Grok Voice 3.0 conquista la vetta dei modelli vocali, Gemini 4 Argon presenta i primi risultati scientifici, Claude Code punta sulle sessioni parallele

SpaceXSI lancia Grok Voice 3.0, che conquista la vetta dell’indice Speech-to-Speech di Artificial Analysis senza cambiare prezzo, a 0,08 dollari al minuto. Il giorno dopo la sua disponibilità generale, Google mostra Gemini 4 Argon all’opera nell’informatica quantistica, nella robotica e su 205 000 righe di Python, mentre Anthropic riorganizza l’applicazione desktop di Claude Code attorno alle sessioni parallele e pubblica due versioni del suo strumento nella stessa giornata. Meta pubblica dieci manoscritti medici realizzati con i suoi modelli Muse, NVIDIA destina 250 milioni di dollari di risorse di calcolo alla ricerca britannica sulla sicurezza degli agenti e OpenAI afferma di aver scoperto un dispositivo di registrazione nascosto in uno dei suoi uffici.

Grok Voice 3.0: SpaceXSI conquista la vetta dell’indice Speech-to-Speech, al prezzo invariato di 0,08 dollari al minuto

14 ottobre — SpaceXSI, l’ex xAI, lancia Grok Voice 3.0, un modello vocale end-to-end (speech-to-speech) che presenta come il più intelligente sul mercato. Il modello grok-voice-3.0 è disponibile lo stesso giorno nella Voice Agent API e nel Voice Agent Builder, al prezzo di Grok Voice 2.0: 0,08 dollari al minuto, ossia 4,80 dollari all’ora. Gli agenti che chiamano l’alias grok-voice-latest sono passati al nuovo modello senza modifiche, con lo stesso endpoint e gli stessi parametri di sessione. Grok Voice 2.0 viene deprecato lo stesso giorno, senza una data di fine vita.

Benchmark valutato (Artificial Analysis, 13 ottobre)	Grok Voice 3.0	Grok Voice 2.0	GPT-Live-1 (Astra, Medium)	Gemini 3.8 Live (Ext. Thinking, High)
Indice Speech-to-Speech	86,9	81,3	83,2	82,6
Big Bench Audio (ragionamento vocale)	98,5 %	97,2 %	90,1 %	97,7 %
Speech Agent Arena (Elo, preferenza umana)	1 070	1 011	1 048	990
Tasso di successo delle attività	94,8 %	94,6 %	87,4 %	89,1 %
Full Duplex Bench (pause, turni di parola)	97,0 %	95,1 %	94,9 %	91,9 %
τ-Voice (chiamate di assistenza)	71,6 %	56,5 %	74,5 %	68,6 %

Queste misurazioni di Artificial Analysis, datate 13 ottobre, sono quelle citate da SpaceXSI. L’indice Speech-to-Speech combina ragionamento vocale, τ-Voice, preferenza umana e successo delle attività durante chiamate confrontate alla cieca. Grok Voice 3.0 conquista la vetta, ma non vince ovunque: su τ-Voice, chiamate di assistenza con accenti diversi, rumore di fondo e interruzioni, il suo 71,6 % resta sotto il 74,5 % di GPT-Live-1, un livello che SpaceXSI giudica comparabile, con una latenza inferiore del 40 %. Su EVA-Bench, il banco di prova open source di ServiceNow per gli agenti vocali aziendali (oltre 200 scenari), ottiene la migliore accuratezza, 74 %, secondo SpaceXSI. Segue l’argomento del prezzo: nel percorso Big Bench Audio, un’attività costa in media 0,025 dollari con Grok Voice 3.0, contro 0,030 dollari per GPT-Live-1 e 0,055 dollari per GPT-Realtime-2.1 di OpenAI.

Il modello è già in funzione su larga scala presso Tesla e SpaceX: gestisce milioni di conversazioni al giorno nei veicoli Tesla e alimenta la modalità vocale di Grok Bot. Nei call center Starlink risponde a 20 000 chiamate al giorno in più lingue: circa il 70 % viene risolto senza intervento umano e una chiamata commerciale su quattro si conclude con un acquisto prima della fine della comunicazione. Il 24 agosto, Grok Voice Think Fast 2.0 era già in testa a questo indice, con allora 15 000 chiamate Starlink al giorno.

🔗 Grok Voice 3.0 (articolo di SpaceXSI) · Annuncio di @SpaceXSI · Note di rilascio dell’API

Gemini 4 Argon alla prova: primi risultati scientifici, robotica e ottimizzazione del codice

Il giorno dopo la sua disponibilità generale, Google documenta Gemini 4 Argon su tre fronti: la ricerca scientifica, la robotica e l’ottimizzazione di un grande repository Python. I due articoli del blog per sviluppatori risalgono al giorno del lancio; il thread dei ricercatori è stato raccolto il 14 da Google DeepMind.

Primi risultati scientifici: informatica quantistica, fusione e progettazione di enzimi

14 ottobre — Google DeepMind raccoglie in un thread i primi risultati ottenuti dai suoi ricercatori con Argon, ciascuno descritto in dettaglio il giorno prima dal suo autore.

Ambito di ricerca	Risultato dichiarato con Argon
Correzione degli errori quantistici	Throughput di inferenza del decoder AlphaQubit quasi raddoppiato
Algoritmi quantistici	Subroutine arcsin oltre 100 volte meno costosa di quantum CORDIC, verificata in Lean
Fisica dei plasmi	2 nuove famiglie di controesempi alla congettura di Grad
Progettazione di enzimi	5 serina esterasi inedite (dal 59 all’81 % di identità), attività confermata in laboratorio
Malattie rare (Gamow Labs)	57 % su RareBench e 52,2 % su LabBench, due valutazioni private

Nell’informatica quantistica, Ben Jaderberg e il suo team, insieme a Google Quantum AI, hanno fatto tradurre da Argon una versione interna di AlphaQubit, il decoder di correzione degli errori di Google, in un unico kernel hardware ottimizzato (megakernel) che ne raddoppia quasi il throughput di inferenza, un miglioramento utile per un decoder che deve seguire in tempo reale le misurazioni del processore quantistico.

Second, we used Argon to discover a quantum arcsin subroutine that cuts spacetime cost by more than 100x compared to the published quantum CORDIC baseline.

🇮🇹 In secondo luogo, abbiamo usato Argon per scoprire una subroutine quantistica per l’arcoseno che riduce il costo spazio-temporale di oltre 100 volte rispetto al riferimento pubblicato quantum CORDIC. — @benjaderberg su X

Questo costo moltiplica il numero di qubit per la durata di esecuzione e il circuito è stato verificato formalmente in Lean. Nella fisica dei plasmi, Opal Issan annuncia due famiglie di controesempi alla congettura di Grad, che dal 1967 ipotizzava che alcuni equilibri magnetici tridimensionali non potessero esistere; il suo thread afferma che sono state trovate con Argon, ma l’abstract dell’articolo arXiv, depositato il 5 ottobre, non menziona il modello. In biologia, Ryan Krueger descrive serina esterasi progettate in poche sessioni di prompt: Argon ha raccolto i dati, affinato un modello linguistico proteico e costruito i propri filtri per il sito attivo. L’articolo di lancio aggiunge il caso di Gamow Labs, dove Argon ha individuato nel genoma di un neonato un riarrangiamento cromosomico sfuggito per anni ai software abituali.

🔗 Il thread di Google DeepMind · L’articolo sulla congettura di Grad (arXiv) · L’articolo di lancio di Argon

Robotica: dal cornhole sull’umanoide Apollo a un tasso di successo nel mondo reale passato dal 56 % al 75 %

13 ottobre — Il giorno del lancio, il blog per sviluppatori di Google dedica un lungo articolo ad Argon nella robotica, firmato da Kanishka Rao, con i prompt di ogni dimostrazione. L’articolo di lancio ne riprende la più eloquente, un test interno partito da un semplice video di una persona che giocava a cornhole, il gioco in cui si lanciano sacchetti su una tavola forata: Argon ha mappato l’ambiente, calcolato i movimenti dell’intero corpo e scritto il codice della propria simulazione; trasferito sull’umanoide Apollo di Apptronik, il robot ha eseguito con successo sette lanci consecutivi in condizioni reali. Google riassume questo passaggio dal video alla simulazione e poi al mondo reale (Video-to-Sim-to-Real): settimane di modellazione manuale ridotte a poche ore.

L’articolo di Kanishka Rao presenta altre dimostrazioni: uno Spot di Boston Dynamics che si allena in un gemello digitale MuJoCo prima di premere il pedale di un vero bidone della spazzatura, simulazioni ricostruite da un video girato all’altezza degli occhi o da uno schizzo su carta, l’enigma delle 12 palline risolto in tre pesate da due bracci robotici guidati dalla sola visione stereo. Il risultato più misurabile riguarda l’addestramento: a partire da una sola foto di un tavolo reale, Argon costruisce un gemello MuJoCo, genera oltre 4 500 episodi e porta il tasso di successo di un modello visione-linguaggio-azione (VLA) sul robot reale dal 56 % al 75 %, con una durata di esecuzione ridotta da 35 a 24 secondi. Anche un braccio SO-101 migliora da solo, passando da 58,9 a 22,9 e poi a 17,4 secondi.

🔗 Gemini 4 Argon per la robotica (Google Developers)

ADK: undici ore di lavoro notturno su 205 000 righe di Python, due ottimizzazioni accettate su sei

13 ottobre — Gli ingegneri di Google Cloud hanno affidato ad Argon un esercizio più impegnativo di un’applicazione creata da zero: trovare e correggere le lentezze del repository Python dell’Agent Development Kit (ADK), il framework open source di Google per costruire agenti, con circa 205 000 righe, quasi 800 file e quasi 17 000 test unitari.

Misura del run su ADK	Risultato pubblicato
Durata del lavoro notturno senza supervisione	11 ore
Test unitari rieseguiti	16 892
Ottimizzazioni proposte e poi accettate	6 proposte, 2 accettate
Preparazione delle sessioni lunghe in memoria	Circa il 40 % in meno
Import del pacchetto google.adk	21 % più veloce
Esecuzione completa di 158 turni	Da 65,6 s a 56,1 s

Un primo tentativo di due ore, senza istruzioni specifiche per il repository, ha trovato veri colli di bottiglia ma ha ignorato le convenzioni dei maintainer, arrivando a modificare uno schema JSON pubblico. Per il secondo, il team ha inserito le proprie regole di revisione nella cartella .agents/skills e attivato la modalità /goal di Google Antigravity, che mantiene l’obiettivo attraverso le compattazioni del contesto. La revisione umana ha mantenuto solo due delle sei ottimizzazioni: filtrare la cronologia delle sessioni prima di copiarla e caricare i pacchetti pesanti al primo utilizzo; le altre si basavano su uno stato fragile, un attributo privato di OpenTelemetry o miglioramenti limitati ai benchmark sintetici. Il miglioramento riguarda solo il servizio di sessioni in memoria, non i sistemi di archiviazione esterni. Il team riassume la divisione dei ruoli: l’agente esplora, il maintainer elimina.

🔗 Ottimizzare ADK in una notte con Gemini 4 Argon (Google Developers)

Agenti di codice: l’applicazione desktop e due versioni di Claude Code, VS Code 1.142, HydraFusion Max

Anthropic riorganizza l’applicazione desktop di Claude Code attorno alle sessioni parallele e pubblica due versioni del suo strumento a riga di comando nella stessa giornata; VS Code rende l’harness di Copilot la scelta predefinita e GitHub aggiunge un’opzione Max alla sua orchestrazione multimodello.

Claude Code: l’applicazione desktop si organizza attorno alle sessioni parallele

14 ottobre — Anthropic aggiorna l’applicazione desktop di Claude Code, la scheda Code di Claude Desktop, per gestire meglio più sessioni affiancate: secondo @ClaudeDevs, avviare una sessione diventa più rapido, distribuire un lavoro tra più sessioni è più semplice e si può vedere in ogni momento cosa sta facendo ciascuna.

Novità annunciata	Cosa offre
Schermata della sessione	Cartelle recenti a un clic; ambienti salvati (alcune cartelle, un host SSH o il cloud), worktree per cartella opzionale
Sessioni annidate	Una sessione per ogni attività parallela, che restituisce il proprio risultato alla sessione principale
Attività successive	Proposte da Claude mentre lavora e avviate con un clic come sessione separata; /btw apre le domande collaterali in una scheda
Barra laterale e rail	Sessioni attive o in attesa, elenco delle attività in tempo reale, scheda riepilogativa, luogo di esecuzione, contesto e modifiche

When you ask Claude to run tasks in parallel, it starts a nested session for each one. Each reports its result back into your main session when it’s done, so the main thread stays readable.

🇮🇹 Quando chiedete a Claude di svolgere attività in parallelo, avvia una sessione annidata per ciascuna. Ognuna restituisce il proprio risultato alla vostra sessione principale una volta terminata, in modo che il thread principale resti leggibile. — @ClaudeDevs su X

La scheda riepilogativa (recap card) riassume il turno quando Claude ha bisogno dell’utente e il rail laterale mostra dove viene eseguita la sessione, il suo contesto e le sue modifiche. Per usufruirne, basta aggiornare l’applicazione e aprire una nuova sessione; Anthropic non fornisce né un numero di versione né un calendario di distribuzione. La pagina introduttiva ricorda che Claude Code richiede un abbonamento Pro, Max, Team o Enterprise, con ambienti Local, Cloud, SSH e WSL. L’aggiornamento prosegue la riprogettazione dell’applicazione per gli agenti paralleli presentata ad aprile.

🔗 Thread di @ClaudeDevs · Introduzione all’applicazione desktop

Claude Code 2.1.299: compattazione delle conversazioni inattive prima della scadenza della cache, 131 correzioni

14 ottobre — Pubblicata alle 2 h 49 UTC, Claude Code 2.1.299 è una versione importante con 190 voci, tra cui 18 aggiunte, 131 correzioni, 16 miglioramenti e 25 modifiche; i numeri 2.1.297 e 2.1.298 sono stati saltati. La novità più evidente riguarda il costo delle sessioni lunghe, con la compattazione durante l’inattività (idle compaction): nel terminale, una conversazione di oltre 200 000 tokens lasciata inattiva per circa 54 minuti viene compattata prima della scadenza della cache del prompt di un’ora, così che il messaggio successivo non richieda di rielaborare tutto. La soglia si regola con CLAUDE_CODE_IDLE_COMPACT_MIN_TOKENS, mentre "idleCompaction": false in settings.json disattiva la funzione. Con CLAUDE_CODE_DISABLE_FILE_MENTIONS, Claude riceve il percorso dei file menzionati tramite @, che legge autonomamente con i propri strumenti, anziché il loro contenuto. Il comando /usage ora segnala lo sforzo massimo, i workflow, il contesto sempre caricato e i risultati voluminosi degli strumenti, e non mostra più valori superiori al 100 %.

La versione restringe anche i permessi: una regola allow MCP si applica soltanto al server che nomina (mcp__a non autorizza più un server a__b), le richieste al proxy dei connettori di claude.ai e ai server MCP ospitati da Anthropic non seguono più i reindirizzamenti HTTP, e gli hook UserPromptSubmit vengono eseguiti prima dell’espansione di una skill o di un comando, bloccando così anche i relativi comandi shell integrati. Tra le correzioni di sicurezza, un comando eseguito nella sandbox poteva scrivere in una cartella --plugin-dir il cui codice viene ricaricato all’esterno della sandbox, la modalità di pianificazione poteva eseguire una scrittura autorizzata da un hook PreToolUse, e un percorso a cui era stato negato l’accesso rimaneva raggiungibile tramite un link simbolico nella sandbox di macOS. Le descrizioni degli strumenti dei server MCP di Anthropic non vengono più troncate a 4 096 caratteri, e Claude Tag, Claude in Slack, può eliminare un canvas che ha creato.

🔗 Note di rilascio di Claude Code 2.1.299

Claude Code 2.1.300: /advisor su Claude Platform on AWS, tracce OpenTelemetry GenAI, Claude Tag in Slack Connect

14 ottobre — Seconda versione della giornata, Claude Code 2.1.300 (18 h 24 UTC, 88 voci di cui 59 correzioni) estende /advisor a Claude Platform on AWS: nessun modello consulente viene eseguito finché l’utente non ne sceglie uno con /advisor, advisorModel o --advisor, mentre CLAUDE_CODE_DISABLE_ADVISOR_TOOL=1 disattiva lo strumento. La telemetria si allinea alle convenzioni semantiche GenAI di OpenTelemetry (gen_ai.provider.name, gen_ai.conversation.id, gen_ai.tool.name e error.type sugli span), e l’evento api_request distingue le scritture nella cache a 5 minuti da quelle a 1 ora.

Sul fronte della sicurezza, l’input modificato (updatedInput) restituito da un hook PreToolUse o PermissionRequest viene ora convalidato come quello di Claude: le chiavi sconosciute vengono rimosse e un input rifiutato dallo strumento comporta il rifiuto della chiamata. Gli hook di tipo agente rispettano finalmente il proprio campo model e, se quel modello non è disponibile, usano quello del chiamante anziché lasciar passare l’azione. Le trascrizioni locali registrano anche il prompt di sistema, gli strumenti e i parametri di ogni richiesta, e le opzioni --sandbox e --no-sandbox di claude remote-control, che non avevano alcun effetto, vengono rimosse. Claude Tag può ora rispondere nei canali Slack Connect condivisi con un’altra organizzazione (funzione disattivata per impostazione predefinita, attivabile da un Owner o da un amministratore di Claude Tag) e richiede l’approvazione di un’azione di un connettore tramite una scheda privata Consenti una volta / Nega, anziché rifiutarla.

Versione di Claude Code	Pubblicazione (UTC)	Voci pubblicate	Di cui correzioni	Novità principale
2.1.299	14 ottobre, 2 h 49	190	131	Compattazione durante l’inattività delle conversazioni di oltre 200 000 tokens
2.1.300	14 ottobre, 18 h 24	88	59	`/advisor` su Claude Platform on AWS, attributi GenAI di OpenTelemetry

🔗 Note di rilascio di Claude Code 2.1.300

VS Code 1.142: l’harness Copilot predefinito e i canvas in anteprima

14 ottobre — VS Code 1.142 prosegue la transizione verso l’harness Copilot, basato sul Copilot SDK e le cui sessioni passano attraverso l’Agent Host per continuare in background. Finora disponibile nel selettore degli harness, diventa progressivamente l’harness predefinito delle nuove sessioni, dopo riscontri «estremamente positivi» secondo il team; Ask torna come agente integrato in sola lettura, e il titolo della chat indica l’harness attivo, Copilot o Codex. Un’altra novità sono i canvas (Canvases), in anteprima: interfacce interattive aperte accanto alla chat, in cui l’utente e l’agente modificano lo stesso artefatto, per esempio una bacheca Kanban di cui l’agente aggiorna le attività. Ogni canvas proviene da un’estensione, che l’agente può generare con il comando /create-canvas. Nella finestra Agents, una chat può anche cambiare cartella o passare a un nuovo worktree Git senza perdere la cronologia, per ora con l’harness Codex.

Sul fronte aziendale, una policy relativa ai permessi o alla sandbox impone ora l’harness Copilot nell’Agent Host: le chat locali esistenti vi migrano automaticamente, senza inviare nulla, e Claude, Codex e la chat del terminale diventano indisponibili finché queste policy si applicano. Gli amministratori possono mantenere temporaneamente l’harness Local, che non applica queste regole di esecuzione, e la sandbox Windows di questo harness viene deprecata a favore delle sessioni Agent Host.

🔗 Note di rilascio di VS Code 1.142

HydraFusion Max: GitHub aggiunge un’opzione di frontiera alla sua orchestrazione di più modelli

14 ottobre — GitHub fa evolvere HydraFusion, la sua orchestrazione che combina più modelli per produrre un’unica risposta, senza dover scegliere un modello per ogni attività. L’insieme dei modelli comprende ora Claude Opus 5.5, GPT-6 Astra, GPT-6.1 Sol e GPT-6 Luna, e lo sforzo di ragionamento si regola per fase: medio per le prime bozze, elevato per la revisione, mentre finora HydraFusion si limitava allo sforzo predefinito di ogni modello. Il workflow Cascade può inserire una fase di valutazione che esamina il lavoro iniziale e richiede una correzione solo se necessario, mentre Critique fa lavorare in parallelo più modelli critici, dotati di strumenti per esaminare direttamente l’area di lavoro.

Opzione proposta	Posizionamento secondo GitHub
HydraFusion	Equilibrio tra velocità, costo e prestazioni, con risparmi moderati di tokens
HydraFusion Max	Capacità di frontiera e ragionamento più avanzato, efficienza in tokens gestita dall’orchestrazione

Entrambe le opzioni restano in anteprima di ricerca in VS Code, nell’app GitHub Copilot e in Copilot CLI, per i piani Pro, Pro+, Business ed Enterprise con le funzionalità sperimentali o in anteprima attivate. GitHub non pubblica né benchmark né prezzi per questa versione; al lancio in Copilot CLI, il 4 settembre, dichiarava 4,9 punti di qualità in più e un costo inferiore del 67 % rispetto a Opus 5 su TerminalBench 2.1.

🔗 Aggiornamenti di HydraFusion e nuova opzione Max (changelog GitHub)

Sicurezza e integrità: le protezioni elettorali di Anthropic, il rilevamento delle truffe sul telefono, un registratore nascosto presso OpenAI

Tre temi legati alla fiducia: Anthropic prepara Claude alle elezioni di metà mandato statunitensi, Google DeepMind e GovTech Singapore rilevano le truffe senza uscire dal telefono, e OpenAI afferma di aver scoperto un dispositivo di registrazione nascosto in uno dei suoi uffici.

Elezioni di metà mandato: Anthropic rafforza le proprie protezioni e integrerà le informazioni sul voto di Democracy Works

14 ottobre — In vista delle elezioni di metà mandato statunitensi, Anthropic illustra le protezioni elettorali rafforzate dopo il suo aggiornamento di aprile. Un’analisi di 250 000 conversazioni degli utenti comuni di Claude.ai negli Stati Uniti, dal 21 al 27 settembre, misura anzitutto lo spazio occupato dalla politica.

Tipo di conversazione (Claude.ai, Stati Uniti)	Quota delle conversazioni
Politica, politiche pubbliche, questioni sociali	Circa 5,75 %
Elezioni o voto	Circa 0,51 %
Per chi o cosa votare	Circa 0,01 %
Contrarie alle regole di integrità elettorale (analisi separata)	Circa 0,002 %

Il banner verso TurboVote (Democracy Works) rimane attivo, e nel corso di questo mese Claude.ai integrerà nelle risposte agli utenti statunitensi le informazioni ufficiali sul voto di Democracy Works (dove votare, quale documento d’identità portare, con una risposta specifica per ogni Stato), per poi mostrare i risultati ufficiali la sera delle elezioni e nei giorni successivi. Secondo Anthropic, Claude Opus 5.5, Sonnet 5.5 e Haiku 5.5 ottengono il 99 % nella sua valutazione di imparzialità politica. Su tre valutazioni indipendenti, due (The Future of Free Speech e il Collective Intelligence Project) rilevano pochi rifiuti, ma avvertimenti e controargomentazioni non richiesti; la terza, della Foundation for American Innovation, ha constatato che Claude Sonnet 4.5 non introduceva sempre precisazioni in modo equilibrato e attenuava più volentieri gli argomenti a favore di posizioni di destra. Test condotti con l’Institute for Strategic Dialogue e il McCain Institute negli Stati Uniti, in Israele e in Brasile hanno mostrato che Claude rifiutava in modo affidabile una richiesta dannosa isolata, ma poteva non riconoscere una campagna suddivisa in piccole attività apparentemente innocue. Anthropic ha aggiunto classificatori contro questi abusi in più fasi e ha bandito gli account di operatori con sede all’estero legati a un falso sito d’informazione, che producevano con Claude una copertura delle elezioni favorevole alle narrazioni russe, iraniane e nordcoreane.

🔗 Prepararsi alle elezioni di metà mandato statunitensi del 2026 (Anthropic)

Truffe: Google DeepMind e GovTech Singapore perfezionano Gemma per il rilevamento sul telefono

14 ottobre — Google DeepMind e l’agenzia governativa GovTech Singapore hanno effettuato il fine-tuning di un modello Gemma leggero, di cui l’articolo non specifica la generazione, per individuare le truffe direttamente sul telefono dell’utente. Il punto di partenza è quantificato: a Singapore, le truffe rappresentano più della metà dei reati segnalati e oltre 4 miliardi di dollari di Singapore di perdite dal 2019, e le frodi basate su tecniche complesse di ingegneria sociale incidono fino all’80 % delle perdite. Il modello è stato perfezionato su conversazioni relative a truffe locali: impersonificazione di istituzioni pubbliche, banche o personalità, e frodi diffuse in quel momento nella regione. Tutto avviene sul dispositivo, in due fasi per risparmiare batteria: un classificatore leggero filtra i messaggi in arrivo, poi il Gemma perfezionato rilegge un estratto più ampio della conversazione per confermare la minaccia o escludere il falso allarme, prima di mostrare un avviso in tempo reale.

Il modello accede alle conversazioni solo con il consenso dell’utente, e né il governo di Singapore né Google possono leggerle; il fine-tuning è avvenuto nell’ambiente Google Cloud gestito da GovTech, su dati anonimizzati, senza alcun dato dei cittadini. Presentato alla Singapore International Cyber Week, il progetto non ha ancora né una data né un’applicazione identificata: la sua distribuzione sarà «scaglionata con attenzione» (carefully phased) insieme al governo, e Google DeepMind sta valutando altri paesi.

🔗 Google DeepMind e GovTech Singapore contro le truffe

OpenAI scopre un dispositivo di registrazione nascosto in uno dei suoi uffici

13 ottobre — Secondo una nota pubblicata dal suo account stampa, OpenAI ha scoperto un sofisticato dispositivo di registrazione nascosto in uno dei suoi uffici. L’azienda afferma di aver utilizzato i propri modelli per comprendere il dispositivo e la sua provenienza, fino a identificare il dipendente che lo aveva collocato pochi giorni prima. Il caso è stato trasmesso all’FBI, e OpenAI ringrazia gli agenti e i procuratori che hanno agito rapidamente per procedere a un arresto; l’indagine federale prosegue e il dipendente è stato licenziato.

At this time, we have no indications of this individual inappropriately accessing or exfiltrating model weights, source code, or customer data.

🇮🇹 Al momento, non abbiamo alcuna indicazione che questa persona abbia avuto accesso in modo improprio ai pesi dei modelli, al codice sorgente o ai dati dei clienti, né che li abbia esfiltrati. — @OpenAINewsroom su X

Secondo OpenAI, il suo programma di sicurezza affronta un’ampia gamma di minacce, dai rischi interni ai criminali informatici e agli Stati, e questo caso mostra come l’IA possa aiutare a farvi fronte. La nota non precisa né l’identità del dipendente, né l’ufficio interessato, né la natura esatta del dispositivo, né la data dell’arresto.

IA per la scienza: dieci manoscritti medici di Meta con i suoi modelli Muse, il meteo estremo a 3 km con HiRO-ACEv2

Due impieghi scientifici dei modelli: Meta accelera studi epidemiologici su cartelle cliniche, Ai2 produce a basso costo dati climatici ad alta risoluzione.

Meta pubblica dieci manoscritti di ricerca medica redatti con Muse Spark 1.3 e Muse Wonder

14 ottobre — Meta ha costruito una struttura interna per il codice (coding scaffold), basata su Muse Spark 1.3 e Muse Wonder, che accede a dati pubblici e a un database retrospettivo concesso in licenza contenente cinque milioni di cartelle cliniche elettroniche deidentificate. Una coorte di ricercatori in medicina (cardiologia, epidemiologia, malattie infettive, medicina interna) l’ha utilizzata per quattro settimane per formulare ipotesi, scrivere ed eseguire tutto il codice di analisi e collaborare alla stesura dei manoscritti; gli esperti mantengono l’autorità sulle decisioni scientifiche. Ne risultano dieci manoscritti, sottoposti alla revisione dei colleghi della coorte, di un biostatistico e poi di esperti indipendenti incaricati, i cui pareri sono pubblicati sotto ciascun articolo.

Studio citato come esempio	Risultato riportato
Aritmie dopo endocardite infettiva	+73 % di nuove aritmie e disturbi della conduzione rispetto alle batteriemie senza endocardite; rischio a un anno del 7 % contro il 4 %
Pronto soccorso, pazienti con problemi di salute comportamentale andati via senza essere visitati	Rischi relativi di 1,86 (nuovo accesso), 4,41 (ricovero) e 2,15 (mortalità a breve termine)
Tempo dal primo prompt al manoscritto	Meno di due settimane, talvolta sette giorni

I partecipanti riferiscono un aumento della produttività fino a dieci volte nei casi migliori, una misura basata sulle loro dichiarazioni. I limiti sono riconosciuti: le analisi sono esclusivamente retrospettive e un revisore esterno giudica lo studio sulle aritmie utile a generare ipotesi più che a modificare la pratica clinica, poiché resta possibile un bias di sorveglianza. Questo filone sanitario segue i sei articoli di matematica redatti con Muse Spark e pubblicati il 2 ottobre.

🔗 Il post di Meta

HiRO-ACEv2: Ai2 simula il meteo estremo globale a 3 km, a un costo circa 300 volte inferiore a X-SHiELD

14 ottobre — Ai2 pubblica HiRO-ACEv2, nuova versione del suo emulatore climatico ad alta risoluzione. Il sistema combina ACE, un modello di IA che simula il clima con una risoluzione di 100 km, e HiRO, che affina questi output fino a 3 km. Mentre la prima versione di HiRO produceva soltanto le precipitazioni, HiROv2 prevede sia la pioggia sia i venti in prossimità della superficie e la pressione al livello del mare. Alimentato con dati a risoluzione ridotta di X-SHiELD, un modello atmosferico globale che simula esplicitamente le tempeste, ne riproduce le statistiche ad alta risoluzione con uno scarto entro il 3 %, anche per eventi con una frequenza di un punto su un milione, e stima correttamente l’energia dei cicloni tropicali, anche per tempeste mai incontrate durante l’addestramento.

Misura annunciata da Ai2	Valore annunciato
Risoluzione	3 km in output, a partire da ACE a 100 km
Scarto rispetto alle statistiche di X-SHiELD	Entro il 3 %, anche per eventi con frequenza di uno su un milione
Costo rispetto a X-SHiELD	Circa 300 volte inferiore per dati globali
Simulazioni prodotte	10 anni (ACE); un anno completo di dati globali a 3 km
Licenza dei modelli	Apache-2.0, su Hugging Face

Il limite è riconosciuto: essendo stato addestrato su X-SHiELD, HiRO funziona soltanto con la versione di ACE calibrata su questo modello e non è ancora in grado di produrre dati per un clima più caldo né per i dati storici ERA5. Ai2 prevede di addestrarlo su un mondo più caldo di 4 °C, per poi aggiungere la temperatura in prossimità della superficie, la neve e il ghiaccio. I modelli sono pubblicati insieme a un rapporto tecnico (arXiv 2610.17693), notebook tutorial e una demo.

🔗 Il post di Ai2 · I modelli su Hugging Face

Sedi e investimenti: Anthropic a Singapore, 250 milioni di dollari di NVIDIA per la ricerca britannica, Mistral acquisisce New Material

Anthropic si insedia a Singapore con un accordo governativo, NVIDIA impegna risorse di calcolo e investimenti nel Regno Unito e Mistral si rafforza con un’acquisizione nella progettazione di prodotti.

Anthropic apre a Singapore il suo quinto ufficio in Asia-Pacifico e firma un protocollo d’intesa con il governo

14 ottobre — Anthropic apre un ufficio a Singapore, il suo quinto in Asia-Pacifico, e firma un protocollo d’intesa (Memorandum of Understanding) con il ministero dello Sviluppo digitale e dell’Informazione di Singapore. Il testo è stato firmato dal segretario permanente del ministero, Kai Fong Chng, e dal cofondatore di Anthropic Ben Mann, a margine della Singapore International Cyber Week. Prevede una cooperazione sulla sicurezza, sulla protezione e sulla valutazione dei modelli, scambi tecnici sugli standard di test e sulla risposta agli incidenti e la condivisione dei dati dell’Anthropic Economic Index.

Organizzazione di Singapore	Utilizzo di Claude citato da Anthropic
GovTech Singapore	Oltre 1 500 ingegneri e tecnici su Claude Code
Grab	Assistente commerciale BriX, circa 40 000 ore risparmiate per trimestre
DBS e GIC	Utilizzo o implementazione di Claude nella banca e nel fondo sovrano
Sea (Shopee, Garena, Monee)	Chatbot del servizio clienti di Shopee, migliaia di dipendenti che programmano con Claude

Secondo l’Economic Index, Singapore è seconda su 121 paesi per l’utilizzo di Claude.ai in rapporto alla popolazione, quasi sei volte quanto ci si aspetterebbe in base alle sue dimensioni. Un Builder Summit ha riunito oltre 300 sviluppatori il giorno dell’apertura. Anthropic non comunica né l’importo dell’investimento né l’organico di questo ufficio, che sta assumendo.

🔗 Apertura dell’ufficio di Singapore (Anthropic)

NVIDIA offre 250 milioni di dollari in risorse di calcolo alla ricerca britannica sulla sicurezza degli agenti

13 ottobre — NVIDIA annuncia una donazione di risorse di calcolo del valore di 250 milioni di dollari in cinque anni, pari a 50 milioni di dollari di accesso al calcolo all’anno, per la ricerca britannica sulla sicurezza e sulla protezione degli agenti (agentic safety and security). La quota maggiore andrà all’intera comunità britannica di ricerca sulla sicurezza e sulla protezione dell’IA; una parte è riservata a BOLD (Università di Oxford), a SOFAIR (UCL) e all’Imperial College London, che lavorerà sull’ingegneria della sicurezza e sulla robotica. Le risorse di calcolo saranno fornite tramite NVIDIA Cloud Partners con sede nel Regno Unito, su un’infrastruttura ospitata nel paese; fornitori, architettura tecnica e condizioni commerciali restano da concordare. I lavori previsti riguardano gli agenti sicuri, la sicurezza dei modelli aperti e l’attenuazione delle minacce reali, con sandbox, ricerca riproducibile e benchmark di valutazione della sicurezza, in particolare su NVIDIA OpenShell e sul design di riferimento NVIDIA Sentry.

Il post che accompagna l’annuncio aggiunge investimenti previsti, senza indicarne l’importo, in cinque startup britanniche: Boltz (modelli biomolecolari), Foresight (gestione dei grandi cantieri), Hiverge (scoperta di algoritmi), Prima Mente (modelli di fondazione biologici per Alzheimer, Parkinson e SLA) e Riverlane (correzione degli errori quantistici). Questi annunci precedono il keynote GTC Berlin di Jensen Huang, il 21 ottobre.

🔗 Comunicato NVIDIA · Post NVIDIA sull’ecosistema britannico

Mistral acquisisce lo studio di design New Material e crea un team Solutions Design

14 ottobre — Mistral acquisisce New Material, uno studio di progettazione di prodotti di IA fondato sei anni fa. L’annuncio arriva dal post di New Material, che parla di acquisizione; Mistral lo ha rilanciato su X per dare il benvenuto al team, senza pubblicare un post sul proprio sito né comunicare l’importo. Lo studio dichiara di aver realizzato strumenti, prodotti e imprese nativamente basati sull’IA nei settori automobilistico, della distribuzione, legale e sanitario, con partner come Ford, Rafael Nadal, il Wellcome Trust o studi legali dell’AmLaw 50. Forma in Mistral un nuovo team, Solutions Design, che combina design, ingegneria e IA e svilupperà i progetti insieme ai clienti, per accorciare il ciclo tra le implementazioni reali e i prodotti di Mistral nell’IA per le attività critiche di imprese e governi. A maggio Mistral aveva già acquisito Emmi AI, specialista austriaco della Physics AI.

🔗 Post di New Material · Messaggio di @MistralAI

OpenAI misura la svolta agentica delle imprese dell’UE: utenti moltiplicati per 8,1 nelle PME

14 ottobre — OpenAI pubblica un rapporto della sua ricerca economica dedicato all’utilizzo agentico dell’IA nelle imprese dell’Unione europea, accompagnato da un PDF e da dati da esplorare. Nel campione europeo di clienti ChatGPT Enterprise, Codex e ChatGPT Work rappresentano ormai più della metà dei token di output: gli utenti affidano agli agenti interi compiti, dalla pianificazione all’esecuzione.

Indicatore misurato da OpenAI	Valore rilevato
Quota dei token di output tramite Codex e ChatGPT Work (UE, ChatGPT Enterprise)	Più della metà
Utenti attivi settimanali di strumenti agentici nelle PME dell’UE	×8,1 rispetto alla settimana dal 1 al 7 maggio
Quota agentica dei token di output per paese	Dal 22 % (Slovenia) all’85 % (Lituania)
Token di output su 28 giorni, rapportati alle imprese tipo di maggio	Di punta extra UE 12,9x; di punta UE 6,1x; tipo extra UE 1,6x; tipo UE 1,5x
Quota dell’UE tra le imprese di punta mondiali	10 %

Le PME sono definite qui come le imprese che contano al massimo 200 utenti associati e la loro crescita interessa ogni Stato membro. Il rapporto misura soprattutto un divario di intensità: a settembre le imprese di punta dell’UE (frontier firms, il 10 % che genera più token di output per utente attivo) ne producevano oltre quattro volte di più rispetto alle imprese tipo dell’UE, ma le imprese di punta extra UE ne producevano ancora più del doppio rispetto a loro. Per OpenAI, la sfida è trasformare un’adozione diffusa in utilizzi più approfonditi, aiutando le imprese a superare la sperimentazione e formando i dipendenti. Il rapporto segue quello del 30 settembre sulle piccole imprese statunitensi.

🔗 Il prossimo capitolo dell’IA nell’UE sarà agentico (OpenAI)

Infrastruttura degli agenti: tracce OpenTelemetry su Claude Platform, routing delle sandbox su Perplexity

Due componenti degli strumenti che fanno funzionare e permettono di osservare gli agenti in produzione: l’osservabilità in Anthropic, l’instradamento delle richieste verso l’esecuzione corretta in Perplexity.

Claude Platform esporta in beta pubblica tracce OpenTelemetry dell’API Messages, di Managed Agents e degli SDK

14 ottobre — Claude Platform può ora inviare, in beta pubblica, tracce OpenTelemetry dall’API Messages, da Claude Managed Agents e dagli SDK Claude a qualsiasi strumento di osservabilità che accetti un endpoint OTLP standard. Ogni turno dell’agente, chiamata al modello e chiamata a uno strumento arriva come traccia standard, con latenza, token e identificativi. Per l’API Messages e Managed Agents occorre aggiungere una destinazione nella Claude Console; gli SDK esportano automaticamente i propri span, in Python, TypeScript, C#, Go, Java, PHP e Ruby secondo le note di rilascio. Gli span seguono le convenzioni semantiche GenAI di OpenTelemetry e includono per impostazione predefinita metadati (durata, stato, numero di token, modello, nomi degli strumenti); una destinazione configurata per il contenuto completo (full content) esporta anche prompt, risposte, input e risultati degli strumenti. Lo stesso giorno, Claude Code 2.1.300 allinea i propri span a queste convenzioni.

Utilizzo evidenziato	Strumenti citati da Anthropic
Eseguire il debugging insieme al resto dello stack	Grafana Cloud, Honeycomb, Sentry, Splunk
Trasformare tracce reali in valutazioni	Arize AI, Braintrust, Datadog, Langfuse, LangSmith, New Relic, PostHog
Monitorare l’utilizzo dei token per team	Databricks Unity Gateway

Tra le testimonianze, Ramp spiega che Reflect, il suo sistema che assegna un punteggio alle tracce Langfuse dei suoi agenti, ha già ridotto l’utilizzo dei token di una percentuale compresa tra il 10 e il 20 % e accelerato del 30 % le sessioni su alcuni agenti. Anthropic non annuncia né prezzi né una tempistica per la disponibilità generale.

🔗 Osservabilità degli agenti su Claude Platform · Note di rilascio di Claude Platform

SPACE: Perplexity associa ogni richiesta alla corretta esecuzione della sandbox

14 ottobre — Perplexity pubblica un post di ingegneria su SPACE, la piattaforma di sandbox in cui vengono eseguiti gli agenti di Perplexity Computer. Secondo Perplexity, SPACE gestisce da mesi milioni di esecuzioni al giorno con un tasso di errore inferiore allo 0,0002 % e nessuna connessione persa. Il problema affrontato è quello di un percorso di routing obsoleto: una sandbox ripristinata su un’altra macchina conserva il proprio identificativo ma avvia una nuova esecuzione, e una richiesta ritardata può raggiungere quella precedente con il nome corretto. Una semplice lettura di file attraversa il piano di controllo, node-api, sbx-manager, un socket Unix e il bridge host, poi VSOCK fino alla microVM Firecracker.

La soluzione consiste nel separare l’identità stabile della sandbox dall’identità di esecuzione, che indica un’istanza e la sua collocazione. Dopo l’autorizzazione, ogni richiesta contiene una capability firmata con Ed25519, valida per 120 secondi, che il componente ricevente confronta con il proprio record prima di inoltrarla; terminali e monitoraggi dei file vengono interrotti non appena si avvia una nuova esecuzione. Il modello di minaccia esclude la compromissione con privilegi root di una macchina di esecuzione (worker) e la verifica resta locale, senza attestazione hardware remota. Il post confronta infine SPACE con OpenShell, che offre garanzie paragonabili, e con E2B e CubeSandbox, che inoltrano senza un’identità di esecuzione attesa: osservazioni limitate alle implementazioni esaminate, precisa Perplexity.

🔗 Post di Perplexity su SPACE

Agenti generalisti: le versioni Ultrafast in Perplexity Computer, Manus for Business per i team

Gli agenti che svolgono attività lunghe per l’utente fanno leva su due fattori: la velocità dei modelli in Perplexity e il lavoro di squadra in Manus.

Perplexity Computer rende disponibili le versioni Ultrafast di GPT-6 Astra e GPT-6.1 Sol agli abbonati Max

14 ottobre — Perplexity rende disponibili agli abbonati Max le versioni Ultrafast di due modelli di OpenAI in Perplexity Computer, il suo agente per le attività in più fasi: GPT-6 Astra e GPT-6.1 Sol, indicato come « SOL 6.1 » nell’annuncio. I due modelli generano i loro tokens più velocemente, quindi le attività lunghe di Computer si concludono prima. La scelta avviene manualmente: selezionare Astra o SOL 6.1 nel menu Custom, quindi impostare la velocità su Ultrafast. L’annuncio non quantifica né l’aumento di velocità né il consumo di crediti e non dice nulla sugli altri piani; il changelog del prodotto non contiene voci successive a quella del 5 ottobre. È la declinazione in Perplexity di un livello che OpenAI ha introdotto per GPT-6 Astra il 29 settembre, poi per GPT-6.1 Sol l’8 ottobre, con una velocità fino a 8 volte superiore secondo OpenAI.

🔗 Annuncio di Perplexity

Manus for Business: un Team Plan a partire da 20 dollari per posto e un’offerta Enterprise

13 ottobre — Manus lancia Manus for Business, un’offerta destinata ai team che riunisce il Manus Team Plan e un Enterprise Plan.

Piano Manus	Contenuti secondo Manus
Manus Team Plan	Da 20 dollari per posto a pagamento al mese o 200 dollari all’anno, per 4 000 crediti; posti gratuiti per gli ospiti
Manus Enterprise	Contattando il reparto commerciale: account gestiti, conservazione a fini legali, integrazione SIEM, controlli di rete degli agenti, limiti di utilizzo per utente

Il Team Plan, disponibile da subito, offre progetti che conservano il contesto (istruzioni, file, Skills e connettori condivisi tra attività collegate, comprese quelle pianificate), Skills comuni che gli amministratori possono imporre, accesso riservato al team per attività, file e siti interni, e crediti condivisi monitorati in una dashboard. Gli ospiti rileggono e commentano senza occupare un posto a pagamento. Ruoli, registri di audit, SSO e SCIM completano l’offerta; Manus afferma di vietare ai fornitori di modelli qualsiasi addestramento sui dati dei clienti Team e di possedere le certificazioni SOC 2 Type II, ISO 27001 e ISO 27701.

🔗 Presentazione di Manus for Business

Ricerca sugli agenti: HybridAgent ragiona nello spazio latente, Cohere Labs valuta i team di agenti di codice

Due studi cercano di rendere gli agenti meno costosi: uno facendoli ragionare senza produrre tokens, l’altro organizzando meglio i loro team.

HybridAgent: agenti che pensano nello spazio latente e agiscono tramite il testo

13 ottobre — Ricercatori di Stanford, Together AI, UIUC e Meta, secondo il documento depositato su arXiv e firmato tra gli altri da Jiaru Zou e James Zou, presentano HybridAgent, agenti a ragionamento ibrido che alternano, nella stessa generazione, ragionamento nello spazio latente e azioni testuali. Un modulo leggero, HybridLink, riporta gli stati nascosti dell’ultimo strato nello spazio degli embeddings di input: il modello ragiona senza produrre tokens, poi torna al testo per richiamare i suoi strumenti, un interprete Python e la ricerca web. Ogni passaggio latente resta leggibile sotto forma di pseudo-testo. L’addestramento avviene in due fasi: HybridSFT apprende il coordinamento con HybridLink, poi HybridRL apprende quando pensare nello spazio latente e quando agire tramite il testo.

Misura pubblicata (secondo gli autori)	Valore annunciato
Miglioramento delle prestazioni su 11 benchmark e 3 dimensioni	+10,4 %
Riduzione dei tokens	Dal 35,5 % al 54,7 %
Velocità di inferenza	Da 1,8 a 2,6 volte più rapida
Risparmi sui costi	Da 2,7 a 3,7 volte

I modelli HybridAgent-8B-Agentic e 14B-Agentic sono pubblicati con licenza MIT insieme al codice; nessun annuncio di Together AI accompagna l’articolo.

🔗 L’articolo su arXiv

Cohere Labs: un agente principale potente affiancato da agenti economici si avvicina al miglior punteggio con costi inferiori del 70 %

14 ottobre — Cohere Labs pubblica uno studio sull’organizzazione dei team di agenti di codice, firmato da Keenan Samway, Daniel D’souza e Nouha Dziri. In un harness volutamente minimale, un agente principale (lead) affida sottoattività ad agenti secondari (workers), e viene modificato un solo parametro alla volta: fasi delegate, attesa bloccante o asincrona, modello per ciascun ruolo, dimensione del team, messaggistica diretta. Il benchmark principale, ProgramBench, richiede di ricostruire 200 programmi partendo soltanto dal loro eseguibile e dalla loro documentazione, da jq e ripgrep fino a SQLite o FFmpeg.

Configurazione valutata (ProgramBench, GPT-5.6)	Ricompensa media	Costo totale delle 200 attività
Sol da solo, prompt in tre fasi	57,7 %	Non quantificato nel testo
Team Sol asincrono, tre fasi delegate	63,2 %	510 dollari
Team Sol asincrono, sola pianificazione delegata	63,6 %	249 dollari
Agente principale Sol e 16 agenti Luna, pianificazione	61,8 %	155 dollari

Delegare la sola pianificazione produce quindi risultati altrettanto buoni quanto delegare tutto, a metà del costo, e un agente principale Sol affiancato da 16 agenti GPT-5.6 Luna raggiunge il 61,8 % per 155 dollari, il 70 % in meno rispetto al team composto interamente da Sol che delega tutto. Un agente principale debole non recupera lo svantaggio: con agenti Luna, un agente principale Terra (51,6 %) resta al di sotto di Sol che lavora da solo (57,7 %). Su un sottoinsieme di 30 attività, con una sola esecuzione per modello, Claude Opus 4.8 guadagna 5,9 punti in squadra, mentre Claude Opus 4.7 delega pochissimo; una prova di Claude Opus 5 è stata interrotta dopo otto attività, tutte giunte al limite di tempo di otto ore, per circa 500 dollari ciascuna. Lo studio non valuta alcun modello di Cohere.

🔗 Post di Cohere Labs

Media generativi: FLUX 3 Video meno costoso, Runway su Baseten, la voce di HeyGen adattata all’ambientazione

La generazione video riduce i prezzi ed entra nelle infrastrutture dedicate delle aziende, mentre HeyGen documenta la clonazione vocale dei suoi video.

FLUX 3 Video fino a due volte più veloce e fino alla metà del costo in 2K e 4K

14 ottobre — Black Forest Labs annuncia che FLUX 3 Video è ora fino a due volte più veloce e costa il 50 % in meno per generare in 2K e 4K nativi. Il laboratorio spiega di aver ottimizzato il servizio affinché consumi meno risorse di calcolo e di trasferire questo vantaggio sia al prezzo sia alla velocità. In un secondo messaggio afferma di offrire una qualità 4K superiore a Kling o3 con prezzo e latenza comparabili, senza benchmark pubblicati nel thread.

Risoluzione FLUX 3 Video	Da testo o immagine a video (al secondo)	Da video a video (al secondo)
HD	0,17 → 0,15 dollari	0,41 → 0,21 dollari
FHD	0,29 → 0,24 dollari	0,53 → 0,27 dollari
QHD (2K)	0,40 → 0,28 dollari	0,65 → 0,31 dollari
UHD (4K)	0,80 → 0,41 dollari	0,95 → 0,45 dollari

Il listino di bfl.ai precisa il « 50 % »: in 2K e 4K, la riduzione va dal 30 % (2K da testo o immagine) al 53 % (da video a video), e diminuiscono anche i prezzi di HD e FHD; la modalità bozza (Draft) resta a 0,06 dollari al secondo, solo in HD. FLUX 3 Video era stato lanciato il 4 agosto.

🔗 Annuncio di Black Forest Labs · Pagina di FLUX 3 Video · Listino prezzi di FLUX 3 Video

Runway collabora con Baseten per distribuire Gen-4.5 e Aleph 2.0 in ambienti dedicati

14 ottobre — Runway e Baseten collaborano per offrire alle aziende i modelli video di Runway in ambienti dedicati. Gen-4.5 e Aleph 2.0, che modifica sequenze con più scene fino a 30 secondi in 1080p, possono ora essere distribuiti, comprese le versioni sottoposte a fine-tuning, in modalità a tenant singolo (single-tenant) tramite Baseten Dedicated Inference. L’azienda ottiene una licenza per i pesi direttamente da Runway, poi li distribuisce su Baseten, dove ogni distribuzione viene eseguita in un piano di esecuzione isolato con GPU dedicate, mentre Baseten gestisce il piano di controllo. L’infrastruttura rientra nei programmi SOC 2 Type II e HIPAA di Baseten, la disponibilità è garantita al 99,99 % e i clienti possono eseguire il fine-tuning dei modelli sui propri dati e prenotare capacità GPU. Non vengono comunicati prezzi. L’offerta amplia Runway Model Licensing, lanciato l’11 settembre per concedere in licenza alle aziende i suoi pesi proprietari.

🔗 Annuncio di Runway · Post di Baseten

HeyGen Voice: il rapporto tecnico di una clonazione vocale che adatta la voce all’ambientazione

14 ottobre — Cinque giorni dopo il lancio di HeyGen Voice, HeyGen pubblica il rapporto tecnico del suo modello vocale, presentato come il primo progettato per il video. Il campione vocale di riferimento stabilisce chi parla, mentre l’immagine di destinazione e la descrizione della scena guidano il modo in cui la voce deve suonare: un modello linguistico ne ricava due didascalie, una per il parlante (tono, ritmo, enfasi, espressività), l’altra per lo sfondo (lo spazio e la sua acustica). Il video viene renderizzato da un modello di avatar distinto.

Valutazione alla cieca (condotta da HeyGen)	Preferenza per HeyGen Voice
Adeguatezza all’ambientazione, rispetto a Cartesia	73 %
Adeguatezza all’ambientazione, rispetto a ElevenLabs v4	70 %
Adeguatezza all’ambientazione, rispetto a Seedance 2.5	65 %
Scelta degli utenti, rispetto a ElevenLabs v4	62,2 %
Scelta degli utenti, rispetto a Cartesia Sonic 3.6	54,1 %

Nel primo test, la stessa voce viene collocata in 50 ambientazioni, da una cattedrale al sedile anteriore di un’auto; nel secondo, migliaia di utenti hanno registrato la propria voce e poi scelto senza etichette la versione da adottare, con il 41,7 % per HeyGen Voice nel confronto a tre. Questi dati provengono da HeyGen.

🔗 Thread di HeyGen · Pagina di ricerca di HeyGen Voice

Chip: NVIDIA lancia cuPotential ed estende CUDA-X alle fabbriche di semiconduttori guidate dall’IA

14 ottobre — NVIDIA presenta cuPotential, una nuova libreria CUDA-X che permette di costruire agenti capaci di simulare le interazioni tra atomi e molecole, un calcolo fondamentale per modellare i materiali e i processi dei semiconduttori. Nei test in accesso anticipato, ha accelerato di un ulteriore fattore da 2 a 3 flussi già ottimizzati per GPU; Synopsys figura tra i primi utilizzatori. L’annuncio si inserisce nel contesto delle fabbriche di semiconduttori guidate dall’IA (AI-defined fabs), dove gli agenti aiutano gli ingegneri a ottimizzare i processi, risolvere gli incidenti di produzione e migliorare la resa.

Partner o strumento	Risultato annunciato (secondo NVIDIA)
NVIDIA cuPotential	Da 2 a 3 volte in più su flussi già ottimizzati per GPU (accesso anticipato)
Lam Research (NanoVDB, SEMulator3D)	Fino a 30 volte su alcune modellazioni di incisione, entro fine 2026
KLA (NPP)	50 volte più veloce delle precedenti versioni CPU
Applied Materials	Simulazioni di camera fino a 35 volte più veloci
Synopsys	Potenziale di 30 volte (cuEST, QuantumATK) e 12 volte (cuDSS, S-Device)

Lo stesso giorno, un post tecnico illustra la parte relativa agli agenti: con la libreria aperta NeMo Gym, il team Siemens Fuse ha valutato il proprio agente di caratterizzazione delle celle standard confrontando i suoi file Liberty con riferimenti verificati. Su circa 25 esecuzioni, con Claude Opus 4.8 in Claude Code come modello e harness fissi, il team ha perfezionato le proprie skills e le descrizioni degli strumenti MCP: il punteggio composito passa da circa il 55 % a circa il 95 %, i turni dell’agente da 155 a 53 e i tokens di output da circa 81 000 a 29 000.

🔗 Comunicato NVIDIA · Post tecnico su NeMo Gym e Siemens Fuse

Modelli e ambienti aperti: gli encoder UltraBERT, ambienti RL multilingue su Hugging Face

Due pubblicazioni aperte sul Hub: una famiglia di encoder per la classificazione e la ricerca, e ambienti di apprendimento per rinforzo in più di cento lingue.

UltraBERT: DMIS Lab pubblica encoder per l’inglese da 150M e 380M con contesto 32K

14 ottobre — Il laboratorio DMIS (Data Mining and Information Systems Lab) pubblica UltraBERT, una famiglia di encoder per l’inglese da 150M e 380M parametri dotati di un contesto nativo di 32K tokens, e UltraBERT-Embed-150M, un modello di embeddings pronto all’uso, il tutto con licenza Apache 2.0 e un articolo (arXiv 2610.15028). Studi di ablazione che totalizzano oltre 70 000 miliardi di tokens fanno emergere due osservazioni: gli encoder smettono di migliorare dopo 1 000–2 000 miliardi di tokens anche se la perdita continua a diminuire, e il tasso di mascheramento determina la loro specializzazione, con un tasso basso che favorisce la classificazione e uno alto che favorisce la ricerca. UltraBERT combina quindi il 5 % e il 50 % di mascheramento in ogni batch, con una testa di modello linguistico per ciascun tasso.

Modello UltraBERT pubblicato	Risultato annunciato dagli autori
UltraBERT-380M	91,0 su GLUE, 47,7 su BEIR
UltraBERT-150M e 380M	Miglior punteggio su 9 benchmark su 10; 99 % nel test della chiave nascosta fino a 32K tokens
UltraBERT-Embed-150M	67,24 su MTEB (eng, v2), miglior modello di embeddings densi sotto i 200M parametri

🔗 Il post di DMIS Lab

Hugging Face apre ambienti RL per l’OCR in 22 lingue e per il riconoscimento vocale in 102 lingue

14 ottobre — Adithya S K, che lavora agli ambienti di apprendimento per rinforzo presso Hugging Face, presenta quelli che descrive come i più grandi ambienti RL open source multilingui e multimodali. Vengono pubblicati due ambienti OpenEnv con ricompense verificabili: uno per il riconoscimento dei documenti (OCR), su oltre un milione di pagine in 22 lingue tratte dal corpus Nayana di Cognitive Lab, l’altro per il riconoscimento vocale (ASR), su parlato in 102 lingue proveniente da FLEURS di Google, per un totale di oltre 12 milioni di attività. Il principio: riutilizzare dataset aperti esistenti dotandoli di ricompense verificabili. Per dimostrarne l’utilità nell’addestramento, l’autore ha eseguito il fine-tuning di Gemma 4 E4B tramite GRPO in kannada, su una sola A100: 16 % di errori sui caratteri in meno sul benchmark OCR di Sarvam AI riservato alla valutazione, e 45 % in meno su 838 estratti di parlato riservati alla valutazione. Il RL Environment Explorer presentato il 7 ottobre elencava già oltre 12 milioni di attività; la novità consiste nella presentazione ufficiale e nei primi risultati di addestramento.

🔗 Il thread di Adithya S K

GitHub Actions: file di lock per le dipendenze dei workflow, in anteprima pubblica

14 ottobre — Al di fuori dell’IA, GitHub Actions rende disponibili in anteprima pubblica i file di lock (lockfiles) per le dipendenze dei workflow, su GitHub Enterprise Cloud (con o senza residenza dei dati), Team e Free. Il rischio affrontato è noto: un tag o un branch può essere spostato dopo la revisione di un workflow, e un’azione compromessa può iniettare codice malevolo senza alcuna modifica al repository. L’estensione gh actions-lock di GitHub CLI genera .github/workflows/actions.lock con i commit delle azioni, delle loro dipendenze transitive e dei workflow riutilizzabili; Actions esegue quindi il commit bloccato anche se il tag viene spostato. L’adozione avviene workflow per workflow, una policy Require lockfile permette di imporla, e Dependabot aggiorna la voce bloccata nella stessa pull request della nuova versione di un’azione. GitHub ricorda che il blocco non dice nulla sulla sicurezza di una dipendenza, che va esaminata prima di bloccarla.

🔗 File di lock dei workflow di GitHub Actions in anteprima pubblica (changelog di GitHub)

Notizie in breve

Agenti e strumenti di sviluppo

Copilot CLI 1.0.98 — Diventata stabile il giorno successivo alla 1.0.97, supporta Gemini 4 Argon e rende le risposte di /ask più gestibili: Ctrl+E le espande, Ctrl+Y le copia per intero, /ask o /btw riapre l’ultima risposta completa; l’SDK Copilot 1.0.22 si limita a includere la CLI. 🔗 fonte
Zed 1.24 e anteprima 1.25.0 — La 1.24 diventa stabile (1.24.2) con una sola correzione in più rispetto alla sua anteprima; la 1.25.0-pre aggiunge Gemini 4 Argon al provider Google AI, GPT-6 Astra, Claude Fable 5.1 e Claude Opus 5.5 a Bedrock, la compattazione del contesto per gli agenti ACP, e impedisce che i segreti degli agenti esterni e dei server MCP compaiano nell’elenco dei processi locali. 🔗 fonte
Estensione Antigravity 1.8.0 per VS Code — Aggiornamento dell’11 ottobre ripreso ora: senza accettazione automatica, le revisioni dei diff rimangono aperte e si accumulano da un turno dell’agente all’altro, le modifiche effettuate su disco vengono rilevate in meno di un secondo e il pacchetto VSIX è circa il 70 % più leggero. 🔗 fonte
DeepSeek Harness 0.2.1-alpha.3 — 27ª anteprima, ancora senza una versione stabile: chiavi e token mascherati per impostazione predefinita nei messaggi inviati, preset degli agenti (Agent Presets) specifici per i sottoagenti, ripresa delle sessioni negli SDK e dieci correzioni; il provider Azure, rinominato azure, impone la migrazione delle configurazioni. 🔗 fonte
GPT-5.5 lascia Codex — Come annunciato il 15 settembre, GPT-5.5 ha lasciato Codex il 14 ottobre alle 19 h UTC per gli account connessi tramite ChatGPT, sostituito da GPT-6.1 Sol (Plus, Pro, Business, Enterprise, Edu) o da GPT-6 Luna nell’applicazione desktop (Free e Go); l’API e le sessioni tramite chiave API non sono interessate. 🔗 fonte
Amp e i modelli di OpenAI — In un caso di studio di OpenAI, Amp indica che questi modelli rappresentano la maggior parte dei token consumati, con alcuni utenti che ne spendono 10 miliardi a settimana; Calling Puck permette di parlare in tempo reale con il proprio meta-agente grazie a GPT-Live-1, e il team sta testando la modalità Ultrafast di GPT-6 Astra. 🔗 fonte
cuDF skills per Apache Spark — NVIDIA pubblica skill per agenti che riscrivono le UDF di Spark in equivalenti accelerati tramite GPU; presso un grande gruppo non nominato sono state convertite oltre 30 UDF di produzione, una delle quali è passata da 274,55 a 12,78 ore su 600 miliardi di righe. 🔗 fonte
Built with Claude: Japan 2026 — Anthropic e Cerebral Valley organizzano dal 2 al 10 novembre un hackathon Claude Code interamente online per i residenti in Giappone: 250 partecipanti selezionati ricevono un piano Max 5x e 500 dollari di crediti API, sono in palio 50 000 dollari di crediti, candidature fino al 26 ottobre. 🔗 fonte
Incontri Astra Commons — A settembre, i Codex Ambassadors hanno riunito circa 2 500 sviluppatori in 52 città, in caffè, gallerie e università, per il lancio di GPT-6 Astra, secondo Rhiannon Payne, del team della community di OpenAI. 🔗 fonte

Assistenti, strumenti aziendali e guide

Genspark — Muse Wonder di Meta e poi Gemini 4 Argon arrivano nel giro di poche ore in AI Chat, Code Agent e Claw, accompagnati dalle argomentazioni promozionali dei rispettivi fornitori e senza indicazioni su piani o prezzi. 🔗 fonte · 🔗 Argon
My Fish in Sakana Chat — Sakana AI rende visibile la memoria del suo assistente: mappa di calore delle letture e delle scritture, vista per categorie, mappa delle connessioni tra ricordi, che si attenuano dopo 30 giorni di inutilizzo, e cronologia, tutto in Impostazioni → My Fish, sia sul web sia su mobile. 🔗 fonte
Gloss — Together AI mette in evidenza un’applicazione gratuita e open source per salvare articoli, PDF e segnalibri di X e interrogare l’IA su un passaggio evidenziato, realizzata con DeepSeek V4.1 Flash sulla sua piattaforma. 🔗 fonte
MCP in Apigee hybrid — Dalla versione 1.17.0, basta una specifica OpenAPI per esporre ogni operazione di un’API come strumento MCP, con un data plane che rimane nel cluster Kubernetes del cliente: nessuna chiamata agli strumenti transita per Google Cloud. 🔗 fonte
Il costo degli strumenti di IA secondo Perplexity — Una guida descrive i modelli di prezzo e i costi nascosti (un ipotetico team di 10 persone a 350 dollari in alcuni mesi, più 18 ore di lavoro interno) e riassume il listino di Perplexity, da Free a Enterprise Max; nessuna novità annunciata. 🔗 fonte
Gli strumenti MCP secondo Perplexity — Una seconda guida spiega che cos’è uno strumento MCP e ricorda le due modalità d’uso in Perplexity: collegare server MCP su Pro, Max ed Enterprise, oppure chiamare, per esempio da Claude Code, i quattro strumenti del server MCP di Perplexity. 🔗 fonte

Casi di studio e implementazioni

Third Moment Research — In un caso di studio di OpenAI, questo laboratorio esegue 10 000 agenti contemporaneamente in sessioni da 36 a 48 ore, ha consumato 1 000 miliardi di token in un giorno e ha ridotto del 97 % la durata di un test retrospettivo (backtest) con Codex; GPT-6.1 Sol è il suo modello più utilizzato. 🔗 fonte
SentinelOne e Daybreak — Secondo il suo direttore dell’IA, Gregor Stewart, OpenAI Daybreak esegue in circa otto ore un reverse engineering di malware di livello umano che richiedeva da quattro a sei settimane a un ricercatore di alto livello. 🔗 fonte
Circa e Manus — Manus pubblica la testimonianza di Circa, start-up di Boston che riutilizza i materiali di demolizione e usa l’agente per il sito, le sovvenzioni e uno strumento di stima; quasi 100 000 dollari di fatturato cumulato dichiarati a settembre, senza novità di prodotto. 🔗 fonte
Città europee e NVIDIA — Nella Côte-d’Or, agenti di Akila e ThinkDeep distribuiti in oltre 500 edifici pubblici riducono del 10 % i costi operativi, con un obiettivo del 30 %; NVIDIA cita anche progetti a Milano, Anversa-Bruges, Göteborg e Liverpool, senza nuovi prodotti. 🔗 fonte
MiniMax H3 IP Edition — Nel riepilogo della sua conferenza di Tokyo dell’11 settembre, MiniMax dichiara oltre 60 aziende interessate; il progetto pilota Captain Tsubasa × PixVerse ha riunito 126 360 creator e 329 314 contenuti su licenza in 45 giorni. 🔗 fonte

Modelli aperti e ricerca della community

Rerank 5 menzionato da Cohere — Cohere pubblica un video in cui Rerank gioca a Mario e invita a vedere se Rerank 5 batte il punteggio di Rerank 4; non viene lanciato nulla, la documentazione elenca ancora soltanto Rerank 4 e le versioni 3.x. 🔗 fonte
Lumma-Fev-27B — FrontiersMind esegue un fine-tuning completo di Qwen3.8-27B su circa 100 000 esempi di decisione (inglese, hindi, tamil, kannada): 90,7 % di risposte corrette contro l’83,9 % di Jev 1.13 su 4 454 decisioni riservate al test, ma Jev resta in vantaggio su BBH e WinoGrande; misurazioni degli autori, pesi con licenza Apache 2.0. 🔗 fonte
TranscribePsy — Tether AI Research pubblica un modello di riconoscimento vocale da 254M parametri per 25 lingue europee, nelle versioni GGUF e Core ML: tasso di errore sulle parole dell’8,02 % sull’Open ASR Leaderboard contro il 12,34 % di Whisper-small, e 2,6 volte più veloce del successivo su sei telefoni secondo Tether. 🔗 fonte
VKORE-46M-NPU — VIDRAFT addestra da zero, con una vera backpropagation, un piccolo decoder da 46M parametri su una NPU per l’inferenza a 32 chip; la sua curva di perdita ha una correlazione di 0,99 con quella dello stesso addestramento su GPU. 🔗 fonte
Quantizzazione e capacità degli agenti — Su 19 200 risultati appaiati, Patrick Hill (PBH Applied Systems) mostra che Mistral-Nemo in Q4_K_M perde in misura significativa 5 capacità di agente su 8, fino a −28,0 punti nell’output strutturato con prosa, mentre Q5_K_M (8,73 Go contro 7,48) e Q8_0 non cambiano nulla. 🔗 fonte
Un gate su Gated DeltaNet — Avi Fenesh aggiunge a una LoRA addestrata tramite GRPO un piccolo gate sul beta dei layer Gated DeltaNet: il ragionamento di Qwen3.5-4B si accorcia del 48 % su MATH-500 e l’accuratezza in ogni istante passa da 0,786 a 0,852. 🔗 fonte
pico-165m — Fausto Saporito addestra su un solo chip TPU un modello da 165M che prende appunti: 0,81 nelle verifiche della memoria su conversazioni di circa 47 scambi, contro 0,31 per SmolLM2-360M-Instruct che legge l’intera conversazione. 🔗 fonte

Inferenza e kernel di calcolo

DeepGEMM-Ascend, DeepGEMM 2.8.2 e TileKernels 2.1.0 — Senza annunci, DeepSeek aggiunge alla sua libreria per NPU Ascend kernel di logits MQA sparsi e un termine C o un bias alle GEMM BF16, FP8 e FP4, porta DeepGEMM alla versione 2.8.2 e pubblica TileKernels 2.1.0 senza note di rilascio. 🔗 fonte
TokenSpeed e Qwen3.8-Flash-Next — Il motore open source di LightSeek serve il modello a 685,9 tokens/s per utente con una sola conversazione su quattro GPU NVIDIA GB300 in NVFP4, e a 95,7 tokens/s con 32 conversazioni; Qwen ha elogiato il risultato. 🔗 fonte
Qwen3.8-Flash-Next su AMD MI350P — Florian Zimmermeister porta con vLLM il throughput aggregato da 1 168,2 a 2 256,6 tokens/s con 32 flussi (+93,2 %) su una sola GPU, partendo da una configurazione già dotata di un MXFP4 personalizzato. 🔗 fonte
GLM 5.3 Flash su Microsoft Foundry — Hugging Face aggiunge il modello di Z.ai al suo catalogo Foundry, ottimizzato per AMD MI300X in tre configurazioni con contesto 512K; su ShareGPT, la versione a 8 GPU in TP4 + DP2 offre un throughput pari a circa 1,8 volte quello iniziale e riduce il tempo al primo token da 11,3 a 5,2 s. 🔗 fonte
Qwen3.8-27B sul Neural Engine — Il progetto ANEMLL quantizza tutte le matrici MLP del modello in vettori a 3 bit: su un chip M6, divergenza KL di 0,0518 rispetto al BF16 e 37,5 tokens/s in media, per 9,74 Gio di pesi; l’accuratezza su attività standard resta da misurare. 🔗 fonte
Visualizzatore di tensori dell’Hub — Hugging Face restituisce gli header di tutti i frammenti in una sola richiesta: DeepSeek-V3.2 si apre in 0,45 s anziché 9,2 s, GLM-5.3 in 0,57 s anziché 4,0 s. 🔗 fonte

GitHub, al di fuori dell’IA

Autorizzazioni delle GitHub Apps — Due autorizzazioni granulari permettono di creare un repository o di gestire i repository di un’installazione senza diritti di amministrazione, e un amministratore di repository può collegare il proprio repository a un’app già approvata; l’obiettivo dichiarato è abbandonare i PAT classici. 🔗 fonte
Rapporto sulla disponibilità di GitHub — Al 7 ottobre, 120 dei 160 servizi di produzione erano in esecuzione in Central US e 13 dei 51 database MySQL primari erano stati migrati; GitHub non ha raggiunto il suo obiettivo del 30 settembre e ripercorre l’incidente del 13 settembre, che ha interessato circa il 96 % delle creazioni di issue sul web. 🔗 fonte
Cronologia delle stelle — Il nuovo endpoint dell’API restituisce fino a 30 settimane di conteggi giornalieri per richiesta, senza dati identificativi: per react/react bastano circa 24 richieste anziché circa 2 511. 🔗 fonte

Cosa significa

La voce diventa un terreno di confronto quantitativo, dove il costo conta quanto la posizione in classifica. Grok Voice 3.0 migliora i propri punteggi senza modificare il prezzo al minuto, e SpaceXSI mette in evidenza il costo per attività, 0,025 dollari contro 0,030 per GPT-Live-1. Queste misurazioni di Artificial Analysis, citate dal produttore, non risolvono ogni questione: su τ-Voice, GPT-Live-1 resta in testa, e Grok Voice 3.0 compensa con una latenza inferiore del 40 %. Conta anche l’impiego sul campo: 20 000 chiamate al giorno presso Starlink, di cui circa il 70 % risolte senza intervento umano, mostrano che gli agenti vocali gestiscono già una parte concreta dell’assistenza clienti. Sul fronte video, FLUX 3 Video riduce le tariffe 2K e 4K dal 30 al 53 % grazie a un servizio che richiede meno risorse di calcolo, mentre HeyGen punta su una voce adattata all’acustica dell’ambiente.

I modelli di frontiera vengono valutati anche in base ai risultati della ricerca. Google mostra Argon all’opera su un decoder quantistico, una congettura di fisica dei plasmi ed enzimi testati in laboratorio, Meta su dieci manoscritti medici, Ai2 su dati climatici a 3 km prodotti a un costo circa 300 volte inferiore. I limiti restano scritti nero su bianco: l’abstract dell’articolo sulla congettura di Grad non menziona Argon, gli studi di Meta sono retrospettivi e uno di essi è considerato utile a generare ipotesi, e nel repository ADK la revisione umana ha mantenuto solo due ottimizzazioni su sei. Ovunque, l’ultima parola spetta agli esseri umani: nell’esperimento di Meta, i ricercatori in medicina decidono le conclusioni scientifiche, e i maintainer di ADK eliminano parte di ciò che l’agente propone.

Il costo del lavoro degli agenti diventa un tema centrale degli strumenti di sviluppo. Claude Code compatta le conversazioni lunghe prima della scadenza della cache per evitare di rielaborare tutto, HydraFusion regola lo sforzo di ragionamento a ogni passaggio, e lo studio di Cohere Labs mostra che un agente principale potente affiancato da agenti economici si avvicina al miglior punteggio con un costo inferiore del 70 %. HybridAgent affronta lo stesso problema attraverso l’architettura, ragionando senza produrre token. Per gestire queste spese occorre renderle visibili: le tracce di Claude Platform e di Claude Code 2.1.300 seguono ora le stesse convenzioni GenAI di OpenTelemetry, e Ramp quantifica tra il 10 e il 20 % la riduzione dei token ottenuta su alcuni agenti valutando le proprie tracce. Il rapporto di OpenAI sull’UE ricorda la posta in gioco: Codex e ChatGPT Work vi rappresentano già oltre la metà dei token di output dei clienti Enterprise esaminati.

La sicurezza dell’IA assume anche una dimensione pubblica. A Singapore, la stessa Cyber Week vede Anthropic firmare un protocollo d’intesa sulla valutazione dei modelli e sulla risposta agli incidenti, e Google DeepMind presentare con GovTech un sistema di rilevamento delle truffe che resta interamente sul telefono. Nel Regno Unito, NVIDIA finanzia con risorse di calcolo la ricerca sulla sicurezza degli agenti; negli Stati Uniti, Anthropic prepara Claude alle elezioni di metà mandato con classificatori contro le campagne suddivise in piccole attività. Nelle aziende, OpenAI afferma di aver identificato con i propri modelli il dipendente che aveva nascosto un dispositivo di registrazione, GitHub blocca le dipendenze dei workflow affinché un tag spostato non faccia più eseguire codice diverso da quello revisionato, e VS Code impone, tramite policy aziendale, l’harness Copilot e le sue regole di esecuzione.