte
SimReady Central — Lightwheel illustra il proprio ruolo nella libreria di oggetti 3D di NVIDIA su Hugging Face, che ora supera i 3 500 oggetti OpenUSD: l’azienda ne convalida e regola il comportamento fisico al contatto e in movimento. 🔗 fonte
DreamTac — Un articolo presenta questo dataset dell’Università di Pechino, convertito da Voxel51 per FiftyOne: 703 traiettorie di un braccio Franka con polpastrelli in gel, su 12 compiti e 7,03 ore, in cui il contatto diventa visibile nelle immagini. 🔗 fonte
Sintesi vocale in libanese — Bilal Zaraket ha clonato la voce di un tester di Beirut con quattro modelli: valutata alla cieca da cinque ascoltatori madrelingua, la voce reale ottiene 4,98 su 5, il modello migliore, VoxCPM2, 3,89, e viene percepito come libanese solo nel 65 % dei casi. 🔗 fonte
Guardián colombiano — Hugo Alonso affina Tiny Aya Global (3,35 miliardi di parametri) per moderare in spagnolo colombiano una bacheca pubblica di memoria collettiva, su una GPU da 6 GB, al posto di una catena di tre servizi cloud. 🔗 fonte
Anvaya-1B — Uno sviluppatore preaddestra da zero un modello da poco più di un miliardo di parametri su due schede T4 da 16 GB, con PyTorch FSDP e FineWeb, e pubblica il primo checkpoint e la ricetta. 🔗 fonte
traj2envs — Hugging Face pubblica senza annunci uno strumento che trasforma traiettorie di agenti in formato ATIF in attività verificate di apprendimento per rinforzo Harbor, con versioni fissate delle immagini degli ambienti. 🔗 fonte

Immagini, video e avatar

Runway e Gemini Omni 1.2 Flash — Runway aggiunge il nuovo modello di Google per creare e modificare video fino a 15 secondi, ritoccare una scena senza ripartire da zero e poi ingrandirla in 4K; né articolo né costo in crediti. 🔗 fonte
HeyGen e Images 2.6 — HeyGen integra ChatGPT Images 2.6 per i personaggi secondari delle sue scene, con migliori schede dei personaggi e maggiore coerenza in HeyGen Video 1; né prezzi né piani specificati. 🔗 fonte
Photo Reframe di Luma — Dopo Expression Sheet e Character Sheet, Luma aggiunge uno strumento che completa lo spazio intorno a un’immagine per adattarla a un post Instagram, una copertina di album o un manifesto; né articolo né prezzi. 🔗 fonte
Manus Studio — I progetti ora si esportano verso Premiere Pro, DaVinci Resolve, CapCut o Final Cut Pro, per completare altrove il montaggio di un video creato con l’IA; né formato di esportazione né piani specificati. 🔗 fonte
Muse Realtime Avatar — Presentata a Meta Connect, la tecnologia che dà un volto animato in tempo reale a Muse Realtime Voice arriva nell’applicazione Muse negli Stati Uniti, senza un calendario per gli altri paesi. 🔗 fonte

Cosa significa

La cybersicurezza offensiva passa a una scala industriale, con accesso limitato. GPT-6 Cyber, classificato Critical, è servito a convalidare 948 vulnerabilità di escalation dei privilegi del kernel Linux in dieci giorni per 1,2 milioni di dollari, pari a 1 279 dollari per vulnerabilità, e a trovare 81 vulnerabilità di gravità elevata in Firefox. OpenAI riserva il modello ai clienti Daybreak Red approvati, richiede per impostazione predefinita un elenco di indirizzi IP consentiti e monitora una forma di disallineamento specifica dell’ambito cyber. La corsa si gioca ormai sulla velocità delle correzioni: durante i dieci giorni della campagna, altri contributori avevano già corretto 61 di queste vulnerabilità upstream e stavano preparando altre 43 correzioni, e OpenAI ritiene indispensabile la generazione automatica di patch per tenere questo ritmo. Replit mostra l’altro capo della catena: il suo kernel guest integrava 4 375 patch ancora prima della loro divulgazione, e la vulnerabilità TCP di cui Anthropic ha dimostrato lo sfruttamento era già corretta dal 12 ottobre.

Gli agenti che lavorano a lungo su dati sensibili pongono l’isolamento e i permessi al centro del prodotto. I collaboratori di Perplexity operano 24 ore su 24, ciascuno con il proprio desktop, browser e cookie; gli agenti gestiti di Mistral lavorano per ore o giorni e possono attendere l’approvazione di una persona; Cursor ospita ogni applicazione in un account isolato, dopo quattro controlli deterministici e una revisione tramite IA. Personal Finance spinge questa logica fino alla sola lettura: Claude legge saldi e transazioni tramite Plaid senza poter spostare un dollaro, e le conversazioni del suo spazio non vengono usate per l’addestramento. Sul fronte dell’infrastruttura, Replit assegna a ogni sandbox il proprio kernel Linux e applica le regole di rete all’esterno della macchina guest; sul fronte degli amministratori, Claude Enterprise confronta ora le proprie impostazioni di sicurezza con le raccomandazioni di Anthropic.

La generazione di immagini e video diventa più rapida, meno costosa e integrata ovunque nel giro di poche ore. Images 2.6 genera immagini il 50 % più velocemente, Gemini Omni 1.2 Flash allunga le clip a 15 secondi abbassando il prezzo del 30 %, a circa 0,07 dollari al secondo in 720p, e Runway fa funzionare i suoi personaggi video da 57B in tempo reale su quattro H100 invece di otto. La diffusione è immediata: Runway aggiunge Omni 1.2 Flash il giorno dell’uscita, HeyGen integra Images 2.6 il giorno dopo, e Luma porta i suoi strumenti creativi in Claude e ChatGPT. Per i creatori, la questione si sposta dalla scelta del modello allo strumento in cui compare, spesso il giorno stesso.

Il costo dell’inferenza diventa un argomento a sé stante. NVIDIA vende Vera in base al numero di agenti per watt, Meta fa decodificare Muse Spark Open 2,1 volte più velocemente con un solo kernel di calcolo per strato, e Cognition riduce dell’82 % il costo di una revisione del codice da agosto, trovando al contempo qualche bug in più. Ripple-65B Preview applica la stessa logica all’addestramento: un modello denso preaddestrato da zero con una ricetta derivata da Olmo 3, sottoposto a post-addestramento con 1,4 milioni di rollout di apprendimento per rinforzo, rivendica il primo posto tra i modelli aperti statunitensi nel coding agentico e si può noleggiare a 0,20 dollari per milione di tokens in input su Together AI.