Gemini 4 Argon disponibile per tutti, SpaceXSI riunisce Grok e Cursor in The X Subscription, NVIDIA pubblica Run:ai in open source

Due settimane dopo averlo riservato ai difensori cyber del Fairwind Program, Google apre Gemini 4 Argon a tutti: l’API Gemini lo offre a 2 dollari per milione di tokens in input fino al 30 novembre, l’applicazione Gemini e AI Mode lo propongono agli abbonati Google AI Pro e Ultra, e Cursor, Devin, GitHub Copilot e Manus lo aggiungono lo stesso giorno. SpaceXSI riunisce Grok, Grok Bot, Cursor e X Premium in The X Subscription, un piano unico da 0 a 200 dollari al mese, e NVIDIA pubblica in open source l’intera piattaforma di orchestrazione di GPU Run:ai. Liquid AI rilascia LFM2.5-24B-A2B, un modello di ragionamento con 2 miliardi di parametri attivi per gli agenti locali, e NVIDIA presenta nel dettaglio i software pronti per il lancio dei PC RTX Spark, venerdì.

Gemini 4 Argon disponibile per tutti: API Gemini, applicazione Gemini, AI Mode e Antigravity

13 ottobre — Annunciato il 30 settembre e finora riservato ai difensori cyber del Fairwind Program, Gemini 4 Argon viene distribuito in tutto il mondo. Google presenta il suo modello di frontiera come un modello per il lavoro approfondito (deep work) nella programmazione, nella finanza, in ambito legale, nella cybersicurezza e nella scienza. Ecco chi può accedervi e come.

Pubblico di riferimento	Accesso a Gemini 4 Argon al 13 ottobre
Sviluppatori	API Gemini a pagamento, in Google AI Studio e Android Studio
Abbonati Google AI Ultra	Antigravity e AI Studio
Aziende	Gemini for business, API Gemini, Antigravity
Grande pubblico	Applicazione Gemini e AI Mode della ricerca, per gli abbonati Google AI Pro e Ultra
Scienziati	Livello di utilizzo più elevato di Antigravity gratuito per 6 mesi, su candidatura (10 000 posti)
Difensori cyber	Fairwind Program esteso a centinaia di partner, Argon senza protezioni cyber

Per gli sviluppatori, l’identificatore è gemini-4-argon, in versione stabile. Il prezzo di lancio resta quello annunciato a fine settembre: 2 dollari per milione di tokens in input e 10 dollari in output, con uno sconto del 95 % sugli input in cache, fino al 30 novembre 2026; successivamente, 4 e 20 dollari. Il modello accetta testo, immagini, video, audio e PDF, risponde in testo e condivide un’unica finestra di 1 048 576 tokens tra input, ragionamento e output. Una richiesta restituisce al massimo 64K tokens in streaming e 32K senza streaming (65 536 su Gemini 3.x), ma la decodifica lunga (long decode) permette di produrre fino a un milione di tokens meno l’input: gli SDK recenti (google-genai 2.30.1, @google/genai 2.29.1) concatenano autonomamente le richieste. Il ragionamento si regola su tre livelli (low, medium per impostazione predefinita, high), e la cache esplicita non è supportata.

Quanto ai risultati, Google colloca Argon al primo posto del Vals Index e dichiara un risultato dell’87 % su ERQA, un benchmark di ragionamento spaziale per la robotica, davanti a tutti gli altri modelli di frontiera. Tra i clienti dell’accesso anticipato, Box misura una precisione superiore del 14 % rispetto a Gemini 3.1 Pro. Google promette infine il resto della famiglia Gemini 4, senza indicare una data.

🔗 Il post di lancio di Gemini 4 Argon · Novità di Gemini 4 Argon nell’API Gemini

La sicurezza di Argon: 12 attacchi informatici simulati risolti su 12, un monitor del disallineamento

13 ottobre — Google pubblica insieme al modello un rapporto completo sulla sicurezza (Rapporto sulla sicurezza e sulla protezione), che parte dalle sue capacità cyber.

The same coding and reasoning improvements that enabled Argon to find and patch vulnerabilities also drove better performance on our cybersecurity tests — solving all 12 of the end-to-end simulated cyberattack scenarios, up from five in our previous generation.

🇮🇹 Gli stessi progressi nella programmazione e nel ragionamento che hanno permesso ad Argon di trovare e correggere vulnerabilità hanno anche migliorato i suoi risultati nei nostri test di cybersicurezza: risolve tutti e 12 gli scenari di attacco informatico simulato dall’inizio alla fine, contro i cinque della nostra generazione precedente. — Anca Dragan, VP per la sicurezza e il comportamento dell’AI, Google

Poiché le sue versioni senza protezioni aiutano anche molto meglio a risolvere i problemi dei protocolli di laboratorio in biologia, Google attiva in questi due ambiti tre livelli di protezione in tempo reale: filtraggio delle richieste tramite piccoli modelli, sonde di attivazione (activation probes) che leggono i segnali interni del modello, monitoraggio capace di interrompere l’agente durante la risposta. Un monitor del disallineamento legge anche le sue azioni e la sua catena di pensiero, che Google si rifiuta di penalizzare: durante un test in cui vi era stata applicata una penalità per errore, la quota di scorciatoie adottate senza segnalarlo è passata dall’11,2 % al 36,4 %. Contro l’iniezione di prompt, il successo degli attacchi scende allo 0,7 % su Gray Swan IPI.

🔗 Sviluppare Gemini 4 Argon in modo responsabile e sicuro

Antigravity: Argon per gli abbonati Ultra, dopo un rodaggio con oltre 100 000 utenti di Alphabet

13 ottobre — Argon arriva nell’applicazione desktop e nell’Antigravity CLI per gli abbonati Google AI Ultra e gli abbonamenti Gemini Enterprise idonei; occorre aggiornare Antigravity all’ultima versione. Il team racconta il rodaggio interno: oltre 100 000 persone in Alphabet utilizzano ogni mese Argon nella versione interna dello strumento, e Google ha misurato in quattro settimane il 35 % di codice prodotto dagli agenti in più e il 30 % di rollback dopo l’invio in meno.

Tra gli esempi citati: l’utilizzo della CPU del frontend dei commenti di YouTube dimezzato, 97 ticket obsoleti o duplicati chiusi in meno di tre ore in una coda di 134, una base di codice Fortran riscritta in Rust, 1,8 volte più veloce, e un audit del controllo degli accessi che ha individuato quattro vulnerabilità critiche sfuggite a due precedenti modelli di punta. L’utilizzo va oltre l’ingegneria: più della metà dei team commerciali Cloud e quasi la metà del personale finanziario di Google utilizzano Antigravity.

🔗 Gemini 4 Argon in Google Antigravity

13 ottobre — Le note di rilascio dell’applicazione Gemini accompagnano la distribuzione di Argon con due novità. Antigravity è integrato nell’applicazione Gemini per macOS: un pulsante avvia un agente di codice, si approva il suo piano e si torna alla chat mentre costruisce e testa il codice in background, con una notifica quando il risultato è pronto. L’integrazione è proposta in inglese agli account idonei di utenti di almeno 18 anni.

Un nuovo menu Customize riunisce la configurazione delle risposte, la scoperta delle applicazioni e l’aggiunta di skills, e Gemini si connette ora a oltre 40 applicazioni o servizi, come Instacart, OpenTable o Adobe. Customize viene distribuito per tutti i livelli di abbonamento, sul web, su mobile, Windows e macOS, ma la maggior parte delle applicazioni connesse resta disponibile in inglese e negli Stati Uniti. Google parla anche di un passaggio dalla chat alle attività (tasks), affinché Gemini continui a lavorare in assenza dell’utente.

🔗 Note di rilascio dell’applicazione Gemini · Gemini 4 Argon nell’applicazione Gemini

Gemini 4 Argon negli strumenti di terze parti: Cursor, Devin, GitHub Copilot e Manus

13 ottobre — Quattro strumenti rendono disponibile Argon lo stesso giorno, ciascuno con le proprie condizioni e la propria misurazione.

Strumento di terze parti	Dove utilizzarlo	Prezzo indicato	Risultato dichiarato
Cursor	Editor Cursor	2 dollari in input, 0,10 dollari per la lettura della cache, 10 dollari in output per milione di tokens	52,8 % su CursorBench 4.0 con lo sforzo predefinito
Devin	Devin Desktop e Devin CLI	75 % sotto il prezzo di listino fino al 27 ottobre	60,5 % su FrontierCode 1.1
GitHub Copilot	Piani Pro+, Max, Business e Enterprise, otto interfacce	2 dollari in input, 0,10 dollari in cache, 10 dollari in output fino al 1º dicembre	Più attività risolte rispetto ai Gemini precedenti, senza cifre
Manus	Manus, con Google Cloud	Non specificato	Nessuna cifra

Secondo Cursor, Argon si colloca al livello di Opus 5.5. La tabella di CursorBench 4.0 precisa che la parità vale a sforzo medio (Opus 5.5 Medium al 52,5 %, per 2,91 dollari per attività contro 4,39 dollari per Argon): Opus 5.5 resta davanti in High (56 %) e in Max (57,8 %, in testa alla classifica), e Argon consuma quasi tre volte più tokens per attività. In Devin, lo sconto combina il 50 % di lancio di Google, valido fino al 1º dicembre, e il 50 % proprio di Devin; su FrontierCode 1.1, il benchmark interno di Cognition, Argon supera di poco GPT-6.1 Sol (60,4 %) ma resta dietro Claude Opus 5.5 (65,3 %) nel grafico, intitolato 1.1 Extended.

GitHub lo rende disponibile in disponibilità generale per Pro+, Max, Business e Enterprise (Pro e Free non figurano nell’elenco), con una distribuzione progressiva nel selettore del modello di otto interfacce, da VS Code e Copilot CLI a Xcode ed Eclipse; in Business e Enterprise è attivato automaticamente, salvo che l’amministratore abbia disabilitato l’attivazione predefinita dei nuovi modelli. Manus ne annuncia la disponibilità con Google Cloud, per programmare, pianificare e modellare in 3D, senza specificare piano, prezzo o crediti.

🔗 Annuncio di Cursor · CursorBench 4.0 · Post di Devin · Changelog di GitHub · Annuncio di Manus

The X Subscription: SpaceXSI riunisce Grok, Grok Bot, Cursor e X Premium, da 0 a 200 dollari al mese

12 ottobre — SpaceXSI (ex-SpaceXAI) lancia The X Subscription, un abbonamento unico che riunisce Grok, Grok Bot, Cursor e X Premium, e Cursor lo ha annunciato la sera stessa: l’editor, entrato in SpaceX ad agosto, viene ora venduto nello stesso piano dell’assistente Grok e dei vantaggi del social network X. L’offerta è aperta ai nuovi clienti dal 12 ottobre e dovrebbe essere proposta a tutti, in tutto il mondo, nei prossimi giorni.

Piano di abbonamento	Prezzo mensile	Utilizzo incluso	Cosa rende disponibile il piano in Cursor
Free	0 dollari	Limitato	Quota iniziale per gli agenti di codice
Plus	8 dollari	Base	Solo modelli Grok
Premium	30 dollari	4 volte Plus	Agenti cloud, automazioni, Origin, code review con IA, modelli di terze parti al prezzo dell’API
Super	100 dollari	15 volte Plus	Come Premium, con più utilizzo
Ultra	200 dollari	50 volte Plus	Come Premium, con più utilizzo

Premium riprende i vantaggi di SuperGrok, Cursor Pro e X Premium+, che in precedenza costavano complessivamente 90 dollari al mese secondo SpaceXSI. Il cuore dell’offerta è una quota di utilizzo condivisa tra Grok e Cursor, rinnovata ogni settimana; una volta esaurita, si effettuano ricariche (top-ups) o si attende il rinnovo. SpaceXSI promette almeno il doppio dell’utilizzo per il codice con i propri modelli rispetto al piano Cursor comparabile. I modelli di terze parti, quelli degli altri laboratori, restano disponibili in Cursor a partire da Premium, ma non rientrano nella quota: vengono fatturati al prezzo di listino dell’API, tramite ricariche, con limiti di spesa regolabili.

Cursor is now part of The X Subscription. Current Cursor subscribers can keep their plan or switch to The X Subscription.

🇮🇹 Cursor fa ora parte di The X Subscription. Gli attuali abbonati di Cursor possono mantenere il proprio piano o passare a The X Subscription. — @cursor_ai su X

I vecchi piani non vengono più proposti ai nuovi iscritti. Gli attuali abbonati di SuperGrok, Cursor o X Premium mantengono piano, prezzo e funzioni, oppure passano al nuovo abbonamento con un rimborso proporzionale; in Cursor, l’utilizzo incluso dei modelli di terze parti continua fino al passaggio. SpaceXSI avverte tuttavia che, in futuro, trasferirà i clienti rimanenti ai nuovi piani, senza un calendario e con un preavviso. Per i team, Premium, Super e Ultra mantengono lo stesso prezzo per postazione dei piani individuali, inferiore a quello dei vecchi piani Cursor Teams secondo SpaceXSI, con tre volte più utilizzo per il codice, SSO, fatturazione consolidata e conformità SOC 2.

🔗 Presentazione di The X Subscription · Thread di @SpaceXSI

NVIDIA pubblica in open source l’intera piattaforma Run:ai

13 ottobre — NVIDIA pubblica in open source l’intera NVIDIA Run:ai, la sua piattaforma che alloca dinamicamente le GPU e orchestra i carichi IA su Kubernetes, dall’elaborazione dei dati all’addestramento e all’inferenza. Il codice è disponibile nell’organizzazione GitHub NVIDIA DSX AI Factory, e la piattaforma viene proposta anche su NGC in versione comunitaria (Community Product), con un chart Helm che installa lo stack integrato. Questa versione non richiede alcun abbonamento Run:ai a pagamento ma non include il supporto aziendale, e il download su NGC richiede l’accettazione della licenza software di NVIDIA. Le offerte commerciali proseguono: prodotto autonomo, NVIDIA Mission Control, NVIDIA AI Enterprise e marketplace cloud.

La pubblicazione si articola in quattro componenti adottabili separatamente:

Componente pubblicato	Ruolo nella piattaforma
KAI Scheduler	Scheduler nativo Kubernetes (scheduling in blocco, condivisione equa, posizionamento in base alla topologia), già open source sotto Apache 2.0 e progetto CNCF Sandbox
GPU Fractioning Operator	Frazioni di GPU native di CUDA 13.4, con un limite rigido di memoria per carico; l’implementazione proprietaria di Run:ai viene rimossa
KAI Resource Management	Progetti, dipartimenti, quote e gruppi di nodi
Workload Map	Libreria Go che descrive ogni tipo di carico (PyTorchJob, RayCluster, KServe, grafi Dynamo) affinché gli strumenti non debbano più codificare ogni CRD

Otto partner dell’ecosistema DSX la integrano già: Crusoe, Mirantis (k0rdent AI), Nebius (deployment con un clic), OpenNebula Systems, Rafay (servizio interamente gestito), Saturn Cloud (Token Factory), Spectro Cloud (PaletteAI) e vCluster. NVIDIA ricorda anche due progetti aperti affini: Model Streamer, che carica i pesi direttamente nella memoria GPU per ridurre l’avvio a freddo delle repliche di inferenza (integrato con vLLM e SGLang, e da 3 a 6 volte più veloce del caricatore predefinito su otto VM H100 di Microsoft Azure), e Grove, l’API Kubernetes di Dynamo per i carichi con più componenti. L’obiettivo dichiarato è fare di Run:ai una base aperta della piattaforma DSX AI Factory, affinché ogni partner e ogni cloud IA ottenga di più dalle proprie GPU.

🔗 Run:ai in open source (blog tecnico NVIDIA)

LFM2.5-24B-A2B: Liquid AI pubblica un modello di ragionamento con 2 miliardi di parametri attivi per gli agenti locali

13 ottobre — Liquid AI pubblica LFM2.5-24B-A2B, una miscela di esperti (MoE) con 24 miliardi di parametri, di cui soltanto 2 miliardi si attivano per token. Secondo Liquid AI, è il modello più grande della famiglia LFM2.5, che ora va da 230 milioni a 24 miliardi di parametri, ed è un modello di puro ragionamento: produce sempre una catena di pensiero prima della risposta. L’obiettivo è l’agente locale: dato il basso costo di ogni token di ragionamento, un agente può funzionare continuamente sul computer dell’utente, chiamare strumenti ed eseguire attività in sequenza.

L’architettura riprende quella di LFM2-24B-A2B (40 strati, 64 esperti per blocco con routing top-4, un ibrido di convoluzioni corte con gating e attenzione GQA). Ecco cosa cambia: il contesto passa da 32 000 a 131 000 token, il vocabolario raddoppia, da 65 000 a 128 000 token, e il pre-addestramento passa da circa 17 000 a 33 000 miliardi di token, prima di un post-addestramento in cinque fasi che termina con un apprendimento per rinforzo condotto in harness per agenti (OpenClaw, Hermes Agent, Pi, OpenCode).

Benchmark valutato	LFM2.5-24B-A2B	Qwen3.6-35B-A3B	Gemma-4-26B-A4B-it	Nemotron-3.5-Lightning
AutomationBench	27,69	8,72	5,46	2,61
BFCLv4	65,01	65,00	57,09	53,78
ToolSandbox	80,71	75,02	72,09	75,13
LiveClaw	48,09	38,19	41,25	37,72
PinchBench	83,18	89,93	77,12	84,20
WebArena Verified	26,75	37,62	25,62	28,69
IFBench	74,69	64,21	47,44	71,67
GPQA Diamond	74,42	83,69	74,90	72,42
MATH-500	96,04	96,73	95,66	96,40
SWE-Bench Verified (OpenCode)	51,00	66,20	25,80	53,40

Rispetto a tre MoE più grandi, il modello regge il confronto nell’uso degli strumenti e nel rispetto delle istruzioni, ma resta indietro nelle conoscenze e nel codice agentico; Liquid AI raccomanda infatti di abbinarlo a una ricerca o a una base documentale per le attività che richiedono conoscenze. La velocità è l’altro punto di forza: 184 tokens/s su un Apple M5 Max, 114 su un Ryzen AI Max+ 395, e oltre 21 000 token di output al secondo con elevata concorrenza su un solo B300. Il modello base e quello post-addestrato vengono pubblicati con pesi aperti sotto la licenza di Liquid AI lfm1.0, con supporto immediato in llama.cpp, MLX, vLLM, SGLang e ONNX.

🔗 LFM2.5-24B-A2B (blog Hugging Face di Liquid AI)

IA locale su PC Windows: NVIDIA prepara gli RTX Spark con Nemotron 3.5 Bolt 74B, Hugging Face lancia Llama Windows

13 ottobre — A tre giorni dall’uscita dei portatili RTX Spark, venerdì 16 ottobre, dopo l’apertura dei preordini il 7, NVIDIA illustra i software pronti per il lancio di questo chip che riunisce fino a 128 Go di memoria unificata e 1 petaflop di calcolo IA. Il fulcro è un nuovo modello aperto, Nemotron 3.5 Bolt 74B-A9B 24GB: un MoE con 74 miliardi di parametri, di cui 9 miliardi attivi, quantizzato a 2 bit con un addestramento che tiene conto della quantizzazione per rientrare in 24 Go, e progettato per gli agenti locali. Esce giovedì 15 ottobre in llama.cpp, vLLM, Ollama, Unsloth e LM Studio, e potrà essere chiamato da Hermes e OpenClaw; dati di addestramento, pesi e ricette sono aperti.

Sul fronte degli agenti, NVIDIA stima che i download di LLM locali siano 5 volte quelli dell’intero anno scorso. GitHub Copilot, Hermes, OpenClaw, Perplexity, Pi e WorkBuddy raccomandano e configurano un modello locale adatto; la sicurezza passa dalla sandbox OpenShell e dai container MXC di Microsoft, mentre la libreria open source Switchyard instrada le richieste tra modelli locali e cloud. NVIDIA PAIR, il router che distribuisce l’inferenza tra i PC di una rete locale, esce dalla beta con il supporto di llama.cpp e il download diretto di modelli da Hugging Face. Per la creazione, Adobe annuncia una velocità fino a 2 volte superiore in Photoshop e Premiere (ottimizzazioni in beta), e NVIDIA Broadcast 2.3 aggiunge la super-risoluzione video, la generazione di fotogrammi intermedi e un server MCP affinché gli agenti ne controllino gli effetti. Per gli sviluppatori, Windows on Arm riceve la sua prima build PyTorch-CUDA e Python 3.15 nativo per impostazione predefinita.

Elemento annunciato	Data di disponibilità
NVIDIA PAIR fuori dalla beta, Broadcast 2.3, Llama Windows	13 ottobre
Nemotron 3.5 Bolt 74B-A9B 24GB	giovedì 15 ottobre
Portatili RTX Spark, guide pratiche di IA (playbooks), modello DLSS 5 due volte più veloce	venerdì 16 ottobre
Nemotron 3.5 Bolt E4B 4GB per i personaggi ACE, RTX Remix 1.6	venerdì 23 ottobre
DLSS Ray Reconstruction in Blender	novembre

🔗 I software del lancio degli RTX Spark (blog NVIDIA)

Llama Windows: Hugging Face porta llama.cpp nell’area di notifica di Windows 11

13 ottobre — Hugging Face lancia Llama Windows, un’applicazione WinUI 3 gratuita e open source che installa ed esegue llama.cpp dall’area di notifica di Windows 11, senza terminale, senza compilazione e senza diritti di amministratore. Si sceglie un modello quantizzato sull’Hub, lo si scarica con un clic e lo si carica da un pannello compatto; all’avvio, l’applicazione si collega a un server llama.cpp già in esecuzione oppure installa llama.cpp con il suo installer ufficiale. È l’equivalente Windows di llama.app su macOS.

Per gli sviluppatori, il server locale è in ascolto su http://localhost:9931 con un’API compatibile con OpenAI, e i download vengono salvati nella cache Hugging Face standard, condivisa con gli altri strumenti dell’azienda. L’applicazione funziona nativamente su Windows on Arm e supporta gli NVIDIA RTX Spark fin dal primo giorno, grazie a un lavoro svolto con NVIDIA. Il codice è pubblicato sotto licenza MIT nel repository ggml-org/Llama-Windows.

🔗 Llama Windows (blog Hugging Face)

Sicurezza: le difese di Anthropic contro la distillazione, l’exploit di Chrome costruito da XBOW, il classificatore di segreti di GitHub

Tre annunci riguardano la sicurezza dei modelli e del codice: Anthropic fa il punto sulle sue difese contro la copia dei propri modelli, XBOW mostra cosa consente un modello pubblico in un attacco, e GitHub sostituisce una pipeline LLM con un piccolo classificatore.

Anthropic riduce dal 90 al 99 % i dati raccolti dai distillatori, secondo le prime indicazioni

12 ottobre — Anthropic fa il punto sulle sue difese contro gli attacchi di distillazione, campagne che raccolgono massivamente le risposte di un modello di punta, spesso tramite reti di account fraudolenti, per addestrarne un altro a un costo inferiore. Secondo le prime indicazioni, i suoi nuovi metodi riducono di circa il 90–99 % i dati raccolti. Secondo Anthropic, Zhipu ha tentato di distillare Claude Fable 5 durante lo sviluppo di GLM-5.3, prima di ripiegare su un modello Claude più vecchio e su quello di un altro laboratorio.

Si aggiungono tre livelli: il pensiero preservato (preserved thinking) di Claude Fable 5.1 e Opus 5.5, che impedisce agli account API creati dal 31 agosto di modificare il contesto precedente di Claude, con un ragionamento di Sonnet 5.5 riservato all’organizzazione che ha inviato la richiesta; un classificatore in due fasi con meno dello 0,1 % di falsi positivi, attivo su Sonnet 5.5, Opus 5 e 5.5, Fable 5 e 5.1; infine limiti d’uso più rigidi, ban e, dal 24 settembre, la fatturazione delle richieste bloccate. Il risultato annunciato: da 10 a 100 volte meno token di ragionamento estratti e decine di migliaia di account bannati, spesso in meno di due ore.

🔗 Rafforzare le nostre difese contro gli attacchi di distillazione

XBOW costruisce con GPT-5.6 Sol un exploit completo di Chrome, premiato con 250 000 dollari da Google

13 ottobre — XBOW, società che esegue test di penetrazione tramite agenti IA, ha costruito una catena di sfruttamento completa (full chain) di Chrome: bastava visitare una pagina web per assumere il controllo a distanza di un computer Windows, con circa un miliardo di utenti esposti secondo XBOW. Google le ha assegnato una ricompensa di 250 000 dollari, e i tre bug sono stati corretti. L’annuncio proviene da XBOW, non da OpenAI, il cui account @OpenAIDevs lo ha soltanto ripubblicato.

We deliberately picked a model that is available to anyone, not a specialized security model or one with restricted access.

🇮🇹 Abbiamo deliberatamente scelto un modello accessibile a tutti, e non un modello di sicurezza specializzato o ad accesso limitato. — Oege de Moor, fondatore e CEO di XBOW

Il modello scelto è GPT-5.6 Sol, insieme ai suoi predecessori. La catena è costata 40 000 dollari di calcolo in sei giorni, dal 2 al 7 agosto: l’IA ha esaminato il codice sorgente di Chrome, costruito proof of concept e scritto le prime versioni dell’exploit, mentre quattro ricercatori definivano la strategia e verificavano il lavoro. Secondo XBOW, ciascuno dei tre bug potrebbe essere individuato da agenti autonomamente entro un anno.

🔗 Il racconto di XBOW

GitHub illustra il suo classificatore di segreti: tempo di analisi ridotto dell’86 % rispetto alla precedente pipeline LLM

13 ottobre — Sei giorni dopo aver annunciato il suo classificatore di segreti divulgati, GitHub ne pubblica i retroscena. Lo scanner lavora in due fasi: le espressioni regolari effettuano una ricerca ampia per individuare tutto ciò che assomiglia a un identificativo, poi un classificatore ModernBERT sottoposto a fine-tuning, esportato in ONNX con quantizzazione a 8 bit, legge ogni candidato insieme al suo contesto (percorso del file, tipo di segreto, nomi delle variabili, codice circostante) per scartare gli elementi simili, come i valori di esempio o i dati fittizi dei test.

Misura confrontata con la pipeline LLM	Variazione pubblicata
Tempo mediano di analisi post-push	−86 %
Costo del servizio	oltre il 98 % in meno
Accettazione degli avvisi ponderata per proprietario di repository (test A/B)	+11,5 %
Precisione offline	+13 %
Recall offline	+19 %

Questo guadagno di velocità ha permesso di estendere il rilevamento dei segreti generici alla protezione dei push, ancora prima dell’invio del codice.

🔗 Il modello di GitHub per il rilevamento dei segreti (GitHub Blog)

Scion: Anthropic sostituisce git con il proprio sistema di controllo delle versioni

13 ottobre — Anthropic racconta sul suo blog Engineering perché ha abbandonato git per il suo monorepo: i suoi team integravano circa 2 500 modifiche al giorno nel maggio 2026, oltre 30 000 a settembre. Con una cronologia di quasi 100 Go e nell’ordine di 25 milioni di checkout al giorno per la CI, gli strumenti pensati per gli esseri umani diventavano il collo di bottiglia, anche con diverse centinaia di mirror git interni.

Scion, costruito in cinque mesi da sette persone, parte dal presupposto che i suoi client, soprattutto agenti e attività automatizzate, siano sempre online: il server calcola la cronologia, l’attribuzione riga per riga (blame) e i merge, e spesso un’attività di CI non ha più bisogno di una copia locale. Anthropic dichiara un ingombro 200 volte inferiore a quello dei suoi mirror git, checkout in secondi anziché minuti e il 25 % di CPU recuperato per la CI; una versione preliminare interna di Claude Mythos Preview ha riscritto la pipeline di ingestione usando 20 volte meno memoria. Anthropic non prevede una versione pubblica, perché Scion si discosta troppo da git per essere utilizzato altrove: ne condivide invece i principi affinché altri li applichino a git, e dichiara di voler collaborare con GitHub, GitLab e la comunità open source.

🔗 Ripensare il controllo delle versioni in Anthropic

NVIDIA in Francia: investimenti previsti in Doctolib, Entalpic, Genesis AI e Pigment, modelli di Mistral in orbita su Altair-1

13 ottobre — All’inizio del suo tour europeo in vista di GTC Berlin, dove Jensen Huang terrà il discorso di apertura (keynote) il 21 ottobre, NVIDIA annuncia investimenti previsti in quattro start-up francesi, senza indicarne l’importo: Doctolib (agenti per gli operatori sanitari e un assistente per la salute dei pazienti), Entalpic (progettazione di materiali su scala atomica per i semiconduttori), Genesis AI (robot generalisti e modelli di fondazione) e Pigment (pianificazione aziendale). NVIDIA dichiara di aver impegnato quasi 10 miliardi di dollari nell’ecosistema tecnologico europeo.

Lo stesso post fa il punto sull’IA sovrana in Francia. Bull estenderà la propria produzione europea di server ai sistemi Vera Rubin Ultra NVL72, previsti per il 2028 e assemblati nel suo stabilimento di Angers. Twake.ai, basato su Nemotron, diventa, attraverso l’accordo quadro CANUT aggiudicato a LINAGORA e Docaposte, l’unico spazio di lavoro digitale sovrano inserito a catalogo per oltre 2 500 enti pubblici francesi. La giornata si è conclusa con un incontro tra Jensen Huang ed Emmanuel Macron all’Eliseo.

Sul fronte spaziale, Mistral ha rilanciato l’annuncio: Altair-1, primo satellite di una costellazione di 50 satelliti il cui valore è stimato da NVIDIA in 1 miliardo di dollari, ha raggiunto la sua orbita. Integrato da Loft Orbital e costruito ad Abu Dhabi da Orbitworks, joint venture tra Loft Orbital e Marlan Space, porta a bordo moduli NVIDIA Jetson AGX Orin che eseguono modelli Mistral per l’osservazione della Terra in tempo reale e operazioni autonome; Loft Orbital cita Ministral 3 e punta ad avvisi generati dall’IA in pochi minuti. Nessun dato sulle prestazioni né una data di lancio precisa: Loft Orbital colloca il lancio alcune settimane fa, NVIDIA questo mese.

🔗 L’ecosistema francese e NVIDIA (blog NVIDIA) · Il thread di NVIDIA su GTC Berlin · Tweet di Mistral AI

Agenti e strumenti di sviluppo: la marketplace di Origin, Devin in Pylon e i suoi Dynamic Workflows, Puck di Amp accessibile tramite MCP

Cursor apre agli sviluppatori terzi la marketplace del suo servizio di hosting del codice, Devin si integra in uno strumento di supporto e orchestra gruppi di sessioni, mentre Amp rende il suo meta-agente accessibile da altri assistenti.

Cursor apre la marketplace di Origin alle candidature pubbliche

13 ottobre — Origin, la piattaforma di hosting del codice di Cursor lanciata in beta il 17 agosto, si apre agli strumenti di terze parti. La sua marketplace offre oltre 20 applicazioni per il deployment (Cloudflare, Netlify, Vercel…), l’integrazione continua (Buildkite, CircleCI…), la code review (CodeRabbit, Greptile), la sicurezza (Semgrep, Socket Security), il monitoraggio (Sentry) e la gestione dei progetti (Linear). Dal 13 ottobre accetta anche candidature pubbliche: un team crea la propria applicazione nel suo namespace, la sviluppa sull’API Origin (JWT dell’applicazione, token di installazione, eventi webhook, check runs, commenti e revisioni delle pull requests), quindi la presenta con un video dimostrativo; Cursor esamina ogni candidatura prima di inserirla nell’elenco. Non viene annunciato alcun prezzo.

🔗 Marketplace di applicazioni Origin (changelog di Cursor)

Devin si integra in Pylon, con 15 000 dollari di crediti per i nuovi clienti

13 ottobre — Cognition lancia l’integrazione nativa di Devin in Pylon, lo strumento di supporto clienti. Quando un ticket viene segnalato al team di ingegneria, Devin si avvia autonomamente: esamina i log, riproduce il bug, individua la causa radice e apre una PR con la correzione; il supporto segue il lavoro in Pylon, gli ingegneri riprendono la sessione collegata e gli aggiornamenti si sincronizzano in entrambe le direzioni. Il supporto può anche avviare da Pylon ricerche nel codice per rispondere alle domande sul prodotto. Le testimonianze citate da Cognition parlano di correzioni consegnate circa il 30 % più rapidamente, a volte in 15–20 minuti anziché in diverse ore. I nuovi clienti Devin su Pylon ricevono 15 000 dollari di crediti.

🔗 Devin in Pylon

I Dynamic Workflows di Devin orchestrano gruppi di sessioni tramite uno script Python

13 ottobre — Cognition mette in evidenza i Dynamic Workflows di Devin: Devin scrive uno script Python deterministico che decide quali sessioni Devin avviare, in quale ordine e con quali istruzioni, basandosi sui risultati strutturati (schema JSON) delle precedenti. Ogni agente è, per impostazione predefinita, una sessione completa sulla propria macchina virtuale, con il codice che passa attraverso branch git, oppure condivide la macchina della sessione che orchestra il lavoro. Un’esecuzione interrotta riprende da dove si era fermata, entro un limite di sette giorni, e un workflow riuscito viene salvato come skill. La funzione è disponibile in qualsiasi sessione Devin, ma rimane disattivata negli account Enterprise finché un amministratore non la abilita; la documentazione avverte del costo, poiché ogni agente consuma quanto una sessione. La data di lancio non è confermata da nessuna parte: la pagina della documentazione non è datata e la funzione non compare nelle note di rilascio recenti.

🔗 Dynamic Workflows di Devin (documentazione)

Amp rende Puck accessibile da ChatGPT, Claude e altri agenti tramite MCP

13 ottobre — Amp rende Puck, il suo meta-agente che coordina gli altri agenti, accessibile da ChatGPT, Claude e altri client MCP. Il server MCP di Amp (ampcode.com/mcp) espone due strumenti: puck, per dialogare con il proprio Puck, e orbs, una vista interattiva delle orbs in corso con collegamenti ai loro portali. L’esempio fornito: sviluppare un’idea con la modalità vocale di ChatGPT durante una passeggiata, quindi inviarla a Puck, che la affida all’orb giusta. La connessione si configura dalle impostazioni di Puck in Amp oppure incollando l’indirizzo del server nel client, per poi accedere con il proprio account Amp. Finora Puck utilizzava server MCP; ora lo diventa a sua volta. Non viene annunciato alcun prezzo.

🔗 Porta Puck con te (Amp)

Partnership: il Solutions Partner Program di Replit, Manus nella modalità Agent di OPPO

Due accordi di distribuzione: Replit si affida agli integratori per entrare nelle aziende, Manus a un produttore di smartphone.

Replit lancia il suo Solutions Partner Program con Accenture, JSOL, SMFL e Snowman Labs

13 ottobre — Replit lancia un programma di partnership per gli integratori di sistemi, le società di consulenza e le agenzie che affiancano le aziende sulla sua piattaforma: formazione, assistenza, collaborazione sulle opportunità commerciali e percorsi di certificazione sulle funzionalità Enterprise, in un modello basato innanzitutto sulle segnalazioni (referral-first). Tra i primi partner figurano Accenture, le giapponesi JSOL e Sumitomo Mitsui Finance and Leasing (SMFL) e la brasiliana Snowman Labs. SMFL dichiara di aver costruito in una settimana un’applicazione aziendale pronta per la produzione, mentre JSOL cita un cliente che ha realizzato un prototipo in un mese. L’elenco dei partner ne contava nove il 13 ottobre; non viene pubblicata alcuna condizione finanziaria.

🔗 Presentazione di Replit Solutions Partners

Manus collabora con OPPO per la nuova modalità Agent di AI Mind Pilot

13 ottobre — Manus integra le proprie capacità agentiche in OPPO AI Mind Pilot, nella sua nuova modalità Agent, che debutterà sulla prossima serie Find X10 con ColorOS 17. L’esempio presentato: organizzare un viaggio a partire da biglietti aerei, prenotazioni e biglietti per attrazioni sparsi nelle applicazioni del telefono, combinandoli con informazioni online per produrre un itinerario giorno per giorno. Sul fronte della privacy, ColorOS 17 elabora localmente, con modelli integrati, attività come la ricerca o la ridenominazione di file, il cui contenuto non viene trasmesso a Manus, e AI Mind Pilot richiede una conferma esplicita prima di qualsiasi elaborazione esterna. Nessuna data, nessun mercato né condizione: saranno annunciati al lancio del telefono.

🔗 Manus collabora con OPPO

Video e voce generativi: FastH3-Omni di Reactor, Runway in Replit, gli agenti di ElevenLabs nel supporto e una voce ricreata alla Camera dei lord

Il video in tempo reale acquisisce il suono, Runway entra nella progettazione di siti ed ElevenLabs mostra due usi della sua piattaforma, nel supporto clienti e al Parlamento britannico.

FastH3-Omni: Reactor lancia una versione in tempo reale di MiniMax H3 con suono sincronizzato

13 ottobre — La piattaforma Reactor lancia FastH3-Omni, una versione in tempo reale di MiniMax H3, il modello video di MiniMax, che genera un video con suono sincronizzato a partire da un solo prompt. Sottoposto a post-training dal team FastVideo di Hao AI Lab insieme a Nuva Lab, già autori di FastH3 a fine agosto, viene presentato come la versione open source di H3 in tempo reale più veloce e di migliore qualità. Aggiunge il condizionamento tramite il primo e l’ultimo fotogramma, l’input audio con dialoghi e fino a tre immagini di riferimento. FastH3-Omni è disponibile in anteprima esclusiva sull’API Reactor fino al 20 ottobre; l’annuncio non pubblica benchmark, prezzi né collegamenti ai pesi. MiniMax lo ha rilanciato la sera stessa.

🔗 Annuncio di Reactor

Runway si collega a Replit per la progettazione di siti

13 ottobre — Runway e Replit presentano nello stesso giorno Runway for web design: una volta collegato Runway a un progetto Replit tramite Runway MCP, l’agente di sviluppo genera immagini, video e risorse visive direttamente nel progetto, dalla prima idea al sito completato. La pagina di Runway MCP elenca Replit tra gli ambienti supportati, insieme a ChatGPT, Claude, Grok Bot, Muse e Cursor; Runway MCP era già compatibile con Replit al suo lancio, il 27 maggio, e l’annuncio è quindi soprattutto una promozione congiunta. Dopo l’elenco delle applicazioni di ChatGPT il 7 ottobre e Claude Motion l’8, Runway punta questa volta alla progettazione di siti. Non vengono precisati prezzi né costi in crediti.

🔗 Annuncio di Runway · Annuncio di Replit

ElevenLabs risolve oltre 22 000 ticket di supporto al mese con i propri agenti

13 ottobre — ElevenLabs mostra come utilizza la propria piattaforma: il suo supporto clienti si basa su ElevenAgents, che risolve oltre 22 000 ticket al mese senza intervento umano, con un’escalation al team se necessario. Il mese scorso l’agente ha gestito dall’inizio alla fine il 65 % dei ticket, il tempo medio di prima risposta è sceso a 60 secondi, rispetto alle diverse ore precedenti, e il 70 % delle conversazioni ha ricevuto una valutazione positiva. L’agente si basa sulle procedure del team di supporto, convertite in Procedures (in versione strutturata per i rimborsi), e su strumenti webhook che consultano il piano, i crediti o le voci di ciascun utente; è stato validato con test di simulazione su una cinquantina di scenari, quindi osservato in modalità ombra (shadow mode) sul traffico reale prima della messa in produzione. Architect, lanciato il 6 ottobre, serve poi a comprendere le escalation e a testare le correzioni.

🔗 Il supporto di ElevenLabs su ElevenAgents

La baronessa Campbell si rivolge alla Camera dei lord con una voce ricreata da ElevenLabs

13 ottobre — La baronessa Jane Campbell of Surbiton, attivista per i diritti delle persone con disabilità affetta da atrofia muscolare spinale e pari a vita dal 2007, faceva leggere i suoi discorsi da un’assistente dal 2012. Questa volta si è rivolta alla Camera dei lord con la propria voce, ricreata dall’IA, durante la seconda lettura dell’Health Bill, sui budget sanitari personali. Secondo ElevenLabs, è la prima volta che un membro del Parlamento britannico utilizza una voce generata dall’IA in una delle due camere. La baronessa ha ricreato personalmente la propria voce con lo strumento di clonazione di ElevenLabs a partire da vecchie registrazioni; il testo, convertito tramite sintesi vocale, è stato riprodotto da un dispositivo assistivo, con l’approvazione del comitato per le procedure della Camera dei lord. ElevenLabs dichiara di aver restituito la voce a oltre 11 000 persone.

🔗 Il primo discorso pronunciato con una voce IA al Parlamento britannico (ElevenLabs)

Ricerca e dati aperti: Prompteina progetta proteine, Basis pubblica Global Emotions, un post critico sui modelli decisionali

Tre pubblicazioni aperte della giornata: un modello di progettazione di proteine guidato dal testo, un dataset di parlato espressivo in 83 lingue e una critica quantitativa dei modelli decisionali.

Prompteina progetta proteine all-atom a partire da un’istruzione in linguaggio naturale

13 ottobre — Joseph Lee, primo autore, presenta Prompteina, un lavoro firmato anche da tre ricercatori affiliati ad Ai2, che lo ha rilanciato, e da David Baker, dell’Institute for Protein Design dell’Università di Washington. L’articolo su arXiv lo descrive come il primo modello di generazione di strutture proteiche all-atom guidato dal testo. Mentre i modelli esistenti richiedono una rappresentazione di input dedicata per ogni proprietà, qui la proprietà desiderata viene espressa in linguaggio naturale: su 18 proprietà strutturali valutate, Prompteina offre un controllo migliore rispetto ai modelli di riferimento su 15. È stato addestrato su 1,8 milioni di strutture abbinate a 52,4 milioni di didascalie, adattando Proteina-Complexa di NVIDIA. Nella progettazione di molecole leganti guidata da un agente, ottiene su 20 bersagli un livello di confidenza del legame predetto superiore del 14 % rispetto al migliore modello di riferimento. Su GM2A, un bersaglio per il quale non era stato riportato alcun legante de novo, 90 progetti testati in laboratorio hanno prodotto nove leganti, il più forte dei quali presenta una costante di dissociazione apparente di 107 nM. Il codice e i pesi sono pubblicati.

🔗 Thread di Joseph Lee · Progettare strutture proteiche a partire dal linguaggio naturale (arXiv)

Basis pubblica Global Emotions, 525 ore di parlato espressivo in 108 locale

12 ottobre — Basis pubblica Global Emotions, un dataset di parlato espressivo di 525,17 ore registrato con 10 420 parlanti nativi retribuiti, in 108 locale e 83 lingue, in WAV a 48 kHz. La sua particolarità risiede nella struttura: lo stesso attore legge la stessa battuta a diverse intensità, neutra, media e poi piena, secondo un’istruzione (gioioso, frustrato, sarcastico, sussurrato, cantato…). Mantenendo costanti il parlante e il testo, si isola ciò che cambia nella voce, nel ritmo, nell’altezza o nella velocità del parlato quando l’emozione aumenta. Il dataset comprende 137 696 registrazioni e 54 575 serie abbinate, tra cui 12 141 registrazioni con un segnale non verbale (sospiro, risata). Basis lo dichiara liberamente utilizzabile per scopi commerciali e di ricerca, con una propria licenza ad accesso condizionato, ma l’audio viene fornito grezzo, senza riduzione del rumore, e le trascrizioni validate da esseri umani non sono incluse: vengono vendute a 22,7 dollari per ora di audio.

🔗 Basis Global Emotions (blog Hugging Face)

Modelli decisionali: un post critico ne misura i limiti e ne addestra uno con GRPO

13 ottobre — In un post della comunità sul blog Hugging Face, Hajime Yagihara esamina le dimostrazioni pubbliche dei modelli decisionali, modelli che non generano alcun token e restituiscono una probabilità per ogni opzione. La sua tesi: il codice delle dimostrazioni simula ogni opzione e scrive il risultato nel prompt, quindi svolge il lavoro difficile prima del modello. Nello scenario Predict Position di ViZDoom, Jev senza l’assistenza del codice completa con successo 0 episodi su 128, peggio di una scelta casuale (12 su 128), mentre il solo codice ne completa 126; su Snake, scende al 63,5 % non appena deve prevedere un singolo passo.

L’autore applica poi il GRPO degli LLM a questi modelli, distribuendo la ricompensa finale a tutte le decisioni di un episodio. Su NanoJev, una replica aperta da 0,6 miliardi di parametri, il tasso di successo passa dal 19,4 % al 79,1 % senza esperto, contro il 68,6 % ottenuto imitando un esperto tramite SFT e l’81,4 % combinando i due metodi in sequenza; l’addestramento rimane instabile intorno al passo 20.

🔗 Il post di Hajime Yagihara (blog Hugging Face)

In breve

Copilot CLI 1.0.97 — Rilasciata in versione stabile con 25 voci provenienti dalle versioni preliminari, permette a ogni agente personalizzato di avere i propri hook dichiarativi, rileva tutti gli agenti di un repository anche quando sono più di 100 e, in Autopilot, rifiuta una decisione «ask» di un hook preToolUse anziché rimanere bloccata; il SDK Copilot passa alla versione 1.0.21. 🔗 fonte · 🔗 SDK
Gemini CLI v0.65.0-preview.0 e v0.64.0 — La versione preliminare aggiunge quattro correzioni del 13 ottobre, tra cui un’interruzione rapida tramite Ctrl+C che non corrompe più la sessione, mentre la versione stabile v0.64.0 non introduce novità. Gemini 4 Argon non è ancora nel selettore: una PR di un collaboratore esterno lo aggiunge, ma non è stata integrata. 🔗 fonte
Antigravity 2.23.0 — Versione del 12 ottobre (16 miglioramenti, 8 correzioni): selettore delle autorizzazioni dell’agente nell’area dei messaggi, visualizzatore a schermo intero per immagini e video, archivi .zip decompressi dall’agente, riparazione da parte dell’agente di un server MCP che non si avvia. 🔗 fonte
Qwen Code v0.25.2-preview.0 — Prima versione preliminare del ciclo, due giorni dopo la versione stabile v0.25.1: 115 voci, di cui 33 funzionalità e 50 correzioni, Mods scritti in TypeScript che possono intercettare le chiamate agli strumenti, un esploratore dei test falliti e un navigatore di file con anteprima Excel nel Web Shell. 🔗 fonte
Jev in Amp — Il pannello Changes di Amp ordina automaticamente i file di un diff, mettendo per primi quelli che spiegano la modifica, molto più velocemente di prima grazie al modello decisionale Jev di TypeSafe; l’ordine alfabetico rimane disponibile. 🔗 fonte
Note di Devin del 9 ottobre — Aggiornamento: una sessione in sospensione può essere ripresa solo entro 14 giorni anziché 30, Devin legge il file AGENTS.md durante l’installazione di un repository e Devin Ultra diventa disponibile per le aziende con conservazione dei dati nulla (zero data retention), che prima ne erano escluse. 🔗 fonte
Chiavi Anthropic bloccate per impostazione predefinita — Il secret scanning di GitHub riconosce le chiavi di servizio e le chiavi utente di Anthropic e le blocca subito tramite la protezione dei push, anche nei repository pubblici gratuiti; aggiunge un rilevatore per Cloudsmith e Salesforce diventa partner per revocare i token Marketing Cloud trovati nei repository pubblici. 🔗 fonte
Metriche dell’AI Scan — In versione preliminare pubblica, la security overview di GitHub misura l’effetto dell’AI Scan delle pull request (risultati generati e risolti, tasso di correzione, utilizzo dei suggerimenti di autofix), per i clienti GitHub Code Security o GitHub Advanced Security. 🔗 fonte
Impostazioni gestite di Copilot — Con forceRemoteSettingsRefresh, gli amministratori aziendali obbligano Copilot CLI, VS Code e l’app GitHub Copilot a recuperare la policy corrente all’avvio; il client blocca l’accesso se non riesce a verificarla. Viene inoltre imposta una versione minima del client tramite la chiave sandbox. 🔗 fonte
Telemetria di Copilot — L’impostazione gestita telemetry.capture.identity, disattivata per impostazione predefinita, associa l’attività di Copilot a un utente in OpenTelemetry (login GitHub, account di sistema, nome della macchina) senza raccoglierne i prompt; cinque categorie di acquisizione dei contenuti si configurano separatamente, tutte disattivate per impostazione predefinita. 🔗 fonte
Audit di Code Quality — Il rifiuto e la riapertura manuali dei risultati di GitHub Code Quality compaiono ora nel registro di audit, con autore, ora, repository, regola e numero di risultati, su GitHub Team e GitHub Enterprise Cloud. 🔗 fonte
Avvisi Dependabot ritirati — Il webhook dependabot_alert acquisisce un’azione withdrawn e l’API REST risponde 410 Gone anziché 404 per un avviso ritirato, distinguendolo così da un avviso che non è mai esistito. 🔗 fonte
Registri anonimi per Dependabot — Un metodo di autenticazione Anonymous permette di dichiarare, a livello di organizzazione, un registro privato accessibile senza credenziali, come un mirror interno aperto in lettura; chi utilizzava un token fittizio deve ricreare il proprio registro. 🔗 fonte
Budget di fatturazione di GitHub — La pagina Budget e avvisi riunisce tutti i budget in un unico elenco, filtrabile per ambito, prodotto, SKU o utente, inclusi i budget per utente. 🔗 fonte
Il RSSI di Uber e gli agenti IA — In un’intervista pubblicata da claude.com, Philip Martin, RSSI di Uber, propone di applicare agli agenti IA un programma di contrasto alla minaccia interna (insider threat program) e descrive l’integrazione di Enterprise Frontier Safeguards con ADR, lo strumento open source di Uber; nessun dato numerico né annuncio di prodotto. 🔗 fonte
Mistral Large 4 nell’ancoraggio visivo — Secondo Mistral, il suo modello ottiene il 42 % sul benchmark di ancoraggio visivo (visual grounding) Dense 200, superando persino modelli chiusi di punta, senza citare concorrenti né punteggi di confronto; una dimostrazione lo mostra su disegni tecnici. 🔗 fonte
JJ-1 di JurinAI — Quattro modelli decisionali da 0,8 a 9 miliardi di parametri per i processi aziendali giapponesi: nel rapporto del produttore (88 813 domande), JJ-1-9B raggiunge il 79,20 %, davanti a StartLux 9B (78,02 %), Jev 1.13 e Microsoft Decision-1 (76,50 %); pesi sotto CC BY-NC 4.0, senza uso commerciale. 🔗 fonte
AutoTrust — Due dimostrazioni online, dedicate a video brevi e notizie, ordinano le proprie raccomandazioni con un solo modello decisionale, senza addestramento né log: un’unica domanda di scelta per l’intero gruppo supera l’interrogazione candidato per candidato (AUC 0,931 in 0,42 s contro 0,905 in 1,54 s su 200 casi); sono misurazioni al di fuori della produzione, avvertono gli autori. 🔗 fonte
MolmoAct 2 in testa su Datapoint AI — La policy robotica di Ai2 guida il Datapoint Robot Policy Bench, valutato in base alle preferenze umane, con 1 082 punti Elo su 21 130 voti, davanti a OpenVLA-OFT (1 049) e π0.5-DROID (1 033); è la seconda classifica indipendente dopo Reality Check, il 30 settembre. 🔗 fonte
Molmo2Fish — Ai2 racconta come Kai Van Brunt (MIT) abbia affinato Molmo 2 su video sonar per seguire i salmoni e correggerne gli errori con una semplice istruzione; il prototipo offre prestazioni pressoché pari a quelle di un sistema specializzato, senza dati numerici pubblicati, e non è stato messo in produzione. 🔗 fonte
Riconoscimento vocale del controllo del traffico aereo — NVIDIA pubblica due skills che guidano un agente di programmazione nell’affinamento di Nemotron 3.5 ASR: su un banco di prova ATCO2 di due ore, il tasso di errore sulle parole passa dal 77,00 % al 22,46 %, mentre quello sull’inglese generale passa dal 3,50 % al 3,63 %. 🔗 fonte
Post-addestramento presso Together AI — Un ricettario Apache-2.0, apparso senza annunci, documenta Together Post Training, dove il cliente scrive il proprio ciclo di addestramento sulla propria macchina mentre Together AI esegue il trainer e il campionamento: ricette GRPO, SFT, DPO e multi-LoRA, senza prezzi né dati numerici. 🔗 fonte
Supabase in Grok Bot — Supabase entra nella rete di partner di SpaceXSI: una richiesta fatta nella chat di Grok Bot viene affidata a Cursor, che la esegue sul backend tramite il server MCP di Supabase; nelle sessioni Cursor, solo il 2 % circa degli errori interrompe la sessione, secondo Supabase. 🔗 fonte
Higgsfield e GPT-6 Astra — In un caso di studio di OpenAI, Higgsfield AI indica che i suoi video, limitati a circa un minuto prima di GPT-6 Astra, superano ormai i 10 minuti; secondo il suo CEO, le chiamate agli strumenti del modello per la modellazione 3D aiutano a mantenere la coerenza dei video lunghi. Non vengono forniti dati sui costi. 🔗 fonte

Cosa significa

Il lancio di Argon mostra come si diffonde ormai un modello di frontiera: il giorno della sua disponibilità generale, Cursor, Devin, GitHub Copilot e Manus lo aggiungono, ciascuno con la propria misurazione, e questi dati non sono confrontabili tra loro. Su CursorBench 4.0, Argon eguaglia Opus 5.5 con uno sforzo medio, ma costa di più per attività e rimane indietro non appena si aumenta lo sforzo; su FrontierCode 1.1, il banco di prova di Cognition, supera GPT-6.1 Sol di un decimo di punto e rimane a quasi cinque punti da Claude Opus 5.5; GitHub non pubblica alcun dato numerico. Il prezzo conta quanto il punteggio: 2 e 10 dollari per milione di token fino al 30 novembre, il doppio in seguito. Per un team che sceglie il proprio modello, il calcolo andrà rifatto a dicembre.

The X Subscription cambia il ruolo di Cursor. L’editor viene ormai venduto nello stesso abbonamento di Grok e X Premium, con una quota di utilizzo condivisa e almeno il doppio dell’utilizzo per la programmazione sui modelli di SpaceXSI. I modelli degli altri laboratori, come Gemini 4 Argon reso disponibile lo stesso giorno in Cursor, rimangono accessibili, ma solo a partire da 30 dollari al mese, e vengono fatturati al prezzo dell’API al di fuori della quota. Per un nuovo abbonato, l’offerta orienta quindi verso i modelli interni; per i clienti esistenti, nulla cambia finché SpaceXSI non avrà fissato il calendario della migrazione che annuncia.

La cybersicurezza attraversa l’intera giornata. Google giustifica le sue misure di protezione di nuova generazione con un risultato: Argon risolve i 12 scenari di attacco informatico simulati, contro i 5 della generazione precedente. XBOW mostra da parte sua ciò che un modello accessibile a tutti permette già di fare: una catena completa di exploit per Chrome con 40 000 dollari di calcolo. Le difese puntano sul monitoraggio in tempo reale: tre livelli di protezione intorno ad Argon, un classificatore in due fasi presso Anthropic, che dichiara di ridurre dal 90 al 99 % i dati estratti da chi effettua la distillazione, e presso GitHub un piccolo modello ModernBERT che sostituisce una pipeline LLM, con l’86 % di tempo di analisi in meno e un costo del servizio inferiore di oltre il 98 %.

L’IA locale, infine, riceve strumenti concreti. Nemotron 3.5 Bolt 74B entra in 24 Go grazie a una quantizzazione a 2 bit, LFM2.5-24B-A2B attiva solo 2 miliardi di parametri per token e dichiara 184 tokens/s su un Apple M5 Max, mentre Llama Windows riduce l’installazione di llama.cpp a pochi clic. Sul fronte dei server, NVIDIA rende disponibile il codice di Run:ai affinché i suoi partner orchestrino autonomamente le proprie GPU, e Anthropic mostra con Scion come il ritmo degli agenti influisca sugli strumenti: oltre 30 000 merge al giorno a settembre, contro 2 500 a maggio, l’hanno spinta ad abbandonare git.