MiniMax lancia M3.1 Flash, di cui Space Bunny era una versione preliminare, FLUX 3 Max genera 10 secondi di video in 12 secondi, OpenAI ritirerà GPT-4o e GPT-4.1 dalla sua API il 14 gennaio

MiniMax rende disponibile M3.1 Flash, un modello per gli agenti e il codice al prezzo di 0,15 dollari per milione di token in input, e rivela che Space Bunny, il modello anonimo che ha elaborato oltre 200 000 miliardi di token, ne era una versione preliminare. Black Forest Labs e fal lanciano FLUX 3 Max, che genera un video di 10 secondi in 12,45 secondi, circa 22 volte più velocemente di Seedance 2.5, e si classifica primo a pari merito in un’arena da immagine a video ancora preliminare. OpenAI fissa al 14 gennaio 2027 il ritiro di GPT-4o e GPT-4.1 dalla sua API, Meta descrive Prometheus, il supercomputer che ha addestrato Muse Wonder, e Devin assegna ora un punteggio da 0 a 100 all’efficienza di ogni ingegnere.

MiniMax lancia M3.1 Flash: Space Bunny ne era una versione preliminare, a 0,15 dollari per milione di token in input

19 ottobre — MiniMax rende ufficialmente disponibile M3.1 Flash, il suo nuovo modello della gamma Flash, e svela il mistero di un modello anonimo:

Space Bunny 🐰, which processed more than 200 trillion tokens while operating anonymously, was an early version of MiniMax M3.1 Flash.

🇮🇹 Space Bunny 🐰, che ha elaborato oltre 200 000 miliardi di token operando in forma anonima, era una prima versione di MiniMax M3.1 Flash. — MiniMax, post di lancio

M3.1 Flash succede a M3.1-Flash-Preview, apparso il 27 settembre in MiniMax Code e poi nel Token Plan, senza benchmark né prezzi, e a Space Bunny Alpha, un modello non annunciato elencato il 23 settembre da OpenRouter senza un produttore dichiarato, e presentato qui il 27. MiniMax lo descrive come un salto generazionale per i compiti degli agenti, il codice, l’uso del computer (Computer Use) e la cybersicurezza. Tutti i punteggi riportati di seguito provengono da MiniMax:

Benchmark	Punteggio dichiarato da MiniMax
DeepSWE v1.1	73,7 %
OSWorld V2	61,7
Agents’ Last Exam (ALE)	29,6
BankerToolBench	76,2
CyberGym	82 %
Automation-Bench	62 % (tweet fissato)

Su OSWorld V2 e Agents’ Last Exam, M3.1 Flash si classifica primo tra i modelli cinesi; su AutomationBench-AA, il post lo definisce soltanto «tra i migliori», ma il tweet fissato riporta il 62 % su Automation-Bench.

L’altro argomento è il costo. Una maggiore sparsità (sparsity) porta la velocità di output oltre i 200 token al secondo (con una mediana superiore a 170) e renderebbe l’inferenza online quasi tre volte più veloce. Il costo di utilizzo per i compiti degli agenti scende del 70 % rispetto al modello precedente secondo il post, e il tweet fissato parla di un terzo del costo di M3, con una velocità triplicata. Il listino è fisso:

Tipo di tariffa	Prezzo per milione di token
Input	0,15 dollari
Output	0,60 dollari
Input in cache	0,015 dollari

M3.1 Flash è disponibile fin da ora tramite l’API MiniMax, l’abbonamento M Plan e l’applicazione MiniMax Code. I pesi arriveranno il 23 ottobre secondo il tweet fissato, mentre il post dice soltanto «più avanti», e seguirà una versione Pro, senza una data annunciata. In serata, MiniMax ha rilanciato la notizia del supporto fin dal primo giorno da parte di Ollama, con hosting negli Stati Uniti senza conservazione dei dati, e ha rivendicato dodici giorni in testa a OpenCode con la versione preliminare.

🔗 L’annuncio fissato di @MiniMax_AI

FLUX 3 Max: Black Forest Labs e fal generano 10 secondi di video in 12 secondi, 22 volte più velocemente di Seedance 2.5

19 ottobre — Black Forest Labs (BFL) presenta FLUX 3 Max in un tweet fissato. La pagina di fal lo descrive come il nuovo modello video sottoposto a post-training da fal Research, costruito con BFL su FLUX 3, sia da testo a video sia da immagine a video, in 720p.

Generate a 10-second video in 12 seconds. Tied for #1 in image-to-video. 22× faster than Seedance 2.5 at the same quality. FLUX 3 is a model designed for customization. @fal adapted and optimized it to create FLUX 3 Max.

🇮🇹 Generate un video di 10 secondi in 12 secondi. Primo a pari merito nella generazione da immagine a video. 22 volte più veloce di Seedance 2.5 a parità di qualità. FLUX 3 è un modello progettato per la personalizzazione. @fal lo ha adattato e ottimizzato per creare FLUX 3 Max. — @bfl_ai su X

Indicatore pubblicato da fal	FLUX 3 Max	Confronto fornito da fal
Tempo di generazione di un video di 10 secondi	12,45 s	277,80 s per Seedance 2.5, 126,44 s per FLUX 3
Elo, arena da immagine a video di Artificial Analysis	1 139, primo a pari merito	Anche Seedance 2.5 a 1 139; MiniMax H3 (768p) in testa a 1 141, entro il margine di incertezza; FLUX 3 a 1 089
Prezzo in 720p su fal, fino al 7 novembre	0,0425 dollari al secondo	0,17 dollari al prezzo di listino

Rispetto al FLUX 3 originale, il lavoro di fal sull’inferenza rende la generazione circa 10 volte più veloce, e il post-training gli fa guadagnare 50 punti Elo. La classifica di Artificial Analysis, basata su voti umani alla cieca, è soltanto un’istantanea preliminare: MiniMax H3 vi figura in testa a 1 141, e FLUX 3 Max, il cui margine di incertezza si sovrappone a quello dei primi classificati, viene indicato come primo a pari merito, davanti a Gemini Omni Flash 1.1, Wan 3.0 e H3 Max. BFL mette in risalto anche le voci, il realismo fisico, gli effetti sonori e la capacità di gestire richieste insolite.

Il prezzo di lancio corrisponde allo sconto del 75 % per due settimane annunciato da BFL, sia da testo a video sia da immagine a video, senza minimo né abbonamento. fal riprende la formula di H3 Max, la sua versione di MiniMax H3 sottoposta a post-training, servita dalla stessa API: si passa da un modello all’altro cambiando identificativo. È il terzo annuncio della famiglia FLUX 3 in una settimana, dopo il calo dei prezzi di FLUX 3 Video il 14 ottobre e FLUX 3 Image Klein il 15.

🔗 La pagina di FLUX 3 Max su fal

OpenAI fissa al 14 gennaio 2027 il ritiro di GPT-4o, GPT-4o mini, GPT-4.1 e GPT-4.1 mini dalla sua API

14 ottobre — Tra le notizie dei giorni scorsi: secondo la pagina delle deprecazioni della sua API, OpenAI ha avvisato il 14 ottobre gli sviluppatori interessati del ritiro di quattro modelli della serie GPT-4 il 14 gennaio 2027, comprese le versioni sottoposte a fine-tuning (fine-tuned). La stessa pagina elenca due serie di ritiri annunciate il 1° ottobre:

Modello ritirato dall’API	Data del ritiro	Sostituto consigliato
GPT-4o (`gpt-4o-2024-08-06`, `gpt-4o-2024-11-20`)	14 gennaio 2027	`gpt-6-luna`
GPT-4o mini (`gpt-4o-mini-2024-07-18`)	14 gennaio 2027	`gpt-6-luna`
GPT-4.1 e GPT-4.1 mini (snapshot del 14 aprile 2025)	14 gennaio 2027	`gpt-6-luna`
`gpt-5.3-codex` e `gpt-5.1`, annunciati il 1° ottobre	1° aprile 2027	`gpt-6-sol`
`gpt-5.4-nano`, annunciato il 1° ottobre	1° aprile 2027	`gpt-6-luna`
`tts-1`, `tts-1-hd` e `gpt-4o-mini-tts`, annunciati il 1° ottobre	6 gennaio 2027	`gpt-realtime-2.1-mini`

Queste date compaiono soltanto nella pagina delle deprecazioni, senza una voce nel changelog dell’API; l’SDK Node 7.37.0 del 17 ottobre aggiunge avvisi di dismissione per gli alias dei modelli GPT-4.

🔗 La pagina delle deprecazioni dell’API OpenAI

Addestrare i modelli: Prometheus di Meta, MARBLE di Luma, Together Post-Training e TorchNeuron su Trainium

Quattro annunci del giorno riguardano l’addestramento, su quattro livelli: il centro di calcolo di Meta, il parallelismo tra GPU di Luma, il servizio di post-training di Together AI e il backend PyTorch dei chip di AWS.

Prometheus: il supercomputer di Meta che ha addestrato Muse Wonder punta a un milione di GPU

19 ottobre — Meta descrive Prometheus, il suo supercomputer dell’ordine del gigawatt a New Albany (Ohio), che ha addestrato i suoi modelli Muse, tra cui Muse Wonder; la nostra rassegna del 12 ottobre ne riportava soltanto il nome. La prima fase conta centinaia di migliaia di GPU distribuite su più edifici.

Indicatore di Prometheus	Valore pubblicato da Meta
Throughput utile (goodput), Muse Wonder	oltre l’85 % nel pre-training, oltre il 90 % in RL
Tempo medio tra le interruzioni	circa 47 000 ore-GPU, oltre 54 000 da allora
Interruzioni per 8 000 GPU	quasi 1 000 al giorno a metà 2025, in calo del 99 %
Piattaforme NVIDIA	GB200 e GB300 NVL72, poi Vera Rubin NVL72

Con NVL72, un guasto colpisce un dominio di 72 GPU: Meta ne fa lavorare soltanto 64 per rack e mantiene le altre 8 come riserva, più circa il 2 % di rack di riserva, per un totale di 523 rack (37 656 GPU) per 32 768 GPU attive. Hyperion, il suo prossimo supercomputer, in Louisiana, applicherà questi insegnamenti.

🔗 Dentro Prometheus (Engineering at Meta)

MARBLE: Luma rende esatto il parallelismo di sequenza su milioni di token multimodali

19 ottobre — Luma pubblica MARBLE (Mask-Aware Ring with Balanced, Lossless Execution), un sistema di parallelismo di sequenza per addestrare modelli multimodali su sequenze compattate da 1 a 8 milioni di token, in cui si mescolano testo causale, immagini e video bidirezionali. MARBLE descrive questa maschera con quattro interi per token e sceglie per ogni strato tra ring attention, all-to-all sparso e Ulysses.

Configurazione testata da Luma	Risultato di MARBLE
Rispetto a un ibrido FlashMask + Ulysses	più veloce in 47 casi su 48
Incremento mediano con 32, poi 128 GPU H100	1,28 volte, poi 2,63 volte
Passo di Gemma 3 27B, 1 milione di token, 32 GPU	13,2 s, contro 32,5 s con FlashMask

Un kernel FlashAttention-4 modificato mantiene lo stato del softmax in fp32: output e gradienti sono identici a quelli di una singola GPU. Luma riconosce che il kernel è riservato alle GPU Hopper e che l’ibrido usato per il confronto è stato costruito da lei stessa; il codice è promesso, senza una data.

🔗 Il post di Luma su MARBLE

Together Post-Training: il cliente scrive il proprio ciclo SFT o RL, Together AI fa funzionare le GPU

19 ottobre — Una settimana dopo il suo repository di ricette (post-training-cookbook), pubblicato senza annunci il 12 ottobre e presentato qui il 13, Together AI lancia ufficialmente il servizio. Il cliente scrive autonomamente il ciclo di addestramento, tramite fine-tuning supervisionato (SFT) o apprendimento per rinforzo (RL); Together AI esegue il trainer e i generatori sottostanti su GPU dedicate.

Caratteristica del servizio	Dettaglio annunciato da Together AI
Adattamento dei pesi	LoRA, più adattatori sulle stesse GPU, oppure pesi completi su alcuni modelli
Funzioni di loss integrate	GRPO, CISPO, DPPO, entropia incrociata, oppure loss personalizzata
Modelli al lancio	Muse Spark Open, GLM 5.3, Kimi K3, Qwen 3.8-27B
Prezzo di lancio	9 dollari per ora di GPU B200 per otto settimane

La fatturazione avviene al minuto di GPU, e per migrare dall’API Tinker basta una riga.

🔗 Together Post-Training (blog di Together AI)

TorchNeuron: Transformers, Diffusers e Kernels funzionano nativamente su AWS Trainium

19 ottobre — Hugging Face supporta nativamente TorchNeuron, il nuovo backend PyTorch di AWS per i suoi chip Trainium, in Transformers, Diffusers e Kernels; la beta pubblica apre il 20 ottobre. Finora era necessario passare da Optimum Neuron, basato su PyTorch XLA, con forme statiche e una ricompilazione a ogni interruzione del grafo. TorchNeuron rende il chip un normale dispositivo PyTorch, con esecuzione immediata (eager), torch.compile e FSDP2.

In inferenza, l’89 % delle 100 architetture di generazione di testo più utilizzate funziona da subito, contro il 46 % con Optimum Neuron v0.4.5, e Hugging Face consiglia ora di usare Transformers, Diffusers, Accelerate, PEFT e TRL anziché Optimum Neuron. Uno script SFT standard di TRL funziona su 8 chip Trainium2, e un kernel Neuron condiviso sull’Hub accelera fino a 2,4 volte i vision transformer.

🔗 TorchNeuron (blog di Hugging Face)

Gli SDK Python e Node di OpenAI supportano il ciclo degli strumenti di computer use e browser use

16 ottobre — Tra le notizie dei giorni scorsi: in un thread ripubblicato da @OpenAIDevs, Kevin Whinnery, del team di OpenAI dedicato all’esperienza degli sviluppatori, presenta nuove funzioni di utilità (helpers) degli SDK Python e Node.js, che gestiscono il ciclo degli strumenti (tool loop) della Responses API. Il codice è arrivato il 14 ottobre in openai-python 3.31.0 e openai-node 7.33.0, prima parte di una serie di quattro.

Componente dell’SDK	Cosa espone al modello
`ComputerToolset`	schermate, azioni del mouse e della tastiera, tramite lo strumento computer
`BrowserToolset`	testo della pagina, controlli e schede, come strumenti di funzione
Tool runner di Responses	avanzamento in streaming e punti di ripristino (checkpoints)

Un componente di controllo (driver) scritto o importato dallo sviluppatore esegue le azioni, e l’applicazione mantiene il controllo: operazioni esposte, conferma delle modifiche, controlli di sicurezza, limiti di passi. La guida elenca integrazioni con Browserbase, Browser Use, Daytona ed E2B. Gli SDK di Claude avevano ricevuto toolset simili, in beta, il 7 ottobre.

🔗 Il thread di Kevin Whinnery · La guida Computer use

Perplexity: accesso ai connettori per ruolo, cartella locale in Projects, Nano Banana 2.1 e skill Reverse Engineer

19 ottobre — Perplexity pubblica il suo primo changelog di prodotto dal 5 ottobre: sette delle sue tredici sezioni sono inedite.

Novità del changelog	Cosa cambia	Pubblico interessato
Accesso ai connettori per ruolo	ogni connettore è accessibile a tutti, agli amministratori o a determinati ruoli	amministratori dei piani Enterprise con supporto dedicato
Cartella locale in Projects	Computer legge e salva in una cartella del Mac, per impostazione predefinita	app Mac 26.38 o successiva
Nano Banana 2.1 in Computer	generazione e ritocco di immagini, nuovi tentativi nello stesso thread	tutti coloro che hanno accesso a Computer
Skill Reverse Engineer	ispezionare un software che si ha il diritto di analizzare, poi ricostruirlo e testarlo	gratuito fino al 31 ottobre, entro il limite di 10 000 crediti per account

Il controllo degli accessi per ruolo, arrivato a fine luglio, scende così al livello di ciascun connettore, con log di audit. Si aggiungono una barra di miniature in Computer, un font proprietario (PPLX) e un riquadro che indica, nell’area di inserimento, la modalità Ask o Computer. Quanto agli argomenti già trattati, Gemini 4 Argon è disponibile in Computer per gli abbonati Pro e Max, ma nella ricerca solo per gli abbonati Max.

🔗 Il changelog del 19 ottobre

LiteRT Tensor API: Google fa scrivere in C++ modelli embedded che girano su CPU, GPU e NPU

19 ottobre — Google AI Edge pubblica la LiteRT Tensor API, un livello del suo stack di inferenza embedded che permette di scrivere un modello a mano, operazione per operazione, in C++. Lo stesso grafo gira con LiteRT su CPU, su GPU grazie al motore ML Drift, pubblicato come open source l’8 ottobre, o su NPU, e può essere eseguito direttamente su CPU tramite XNNPACK. I pesi vengono caricati da file .safetensors di Hugging Face, senza conversione, e i tensori vengono trasferiti senza copie nella memoria dell’acceleratore.

Misurazione di Google su SAM 2	Risultato annunciato
Immagini al secondo a 512x512 su WebGPU	da meno di 10 a oltre 30
Velocità rispetto ad Apple MLX (MacBook Pro, fp16)	circa 1,5 volte più veloce

Nella dimostrazione, SAM 2, il modello di segmentazione di Meta, gira nel browser con prompt interpretati da Gemma 4 E2B; secondo il post, è stato un agente di coding, Antigravity, a scriverlo con la Tensor API e poi ad accelerarlo. La conversione resta il percorso consigliato per la maggior parte dei progetti.

🔗 Il post di Google Developers

Agenti di coding: Devin valuta l’efficienza dei suoi utenti, Amp diventa un agente in Linear, Mistral pubblica Vibe CLI 3.0.0, Gemini 4 Argon diventa disponibile per gli abbonati Google AI Pro in Antigravity

Cognition e Amp aggiungono funzionalità per i team, Mistral pubblica una versione principale della sua CLI e Google rende Gemini 4 Argon accessibile a un ulteriore livello di abbonamento.

Devin valuta da 0 a 100 l’efficienza di ogni ingegnere e aumenta autonomamente i limiti di quelli con i punteggi migliori

19 ottobre — Cognition aggiunge tre funzionalità di gestione della spesa al piano Enterprise di Devin. L’Efficiency Score valuta l’utilizzo recente di ogni ingegnere combinando l’efficienza E, in ore produttive per ACU (l’unità di fatturazione di Devin), e il volume V, in ore produttive al giorno: Score = 100 × (E + 0,2 × V × (1 − E)). Il volume pesa poco: un ingegnere medio ottiene 55, un utente intensivo altrettanto efficiente 60, un utente con consumi elevati e poco efficiente 41, un utente prudente ma molto efficiente 76.

Devin Coach commenta un prompt prima della sua esecuzione, senza mai riscriverlo in silenzio. Con l’opzione Approve based on efficiency, l’amministratore fissa un tetto: quando un ingegnere valutato Healthy o Satisfactory si avvicina al proprio limite, Devin lo aumenta senza che debba farne richiesta, fino a quel tetto ed entro i limiti dell’organizzazione. L’eccedenza, come le richieste degli ingegneri valutati Needs Improvement o Unknown, viene sottoposta a un amministratore e nessuna richiesta viene rifiutata automaticamente. Disponibili da subito per tutti i clienti Devin Enterprise, queste approvazioni non hanno una tariffa pubblicata.

🔗 Il post di Devin

Amp diventa un agente in Linear: assegnare una issue o menzionare @Amp avvia un’orb

19 ottobre — Assegnare una issue Linear ad Amp, o menzionarlo con @Amp in un commento, apre ora una sessione di agente (Agent Session) in Linear e avvia un’orb, un thread di agente che lavora per conto della persona. Amp risponde in questa sessione, reagisce ai messaggi inviati durante il lavoro e segnala se si ferma per un errore o attende l’approvazione per uno strumento. Secondo la documentazione, anche le sottoscrizioni possono avviare un’orb per ogni nuova issue. Un amministratore dello spazio Amp installa l’applicazione, un amministratore Linear la approva, poi ciascuno collega il proprio account e Linear si aggiunge ai suoi server MCP. Non è indicata alcuna tariffa; Amp era già in grado di reagire ai webhook Linear dal 23 luglio.

🔗 L’annuncio di Amp

Vibe CLI 3.0.0: Mistral mantiene solo la Rust CLI e l’Unified Harness

19 ottobre — Mistral pubblica senza annunci Vibe CLI 3.0.0, la sua prima versione 3.x: 95 voci, di cui 54 correzioni e 5 rimozioni. La vecchia interfaccia Python, il vecchio motore di esecuzione e la modalità Plan scompaiono, vibe avvia sempre la Rust TUI e tutte le interfacce, dalla CLI a Desktop, passano attraverso l’Unified Harness.

Diverse modifiche possono rendere non funzionante un’installazione: Python 3.14 come versione minima al posto della 3.12, certificati convalidati secondo regole RFC 5280 più rigorose, abbandono delle sessioni Vibe 1.x, strumenti dei sottoagenti rinominati in agents.*. Tra le aggiunte, /branch crea una diramazione della conversazione in una nuova sessione, Vibe Desktop importa le sessioni di un altro agente di coding e un flag enable_mcp consente agli amministratori di bloccare i server MCP. Su Windows, un comando non può più aggirare il controllo di approvazione nascondendo una parte di sé.

🔗 Le note di Vibe CLI 3.0.0

Gemini 4 Argon diventa disponibile per gli abbonati Google AI Pro in Antigravity, con una quota settimanale separata

15 ottobre — Recupero di una notizia precedente: Gemini 4 Argon non è più riservato agli abbonati Ultra in Google Antigravity. L’account @antigravity ne ha annunciato l’arrivo per gli abbonati Google AI Pro a pagamento, nell’applicazione desktop e nella CLI, mentre al momento della disponibilità generale del 13 ottobre vi avevano accesso solo Google AI Ultra e i clienti Gemini Enterprise idonei. Per Pro, una quota Argon distinta, esclusivamente settimanale e non quantificata, si aggiunge alla quota Gemini 3.8 Flash.

Livello di abbonamento	Gemini 4 Argon in Antigravity
Gratuito e Google AI Plus	no
Google AI Pro	sì, escluso il periodo di prova
Google AI Ultra	sì
Aziendale	sì

Argon funziona in Antigravity App, Antigravity CLI e nelle estensioni IDE, ma non in Antigravity IDE. Il 19 ottobre, anche Zed 1.24.3 lo ha introdotto nella sua versione stabile.

🔗 L’annuncio di @antigravity · La pagina Modelli di Antigravity

Notizie brevi

Agenti e strumenti di coding

Claude Code 2.1.303 — Pubblicata il 18 ottobre, questa versione ha una sola riga di note, relativa a correzioni di bug e miglioramenti dell’affidabilità, senza un elenco dei problemi risolti; l’Agent SDK TypeScript segue con la versione 0.3.303. 🔗 fonte
Qwen Code v0.25.3 — La versione stabile segue l’anteprima trattata il 16 ottobre, senza modifiche incompatibili note: 41 funzionalità e 81 correzioni dalla v0.25.2, soprattutto per il Managed Agent, che esegue i suoi strumenti tramite SSH o in uno spazio di lavoro macOS nativo e ottiene la modalità Plan. 🔗 fonte
Copilot CLI 1.0.100 — Prima versione stabile dalla 1.0.98 del 14 ottobre, non introduce nulla di inedito: le sue 49 voci riprendono le anteprime dalla 1.0.99-0 alla 1.0.100-1, presentate qui dal 15 al 17 ottobre. 🔗 fonte
ZCode v3.16.1 — Z.ai sincronizza il repository open source di ZCode con la versione 3.16.1, senza release né note di versione; l’unica novità documentata è una guida all’uso della CLI in cinese. 🔗 fonte
Gemini CLI, nightly del 19 ottobre — Nessuna modifica: è la terza nightly consecutiva sullo stesso commit, poiché dalla sera del 16 ottobre non è stato integrato nulla, e sia la stabile v0.64.0 sia la preview v0.65.0-preview.0 restano invariate. 🔗 fonte
Zed 1.24.3 — L’unica nota di questa versione stabile aggiunge Gemini 4 Argon ai modelli Google AI, già presente dal 14 ottobre nell’anteprima 1.25.0. 🔗 fonte
I partner MCP di Figma — Recuperando una notizia del 15 ottobre, Figma annuncia a Config India 20 nuovi partner MCP, tra cui Amp, Junie di JetBrains, OpenCode, Cline, Delta e Zed, ma il suo elenco conta 21 nomi e non precisa né le funzionalità rese accessibili né la loro disponibilità; Zed ha rilanciato l’annuncio il 19 ottobre. 🔗 fonte · 🔗 Zed
Navan e gli agenti cloud di Cursor — Recuperando una notizia del 16 ottobre, Cursor racconta come Navan sia migrata a Spring Boot 4 (8 applicazioni, 15 librerie) in circa una settimana, rispetto a oltre un mese due anni fa, con agenti cloud in esecuzione sulle proprie macchine; il 36 % delle PR integrate nel suo repository principale nell’arco di 30 giorni è stato scritto con Cursor. 🔗 fonte
Riprendere una sessione dell’app GitHub Copilot in VS Code — Un tutorial del GitHub Blog mostra come l’azione Open in VS Code riapra una sessione nel suo worktree, con l’attività, il piano, la conversazione e il diff, prima della revisione, dei ritocchi, dei test locali e del push verso la pull request della sessione. 🔗 fonte
COOKED — OpenAI Developers lancia una trasmissione video su ciò che il team e la community costruiscono con Codex; il primo episodio (13 min 20 s) mostra funzionalità già disponibili, dagli ambienti cloud di Codex a un gioco di ramen a 8 bit costruito con Ultrafast. 🔗 fonte

API, harness e integrazioni

Agent API di Perplexity — L’impostazione require_approval sottopone le chiamate degli strumenti MCP e dei connettori all’approvazione dell’applicazione prima della loro esecuzione, e il preset xhigh passa a 512 000 token di output, rispetto a 128 000; Perplexity corregge anche la sua voce del 5 ottobre, ripresa qui: anche xhigh usa Fast Search. 🔗 fonte
L’ingegneria dell’harness — Perplexity pubblica una guida sull’harness (harness), tutto ciò che circonda il modello in uno strumento di IA, articolata in sei componenti, dal ciclo dell’agente alla verifica; cita un test indipendente, non identificato, in cui il solo cambio di harness ha fatto variare fino all’11 % il punteggio dello stesso modello in un test di coding. 🔗 fonte
SPACE presso Crusoe — Crusoe annuncia una partnership con Perplexity per integrare SPACE, la sandbox open source di Perplexity, nell’offerta Managed AI di Crusoe Cloud, senza data né tariffa; Crusoe figurava già tra i partner citati al momento della pubblicazione del codice di SPACE, il 15 ottobre. 🔗 fonte
Perplexity in Lovable — Recuperando una notizia del 15 ottobre, Perplexity si aggiunge, accanto a Claude, Firecrawl, Gemini, OpenAI, p0 e TypeSafe, ai fornitori delle funzionalità di IA che Lovable integra nelle applicazioni, per risposte web in tempo reale con citazioni; nessuna tariffa né dettaglio tecnico. 🔗 fonte
Un agente vocale che non resta in silenzio — Una guida di Google Developers mostra come gli strumenti in streaming e non bloccanti dell’ADK evitino i silenzi di un agente vocale su gemini-3.8-live: in un workflow per un rapporto sulle vendite, il tempo prima delle sue prime parole scende da 14,4 secondi a 1,2 secondi, senza nuove funzionalità. 🔗 fonte
DeepSeek-V4.1-Flash-1017 su Together AI — Presentato qui il 17 ottobre, il modello di DeepSeek è online su Together AI, «allo stesso prezzo» secondo il provider. 🔗 fonte

Modelli aperti e ricerca

Muse Glimmer — Meta pubblica il rapporto tecnico del suo modello aperto da 30B per attività di agente su hardware di largo consumo, lanciato ad agosto: testo e immagini, oltre un centinaio di lingue, circa 4 bit su una sola GPU, licenza Apache 2.0; Meta lo dichiara al primo posto nella sua categoria rispetto a Gemma4-31B e Qwen3.6-27B, senza cifre nel riepilogo. 🔗 fonte
SlideOn e mSlideOn — LightOn pubblica due modelli di ricerca sparsa (sparse retrieval) derivati da DenseOn e mLateOn, da 174M (inglese) e 339M parametri (multilingue): SlideOn ottiene 56,68 su BEIR-15 rispetto a 56,20 per DenseOn, e mSlideOn guadagna 10,19 punti su MLDR rispetto a mDenseOn. 🔗 fonte
tokenizers v1.0.0-rc.3 — La terza release candidate di tokenizers v1 porta la libreria nel browser, tramite binding WebAssembly pubblicati su npm con il nome tokenizers-wasm, e sblocca il caricamento di ModernBERT, NLLB e dei modelli convertiti da SentencePiece. 🔗 fonte
Transformers v5.20.2 — Versione correttiva: gli input non perdono più il proprio tipo durante la generazione, un problema che ostacolava i modelli multimodali, e i gradienti degli esperti non sono più nulli in bfloat16 con parallelismo degli esperti. 🔗 fonte
Ordinare i propri prompt — In un post della community, Abdennacer Badaoui rende vLLM, senza modifiche, dal 12 al 17 % più veloce su Qwen3-30B-A3B e dal 7 al 12 % su gpt-oss-120b ordinando i prompt per dominio prima dell’inferenza in batch, perché le richieste simili attivano gli stessi esperti; il vantaggio scompare nei servizi online sensibili alla latenza. 🔗 fonte
Nesso3-0.4B-Agentic — mii-llm pubblica un modello bilingue italiano-inglese da 0,4 miliardi di parametri per la chiamata di strumenti, con licenza Apache-2.0: 74/100 nella suite bilingue dei suoi autori rispetto a 67 per Qwen3-0.6B, ma 48 % rispetto a 84 % sugli strumenti generici in inglese. 🔗 fonte
S²-MAS e Fin-Laya — Yang Li simula 12 milioni di agenti ricavati da 500 milioni di profili di nuclei familiari, in 3 h 59 su 14 GPU, e presenta Fin-Laya, un modello decisionale finanziario con un’accuratezza del 74,5544 % e una latenza media di 9,10 ms, rispetto a 206,77 ms per Jev 1.13, secondo le sue misurazioni. 🔗 fonte
BlenderWorld — Recuperando una notizia del 15 ottobre, Qwen pubblica un benchmark di creazione 3D in Blender (223 attività, 2 651 criteri binari): su 13 modelli, GPT-6-Astra è in testa con 79,9 su 100 davanti a Opus-5 (73,0) e GPT-5.6-Sol (67,7), Qwen3.8-Max è quinto (60,6) e il primo soddisfa tutti i criteri solo nel 42,2 % delle attività. 🔗 fonte

Hardware, grande pubblico e creazione

Il prezzo dei portatili RTX Spark — Riprendiamo la notizia del 16 ottobre: il comunicato di lancio di NVIDIA annuncia i portatili RTX Spark di ASUS, Dell, HP, Lenovo, Microsoft e MSI disponibili in tutto il mondo a partire da 2 599 dollari; il post sul blog di NVIDIA del 17 ottobre indica invece un prezzo a partire da 2 399 dollari per gli stessi produttori. 🔗 comunicato · 🔗 post
Grok Bot sul tasto Azione — L’account @bot, quello di Grok Bot, mostra in un video che l’assistente può essere assegnato al tasto Azione dell’iPhone, come i dots di OpenAI presentati qui il 18 ottobre; non vengono indicati né la versione di iOS né il piano, e non ci sono post su x.ai né rilanci da parte di @SpaceXSI. 🔗 fonte
Chroma Awards, stagione 2 — ElevenLabs apre la seconda stagione della competizione di creazione con l’IA che dichiara di aver incubato: cinque divisioni, 1 milione di dollari in crediti di prova e oltre 450 000 dollari in premi; il post indica come scadenza il 1° gennaio 2027, poi il 7 gennaio nel regolamento, prima di una cerimonia l’11 febbraio 2027. 🔗 fonte

GitHub, al di fuori dell’IA

Cloni HTTPS autenticati — Durante i periodi di traffico insolito, GitHub può richiedere temporaneamente l’autenticazione per alcune operazioni git clone e git fetch su HTTPS nei repository pubblici; SSH, push e operazioni autenticate non sono interessati, e GitHub consiglia GITHUB_TOKEN o un token di GitHub App per i sistemi di continuous integration. 🔗 fonte
CodeQL, Xcode 27 e Swift 6.4 — A causa dell’assenza di codice x86_64 in alcuni binari di sistema di Apple, CodeQL non traccia più le build con Xcode 27 e non supporta Swift 6.4 su nessuna piattaforma; il supporto per i Mac Intel verrà deprecato a metà dicembre, e GitHub consiglia di bloccare le versioni a macOS 26 e Xcode 26. 🔗 fonte

Cosa significa

MiniMax e Black Forest Labs si contendono lo stesso terreno: la velocità e il costo di un’attività, più che la qualità assoluta. M3.1 Flash supera i 200 token al secondo in output, riduce del 70 % il costo di esecuzione delle attività degli agenti e applica una tariffa di 0,15 dollari per milione di token in input; FLUX 3 Max genera un video di 10 secondi in 12,45 secondi, a 0,0425 dollari al secondo fino al 7 novembre. La qualità dichiarata raggiunge quella dei migliori senza superarla: FLUX 3 Max è primo a pari merito in una classifica in cui MiniMax H3 lo precede di due punti, entro il margine d’incertezza, e M3.1 Flash si dichiara primo tra i modelli cinesi in due benchmark per agenti. Il modello di MiniMax è stato anche collaudato in condizioni reali: Space Bunny ha elaborato oltre 200 000 miliardi di token senza rivelare la propria provenienza, e la sua versione preliminare è rimasta per dodici giorni in testa a OpenCode secondo MiniMax. Tutte queste cifre restano quelle fornite dai produttori, e la classifica di Artificial Analysis è ancora preliminare.

Il post-training diventa un prodotto a sé stante. fal non ha creato FLUX 3 Max da zero: ha adattato e ottimizzato FLUX 3 di Black Forest Labs, come aveva fatto trasformando MiniMax H3 nel suo H3 Max; secondo fal, il post-training ha fatto guadagnare 50 punti Elo al modello, e il lavoro sull’inferenza ha reso la generazione circa dieci volte più veloce. Together AI vende ora questa capacità ai propri clienti, che scrivono il proprio ciclo di training, SFT o RL, su modelli aperti, e TorchNeuron apre i chip Trainium di AWS ai normali script PyTorch di Transformers e TRL. All’altra estremità della catena, il pretraining si concentra: Prometheus punta a un milione di GPU, e la maggior parte del post di Meta riguarda l’affidabilità, con 8 GPU di riserva per rack e interruzioni ridotte del 99 %. MARBLE affronta lo stesso problema di scala sul versante software, per sequenze di diversi milioni di token.

Gli agenti acquisiscono anche misure di controllo per gli amministratori: chi può avviare cosa, con quale budget, dopo quale approvazione. Devin aumenta autonomamente i limiti degli ingegneri che ritiene efficienti e rimanda gli altri a un amministratore; Perplexity rende ogni connettore accessibile a determinati ruoli, e la sua Agent API può sospendere una chiamata MCP fino all’approvazione dell’applicazione; i toolset di OpenAI permettono all’applicazione di confermare le modifiche e limitare il numero di passaggi; Vibe CLI 3.0.0 offre agli amministratori un flag che disattiva i server MCP. Amp, dal canto suo, lavora in Linear per conto della persona che gli assegna una issue: l’agente si installa negli strumenti del team e agisce tramite la connessione Linear di ciascuno.

Infine, per gli sviluppatori, l’autunno porta con sé una serie di migrazioni. GPT-4o e GPT-4.1 lasceranno l’API di OpenAI il 14 gennaio 2027, i modelli di sintesi vocale tts-1 e gpt-4o-mini-tts già il 6 gennaio, e queste date compaiono soltanto nella pagina delle deprecazioni: chi si limita a monitorare il changelog dell’API se le perde. Su Trainium, Hugging Face consiglia di abbandonare Optimum Neuron per Transformers e TRL su TorchNeuron. E Vibe CLI 3.0.0 richiede Python 3.14, convalida i certificati in modo più rigoroso e non riapre più le sessioni Vibe 1.x, quanto basta per cogliere di sorpresa chi aggiorna senza leggere le note.