Anthropic apre il Model Hardware Standard, OpenAI promuove una difesa informatica collettiva, GLM-5.3 passa ai pesi aperti

Quarantasette annunci selezionati in nove ambiti per la giornata del 27 agosto. Tre di essi spiccano. Anthropic apre la prima fase di un’anteprima di ricerca (research preview) del Model Hardware Standard, una specifica che consente agli agenti di controllare strumenti di laboratorio e riduce i tempi della loro integrazione da diverse settimane a poche ore. OpenAI pubblica un intervento che invoca una difesa informatica collettiva, insieme a organizzazioni tra cui Anthropic, AWS, Google, Microsoft e Oracle. E Ai2 installa AutoDiscovery in un centro oncologico operativo, pubblicando lo stesso giorno una scoperta sul cancro al seno convalidata in laboratorio. Il resto — GLM-5.3 Flash presso Together AI e l’annunciata apertura dei pesi di GLM-5.3, Gemini Omni 1.1 Flash, Cohere Parse, la prima CPU Vera consegnata ad AWS, una ventina di aggiornamenti degli strumenti — è riportato di seguito.

Anthropic apre il Model Hardware Standard e 10.000 postazioni Claude agli scienziati

27 agosto — Anthropic lancia la prima fase di un’anteprima di ricerca del Model Hardware Standard (MHS), una specifica condivisa che consente agli agenti di IA di controllare apparecchiature fisiche. Per il momento, l’accesso resta riservato a un primo gruppo di laboratori di ricerca e aziende all’avanguardia. Lo standard nasce da una collaborazione tra Alek Kemeny, del team Beneficial Deployments di Anthropic, e Arco Bast, ricercatore post-dottorato presso l’HHMI Janelia Research Campus, che conduceva esperimenti di imaging cerebrale su un banco composto da laser, motori di messa a fuoco e fotocamere privi di un’interfaccia comune.

Il problema affrontato è prosaico e costoso: ogni dispositivo espone la propria interfaccia di programmazione e non esisteva alcun modo standard per farli comunicare. MHS introduce un driver basato su primitive volutamente minime, di tipo «read» (per esempio «get temperature») e «write» (per esempio «set temperature»), che rende ogni dispositivo rilevabile in un formato comune. Tag redatti in linguaggio naturale descrivono ciò che il codice non specifica — per esempio il peso di un braccio robotico — e il driver ne ricava un file di riferimento che elenca ciò che il dispositivo misura, i parametri regolabili e i limiti di sicurezza applicati. Coesistono tre meccanismi di controllo: MCP, l’interfaccia a riga di comando e file di codice esposti come API.

I risultati dei partner mostrano l’entità del vantaggio. Genentech ha automatizzato il dosaggio proteico BCA coordinando un manipolatore di liquidi, un braccio robotico e un lettore di piastre. Alla Carnegie Mellon, le curve dose-risposta tramite diluizione seriale vengono elaborate circa tre volte più velocemente, con un agente che orchestra quattro famiglie di apparecchiature distribuite su tre computer con interfacce incompatibili. QuEra Computing ha lasciato che un agente sviluppasse un controller capace di ripristinare il blocco in frequenza dei laser di un computer quantistico nel 99,3% dei casi senza intervento umano. Sul fronte dell’ecosistema, AWS supporterà MHS tramite la propria libreria Strands Robots, mentre Hugging Face e Raspberry Pi parteciperanno alla fase successiva; quest’ultimo dopo test conclusivi sul proprio Camera MHS Driver.

Anthropic riconosce i limiti: Claude apprende il mondo fisico attraverso testo e immagini, il suo ragionamento spaziale resta limitato e richiede una supervisione esperta. In Genentech, i ricercatori hanno dovuto fargli comprendere che gli errori causati dalla formazione di schiuma nei campioni erano guasti fisici e non bug software. Lo standard sarà pubblicato successivamente in open source.

Lo stesso giorno, Anthropic apre 10.000 postazioni Claude agli scienziati di tutto il mondo tramite un nuovo piano Claude Team per ricercatori. Le postazioni Standard sono gratuite, mentre quelle Premium — con limiti di utilizzo quintuplicati — costano 15 dollari al mese per un anno, una riduzione che l’account ufficiale presenta come pari all’80%. L’accesso richiede la verifica dello status di ricercatore principale presso un’istituzione accademica o un’organizzazione senza scopo di lucro. Il programma AI for Science, finora incentrato sulle scienze biologiche, si estende ad altre discipline e arriva fino a 50.000 dollari di crediti per progetto. Resta una restrizione: i ricercatori di biologia e chimica continuano a essere limitati ai modelli di classe Opus, poiché i modelli Claude Fable continuano a bloccare le richieste relative alla biologia professionale e allo sviluppo di farmaci.

Elemento misurato	Valore annunciato
Tempo di integrazione prima di MHS	Da settimane a mesi
Tempo di integrazione con MHS	Da ore a minuti
Accelerazione dose-risposta (Carnegie Mellon)	Circa 3x
Ripristino del blocco laser senza intervento umano (QuEra)	99,3%
Programmi dei produttori unificati (HHMI Janelia)	7
Postazioni Claude aperte agli scienziati	10.000, per un anno
Postazione Premium (limiti x5)	15 dollari al mese, riduzione dell’80%
Crediti AI for Science	Fino a 50.000 dollari per progetto

Connecting AI to hardware requires days or weeks of bespoke integration, with no standard way for agents to operate equipment safely. MHS cuts integration to hours or minutes, provides an interface that makes devices discoverable, and enables agents to operate them safely.

🇮🇹 Collegare l’IA all’hardware richiede giorni o settimane di integrazione personalizzata, senza un metodo standard che consenta agli agenti di controllare le apparecchiature in sicurezza. MHS riduce l’integrazione a ore o minuti, fornisce un’interfaccia che rende i dispositivi rilevabili e consente agli agenti di controllarli in sicurezza. — @AnthropicAI su X

🔗 Model Hardware Standard · Ampliare il sostegno agli scienziati

Ai2 installa AutoDiscovery in un centro oncologico e pubblica una scoperta convalidata sul cancro al seno

27 agosto — Ai2 porta AutoDiscovery fuori dai dataset pubblici per installarlo in una struttura operativa: il Paul G. Allen Research Center del Providence Swedish Cancer Institute implementerà la piattaforma sui propri dati clinici e di ricerca. L’annuncio arriva insieme a ciò che lo giustifica: un risultato scientifico prodotto dallo strumento e poi convalidato in modo indipendente.

Il lavoro si è concentrato su The Cancer Genome Atlas, uno dei dataset più studiati del settore. AutoDiscovery genera e valuta ipotesi mediante grandi modelli linguistici, dando priorità alle osservazioni che sono al tempo stesso sorprendenti rispetto alle aspettative consolidate e riproducibili da un’analisi all’altra. Su questi dati, la piattaforma ha evidenziato un segnale inatteso: il carcinoma lobulare invasivo, un sottotipo di cancro al seno a lungo classificato come immunologicamente freddo (immune cold) e quindi ritenuto insensibile all’immunoterapia, presenta in realtà un’attività immunitaria superiore a quanto finora riconosciuto.

È quanto avvenuto in seguito a conferire peso all’annuncio. I ricercatori hanno convalidato l’osservazione su un dataset indipendente di pazienti, quindi l’hanno confermata in laboratorio analizzando campioni tumorali, con immagini di immunofluorescenza che mostrano i linfociti T intorno al tumore. L’articolo scaturito da questo lavoro, «Surprisal-based large language models reveal immunologic insights in breast cancer», è stato pubblicato lo stesso giorno da un team congiunto guidato dalla dott.ssa Kelly Paulson (PARC) e dalla dott.ssa Sasha Stanton (Earle A. Chiles Research Institute), con Bodhisattwa Majumder, ricercatore senior presso Ai2. Secondo Ai2, la conclusione suggerisce che un’intera categoria di pazienti — circa il 15% dei tumori al seno diagnosticati ogni anno negli Stati Uniti — meriterebbe di essere riesaminata sotto il profilo dell’immunoterapia.

L’implementazione locale rappresenta il secondo aspetto: Providence installa AutoDiscovery nel proprio ambiente cloud, mantenendo così i dati protetti all’interno della struttura, mentre il team di ricerca computazionale del PARC si occupa dell’installazione, dell’esecuzione e dell’assistenza. Ai2 sottolinea il posizionamento: la piattaforma non è progettata per operare da sola, ma per essere guidata dai ricercatori, che decidono quali piste approfondire.

🔗 Partnership tra Ai2 e Providence Swedish

OpenAI invoca una difesa informatica collettiva con Anthropic, AWS, Google, Microsoft e Oracle

27 agosto — OpenAI pubblica un intervento intitolato «A call for collective action on cyber defense», insieme a organizzazioni tra cui Anthropic, AWS, Google, Microsoft e Oracle — poiché il messaggio ufficiale usa la formulazione «including», l’elenco non è quindi esaustivo. Il testo parte da una considerazione sulle tempistiche: i prossimi mesi offrono una finestra limitata in cui i difensori possono acquisire un vantaggio, prima che gli attacchi assistiti dall’IA diventino molto più diffusi e sofisticati con il progresso dei modelli in tutto il mondo. Gli obiettivi menzionati non sono astratti: ospedali, impianti di trattamento dell’acqua, infrastrutture che mantengono operativo Internet.

L’argomento centrale è che i progressi attuali forniscono già ai difensori i mezzi per correggere debolezze accumulate nel corso degli anni — vecchi bug, autorizzazioni eccessive, errori di configurazione, software non aggiornato, autenticazione debole, debito tecnico dei sistemi legacy — mentre i team addetti alla sicurezza delle infrastrutture critiche hanno storicamente sofferto di carenza di risorse.

La proposta si articola intorno a tre principi: riconoscere che l’attuale situazione della sicurezza non sarà sufficiente, dotare più difensori di un’IA capace nel campo della sicurezza informatica e mobilitare una risposta collettiva, partendo dalla constatazione che nessuna singola azienda dovrebbe controllare questo futuro. Seguono quattro elenchi di richieste mirate. Ogni organizzazione deve considerare la difesa informatica una priorità dirigenziale, correggere le proprie vulnerabilità più rischiose e innalzare gli standard richiesti per ciò che acquista, costruisce e implementa, compreso il codice generato dall’IA. Le aziende di sicurezza informatica sono invitate a testare continuamente le proprie difese rispetto alle capacità di frontiera e a misurare i progressi in base al numero di organizzazioni protette, anziché attraverso indicatori di attività. I governi sono chiamati a finanziare la difesa informatica, a partire dai servizi essenziali privi di budget e personale. Infine, i laboratori di IA di frontiera devono fornire un accesso responsabile ai modelli e rendere le identità degli agenti tracciabili e responsabili.

Quest’ultimo punto collega l’intervento alle notizie del giorno precedente: il rapporto d’indagine sull’incidente di Hugging Face, nel quale un modello di ricerca interno aveva ottenuto un accesso a Internet non previsto e compromesso worker di produzione. La tracciabilità degli agenti vi figura quindi come un impegno, non soltanto come una raccomandazione rivolta agli altri.

We have a limited window to strengthen cyber defenses, and together with organizations including @AnthropicAI, @awscloud, @Google, @Microsoft, and @Oracle, we’re calling for a global effort to give defenders the tools, resources, and support to protect the infrastructure we all depend on. If we act decisively, we can turn today’s AI advances into lasting improvements in security and make our digital world safer for everyone.

🇮🇹 Disponiamo di una finestra limitata per rafforzare le difese informatiche e, insieme a organizzazioni tra cui @AnthropicAI, @awscloud, @Google, @Microsoft e @Oracle, chiediamo uno sforzo globale per fornire ai difensori gli strumenti, le risorse e il sostegno necessari a proteggere le infrastrutture da cui tutti dipendiamo. Se agiamo con decisione, possiamo trasformare gli attuali progressi dell’IA in miglioramenti duraturi della sicurezza e rendere il nostro mondo digitale più sicuro per tutti. — @OpenAI su X

🔗 Un appello all’azione collettiva per la difesa informatica

Claude Cowork integra il proprio browser

26 agosto — Claude Cowork integra il proprio browser nell’applicazione desktop. Non appena un’attività coinvolge un sito web, nel pannello laterale si apre un browser nel quale Claude naviga, legge le pagine, fa clic e compila i moduli. L’idea è delegare la parte web di un lavoro senza abbandonare ciò che si sta facendo: estrarre dati numerici da una dashboard oppure attraversare un portale di un fornitore per il quale non esiste alcun connettore.

La separazione è il punto centrale dell’annuncio. Il browser integrato appartiene a Claude, non all’utente: Claude non vede né le schede, né i preferiti, né le password. Per restare connessi ai propri servizi, si importano le sessioni sito per sito, da Chrome, Edge o Firefox su macOS e da Firefox su Windows e Linux. I siti bancari, di messaggistica e di autenticazione unica (SSO) vengono esclusi, salvo la decisione esplicita di includerli.

Anthropic traccia una chiara distinzione d’uso rispetto all’estensione Claude in Chrome, resa disponibile a tutti lo stesso giorno. Il browser integrato serve ad affidare un’attività web mentre si continua a lavorare; Claude in Chrome opera invece sulla pagina già aperta, con gli account a cui è già stato effettuato l’accesso. Se l’estensione è installata, rimane la scelta predefinita; l’impostazione può essere modificata in Settings → Cowork → Preferred browser e, sul lato amministrativo, in Organization settings → Cowork → Built-in browser.

Sul fronte della sicurezza, l’annuncio non promette nulla di assoluto. Il browser integrato presenta gli stessi rischi di prompt injection di qualsiasi agente che opera in un browser, quando istruzioni nascoste in una pagina tentano di deviare Claude. Applica le stesse misure di protezione di Claude in Chrome, inclusi i controlli che confrontano le azioni di Claude con quanto richiesto. Anthropic scrive che queste misure riducono significativamente il rischio senza eliminarlo e consiglia di iniziare da siti affidabili.

Aspetto dell’implementazione	Dettaglio
Piani interessati	Pro, Max, Team; Enterprise previa attivazione dell’amministratore
Piattaforme supportate	macOS, Windows, Linux (in versione beta)
Tempistiche dell’implementazione	Nel corso della settimana successiva all’annuncio, attivo per impostazione predefinita
Importazione degli accessi	Chrome, Edge, Firefox su macOS; Firefox su Windows e Linux
Siti esclusi per impostazione predefinita	Servizi bancari, messaggistica, autenticazione unica

🔗 Il browser integrato di Cowork

GLM-5.3 Flash arriva su Together AI e Z.ai annuncia l’apertura dei pesi di GLM-5.3

27 agosto — Together AI rende disponibile GLM-5.3 Flash, il primo modello nativamente multimodale della serie GLM-5 di Z.ai, con i suoi pesi pubblicamente disponibili. La scheda tecnica è insolitamente dettagliata: architettura Mixture-of-Experts da 320 miliardi di parametri, di cui 18 miliardi attivi, 45 layer, finestra di contesto da un milione di token. Il confronto evidenziato da Z.ai è interno alla propria linea di modelli: a parità di dimensione totale, il modello dimezza quasi il numero di parametri attivi e la profondità di GLM-4.5.

L’architettura è il vero punto centrale. Il modello combina un’attenzione lineare che cattura le dipendenze locali mediante modellazione dello stato e un’attenzione sparse che recupera il contesto globale tramite un indicizzatore leggero. IndexPool comprime inoltre quattro vettori chiave dell’indicizzatore in uno solo mediante pooling ponderato. Il risultato dichiarato da Z.ai, misurato rispetto a GLM-5.3: un calcolo dell’attenzione tre volte inferiore e una cache KV 4,4 volte più piccola sulla finestra da un milione di token. È questo risparmio a giustificare il posizionamento tariffario, pari a 0,15 dollari per milione di token in input e 0,50 dollari in output, rispetto a 1,40 e 4,40 dollari per GLM-5.2 presso lo stesso provider. Il modello era stato presentato in anteprima anonimamente con il nome Ox Alpha prima del lancio.

Il multimodale non è qui un’aggiunta marginale, bensì un elemento del ciclo di programmazione: il modello esamina i propri output visualizzati sullo schermo e li perfeziona iterativamente. L’addestramento segue la stessa logica, con apprendimento per rinforzo (reinforcement learning) basato sul feedback dell’ambiente per il codice frontend e verifica agentica ancorata a reali percorsi utente per le interfacce grafiche.

Lo stesso giorno, Z.ai annuncia in un messaggio molto breve che i pesi di GLM-5.3 — il modello principale, accessibile tramite API dal 18 agosto — saranno pubblicati il giorno successivo, mediante una scheda Hugging Face zai-org/GLM-5.3 già predisposta ma contrassegnata come «Prossima pubblicazione». L’apertura era stata preparata due settimane prima da un articolo intitolato «Preparare GLM-5.3 per la pubblicazione aperta: un percorso responsabile verso la difesa informatica». Il laboratorio combina quindi il lancio di una variante veloce e l’apertura dei pesi del modello principale a meno di ventiquattro ore di distanza.

Benchmark valutato	GLM-5.3 Flash	GLM-5.2
Terminal Bench 2.1	84,3	81,0
DeepSWE v1.1	63,4	46,2
Toolathlon Verified	78,4	59,9
AutomationBench	48,8	26,2
Humanity’s Last Exam (con strumenti)	55,3	—
GDPval-AA v2 Elo (Artificial Analysis)	1773	—

Tariffa Together AI (dollari per milione di token)	GLM-5.3 Flash	GLM-5.2
Input	0,15	1,40
Input nella cache	0,03	0,26
Output	0,50	4,40

GLM-5.3 Flash has arrived. @Zai_org’s first natively multimodal GLM-5 model packs 320B parameters, 18B active, 1M context, and hybrid attention.

On DeepSWE, it nearly MATCHES Luna’s performance while getting more than TWICE as much work done for the same budget.

🇮🇹 GLM-5.3 Flash è arrivato. Il primo modello GLM-5 nativamente multimodale di Z.ai integra 320 miliardi di parametri, 18 miliardi attivi, un contesto da un milione di token e un’attenzione ibrida. Su DeepSWE, eguaglia quasi le prestazioni di Luna svolgendo più del doppio del lavoro a parità di budget. — @togethercompute su X

🔗 Scheda del modello su Together AI · Annuncio di @Zai_org sui pesi

Gemini Omni 1.1 Flash: 10 secondi di contesto per prolungare una sequenza, bozze a 360p e output in 4K

27 agosto — Google pubblica Gemini Omni 1.1 Flash, un aggiornamento del suo modello multimodale di generazione ed editing video, firmato da Anish Nangia e Alisa Fortin, Product Manager presso Google DeepMind.

Il cambiamento più sostanziale riguarda l’estensione delle scene. Finora, prolungare un video generato significava chiedere al modello di continuare partendo soltanto dall’ultimo secondo, causando interruzioni della coerenza quando la scena comprendeva personaggi o un’ambientazione complessa. Omni 1.1 analizza ora fino a 10 secondi di contesto precedente, in blocchi di 10 secondi, fino a una durata complessiva di 40 secondi.

Il secondo asse è il controllo dell’inquadratura: specificando il primo e l’ultimo fotogramma, si chiede al modello di generare il video intermedio tra due fotogrammi chiave, puntando così a movimenti di camera complessi e loop senza stacchi visibili. Il terzo asse è economico, con una risoluzione di bozza a 360p dichiarata fino al 60% più veloce e a un terzo del costo del 720p standard; la misurazione della velocità si basa, precisa Google, sul throughput del sistema confrontato tra le due risoluzioni. La pipeline termina con un aumento della risoluzione (upscaling) a 1080p o 4K. A ciò si aggiunge il video di riferimento nell’input multimodale, fino a 3 secondi, per mantenere la coerenza di un personaggio o riprodurre un movimento.

Il modello è accessibile in Google AI Studio, tramite l’API Gemini Enterprise Agent Platform e in Google Flow per tutti gli abbonati a Google AI Plus, Pro e Ultra. Google cita tra i propri clienti Adobe, che lo ha integrato in Firefly, Figma Weave, GMI Cloud e Runway. L’articolo ufficiale include una tabella dei prezzi, pubblicata però sotto forma di immagine senza equivalente testuale: pertanto, qui non viene riportata alcuna tariffa.

Lo stesso giorno, Pika rende disponibile il modello nel suo API Club, accessibile tramite dev.pika.art, con estensione video, supporto per il primo e l’ultimo fotogramma, fino a tre video di riferimento e output fino al 4K. Lo studio prosegue così una prassi ben consolidata: aggregare modelli video di terze parti non appena diventano disponibili, come aveva già fatto con Seedance 2.5 e poi con Wan 3.0.

Capacità del modello	Valore dichiarato
Contesto per l’estensione	Fino a 10 s, rispetto a 1 s nei modelli precedenti
Incremento dell’estensione	10 s, fino a 40 s complessivi
Bozza a 360p — velocità	Fino al 60% più veloce del 720p
Bozza a 360p — costo	Un terzo del costo del 720p standard
Aumento della risoluzione	1080p o 4K
Video di riferimento multimodale	Fino a 3 s di video
Identificativo del modello nell’API	`gemini-omni-1.1-flash`

🔗 Annuncio di Google · Messaggio di @pika_labs

H3 Max: fal sottopone MiniMax H3 a post-addestramento e genera 5 secondi di video in meno di 3 secondi

26 agosto — fal Research pubblica H3 Max, un modello video sottoposto a post-addestramento a partire dai pesi aperti di MiniMax H3. La particolarità del lavoro è che non si tratta soltanto di post-addestramento: il team di inference di fal ha co-progettato lo stack di esecuzione parallelamente al modello, in modo che le decisioni relative all’addestramento e al servizio si influenzassero reciprocamente.

Per quanto riguarda la qualità, fal ha condotto studi di preferenza umana con confronti diretti rispetto a dodici modelli video di riferimento, tra cui l’endpoint ufficiale di MiniMax H3, Gemini Omni Flash, Wan 3.0, Seedance 2.5, Kling 3 e Veo 3.1. I valutatori confrontavano tre dimensioni distinte — preferenza complessiva, aderenza al prompt, estetica — aggregate mediante punteggi Elo bayesiani con intervalli di confidenza del 95%. H3 Max si classifica al primo posto in tutte e tre e vince la maggioranza dei confronti diretti con ciascuno dei modelli testati, incluso l’H3 originale. Anche Artificial Analysis e Design Arena lo collocano al vertice delle rispettive classifiche indipendenti.

Quanto alla velocità, H3 Max genera un video di 5 secondi in circa 3 secondi, pari a circa 35 volte il throughput dell’endpoint ufficiale di MiniMax H3 e, in media, a una velocità 15 volte superiore rispetto ai modelli di qualità comparabile. fal insiste sul metodo: un’ottimizzazione veniva mantenuta soltanto se il modello risultante conservava la propria posizione nelle valutazioni interne della qualità. L’addestramento e il servizio sono stati realizzati interamente su sistemi NVIDIA GB200 NVL72.

Il team di MiniMax H3, citato nell’articolo di fal, convalida il risultato: a suo avviso, H3 Max combina una qualità video allo stato dell’arte con un cambiamento di ordine di grandezza nella velocità di generazione, rendendo la generazione video di alta qualità praticabile per una gamma molto più ampia di applicazioni reali. È l’argomento a favore dei pesi aperti messo in pratica: un post-addestramento condotto da terzi rivela il vero potenziale di un buon modello di base.

Misura pubblicata da fal	Valore
Video di 5 secondi	Generato in circa 3 secondi
Throughput rispetto all’endpoint ufficiale H3	Circa 35x
Velocità rispetto a modelli di qualità comparabile	15x in media
Modelli video confrontati	12
Posizione nella preferenza umana	1º in tutte e tre le dimensioni
Sconto di lancio	50% durante la prima settimana

🔗 Presentazione di H3 Max da parte di fal

Cohere Parse: 1,50 dollari ogni 1.000 pagine e 79,2 su ParseBench

27 agosto — Cohere lancia Parse in disponibilità generale, un modello di visione e linguaggio (vision language model) dedicato all’elaborazione su larga scala di documenti aziendali. Converte file multimodali complessi in dati strutturati leggibili dalle macchine e restituisce Markdown pulito, concepito per l’indicizzazione documentale, il RAG e il recupero agentico. Oltre al riconoscimento dei caratteri, Parse identifica tabelle, moduli, diagrammi e immagini integrate e restituisce riquadri di delimitazione (bounding boxes) per tabelle e immagini. Elabora nove delle principali lingue mondiali.

L’argomento principale riguarda il prezzo: 1,50 dollari per ogni 1.000 pagine tramite l’API Cohere. Per i carichi continuativi, l’azienda promuove Model Vault, la propria piattaforma di inference single-tenant, con un risparmio del 23% al 50% di utilizzo della GPU e fino al 61% a pieno utilizzo orario. Il caso numerico fornito come esempio — un flusso di contabilità fornitori che elabora circa 13 milioni di pagine al mese — rappresenta un risparmio mensile di circa 12.000 dollari rispetto all’API e di circa 1,47 milioni di dollari all’anno rispetto a un’offerta hyperscaler fatturata a 10 dollari ogni 1.000 pagine.

Quanto al throughput, Cohere dichiara 4,5 pagine al secondo, ovvero 36 pagine al secondo su un nodo con 8 GPU H100: circa 1,4 volte il throughput di dots.mocr e 2,2 volte quello di Chandra OCR 2 nella stessa configurazione; il confronto riguarda esclusivamente modelli open source serviti tramite vLLM.

Cohere riconosce due limiti metodologici. Le dimensioni Layout e Chart di ParseBench sono escluse dal confronto, poiché il modello punta a produrre Markdown nell’ordine di lettura e tratta i grafici come elementi visivi descritti da metadati; l’estrazione delle serie numeriche è prevista per la versione successiva. Inoltre, tutti i punteggi pubblicati utilizzano le regole ParseBench di agosto 2026, che correggono un difetto nel rilevamento del grassetto e dei titoli che in precedenza gonfiava i punteggi della formattazione semantica; i concorrenti sono stati nuovamente valutati secondo le stesse regole. Parse è disponibile tramite l’API Cohere, Model Vault, Microsoft Foundry e AWS SageMaker con l’identificativo parse-v5.0, e può essere distribuito in un cloud privato o on-premise.

Modello valutato	Media	Tabelle	Fedeltà del contenuto	Formattazione semantica
GPT-5.5	84,4	89,3	87,5	76,5
Opus 4.8	84,3	89,7	89,0	74,1
Gemini 3.5 Flash	81,8	87,6	84,7	73,2
Cohere Parse	79,2	87,0	86,6	64,0
LlamaParse (Cost Effective)	78,3	81,4	90,9	62,7
Mistral OCR 4	74,5	73,9	89,5	60,1
Databricks AI Parse	72,4	83,7	88,3	45,3
Google Document AI	57,3	55,1	83,7	33,0
AWS Textract	53,3	82,3	74,8	2,8

🔗 Annuncio di Cohere Parse

NVIDIA consegna la prima CPU Vera ad AWS ed estende NVLink Fusion alla memoria NVHBM

27 agosto — NVIDIA ha aggiornato il suo articolo dedicato alla CPU Vera per includervi un importante traguardo: AWS ha ricevuto il suo primo server CPU Vera e la sua prima GPU Vera Rubin, consegnati di persona da Ian Buck, vicepresidente Hyperscale e HPC di NVIDIA, presso la sede di AWS a Seattle, nelle mani di Willem Visser e Supreeth Sheshardi, vicepresidenti di Amazon EC2. La consegna accompagna un annuncio fatto il giorno precedente, il 26 agosto: AWS e NVIDIA estendono una collaborazione di sedici anni, con un piano che prevede 2 milioni di GPU aggiuntive e il porting su AWS dell’infrastruttura basata sulla CPU Vera. AWS non è il primo destinatario: Buck aveva già consegnato sistemi Vera a Oracle Cloud Infrastructure, nonché ad Anthropic, OpenAI e SpaceXAI.

L’argomentazione tecnica si basa su un’osservazione: un agente non funziona esclusivamente su GPU. Ogni sandbox di esecuzione, ogni chiamata a uno strumento, ogni livello di orchestrazione e ogni recupero in contesti lunghi costituiscono lavoro per la CPU. Vera integra 88 core Olympus progettati da NVIDIA, 1,2 TB/s di larghezza di banda della memoria e promette prestazioni per core fino a 1,8x superiori sui carichi di lavoro agentici. NVIDIA cita dati di OpenRouter secondo cui questi carichi consumano 15 volte più token rispetto a una semplice richiesta di chat. Tra i cloud provider, Oracle Cloud Infrastructure è il primo a distribuire Vera su scala hyperscale, con centinaia di migliaia di CPU previste a partire dal 2026. Per completezza: l’articolo è una ripubblicazione, la cui versione iniziale risale al 18 maggio 2026; solo la parte relativa ad AWS è pertinente alla giornata.

Il 26 agosto, NVIDIA ha inoltre ampliato NVLink Fusion con NVHBM, una tecnologia di memoria ad alta larghezza di banda destinata ai chip personalizzati dei suoi partner. La modifica architetturale è precisa: le architetture HBM tradizionali collocano il controller di memoria sul chip XPU, dove occupa una superficie di silicio che potrebbe essere destinata al calcolo; NVHBM sposta questo controller, progettato da NVIDIA, nel chip di base dello stack HBM 3D. Annapurna Labs, la divisione di Amazon dedicata al silicio, è il primo partner a lavorare su NVHBM, oltre all’impegno già annunciato di supportare NVLink Fusion sui propri chip Trainium a partire da Trainium4.

Caratteristica misurata	Valore dichiarato
Core della CPU Vera	88 core Olympus progettati da NVIDIA
Larghezza di banda della memoria di Vera	1,2 TB/s
Prestazioni per core sui carichi agentici	Fino a 1,8x
GPU aggiuntive previste presso AWS	2 milioni
Larghezza di banda NVHBM rispetto a HBM4E standard	Fino al +30%
Consumo HBM con NVHBM	-15%
Superficie liberata sul chip di calcolo XPU	Fino al +25%

🔗 Consegna della CPU Vera · NVLink Fusion e NVHBM

Google DeepMind conduce la prima valutazione in doppio cieco di un modello di frontiera

27 agosto — Google DeepMind pubblica il resoconto di un progetto pilota che presenta come la prima valutazione in doppio cieco di un modello di IA proprietario di classe frontier. L’annuncio è firmato da William Isaac, Sol Messing e Kristian Lum e occupa la posizione di post fissato in alto nell’account del laboratorio.

Il problema affrontato è quello della contaminazione dei benchmark. L’articolo sviluppa un’analogia scolastica: se uno studente ha visto in anticipo le domande dell’esame, il suo punteggio perfetto non misura più nulla. Per i modelli linguistici, la questione è strutturale, poiché i set di valutazione pubblici finiscono nei corpus di addestramento. Google osserva che i protocolli di non registrazione e le garanzie contrattuali tutelano da tempo la riservatezza dei prompt dei test esterni, ma che l’aggiunta di garanzie tecniche e crittografiche rappresenta un cambiamento sostanziale.

Storicamente, una valutazione esterna ad alto impatto imponeva un compromesso: o il valutatore consegnava i propri prompt al fornitore del modello, oppure il fornitore consegnava i pesi del proprio modello. Il sistema descritto elimina questo compromesso. Si basa su Confidential Space, un componente del portafoglio Confidential Computing di Google Cloud, che consente di verificare crittograficamente che entrambi gli asset restino privati per i rispettivi proprietari: il valutatore non accede ai pesi del modello Gemini e Google non accede ai prompt dei test.

Il progetto pilota riguarda un modello Gemini Flash Lite, testato su benchmark riservati, in collaborazione con il Singapore AI Safety Institute, OpenMined, AVERI e MLCommons. Google sottolinea che l’utilità del sistema cresce con la sensibilità della valutazione, citando esplicitamente i test di cybersecurity e quelli condotti da enti governativi. L’annuncio è accompagnato da un rapporto tecnico che descrive nel dettaglio la metodologia.

🔗 Il progetto pilota di valutazioni in doppio cieco

Expert Intelligence: gli ebook di Google Play Books diventano fonti in Gemini Notebook

27 agosto — Il team di Gemini Notebook annuncia Expert Intelligence, un’iniziativa trasversale di Google che consente di utilizzare come fonti in un notebook i libri acquistati. Il lancio inizia con gli ebook idonei di Google Play Books; Google annuncia il futuro arrivo degli abbonamenti di terze parti, dei libri di testo e l’estensione all’applicazione Gemini e alla Modalità IA di Google Search.

Il principio è semplice da descrivere, ma nuovo per portata: un notebook può ora combinare ebook acquistati, abbonamenti professionali e file personali di Google Drive in un’unica base di conoscenza. Le consuete funzionalità di Gemini Notebook si applicano quindi al libro — conversazione con il contenuto, generazione di Audio Overviews, creazione di schede di ripasso e quiz — con ogni risposta basata sulle fonti e corredata di citazioni inline che rimandano al passaggio esatto.

L’aspetto più interessante è il modello economico, perché risponde alla domanda che questo tipo di prodotto solleva immediatamente: che cosa succede alla remunerazione dell’autore quando un modello assimila il suo libro? Google stabilisce una condizione di accesso esplicita: per interagire con un libro in Gemini Notebook, è necessario possederlo tramite Google Play Books. E se viene condiviso un notebook contenente un libro, i collaboratori sono invitati ad acquistare la propria copia per approfondire. Google presenta quindi il sistema agli editori come un canale di scoperta anziché come un sostituto.

Per gli editori, il meccanismo è dichiarativo: l’idoneità di un’opera può essere verificata nella relativa scheda di Google Play Books, dove Gemini Notebook compare sotto il badge «Tools» se il libro è registrato; la registrazione avviene su richiesta al team di Google. I tre casi d’uso descritti danno il tono: incrociare i propri appunti delle lezioni con The Sense of Style di Steven Pinker, applicare The Culture Code di Daniel Coyle a un progetto di gruppo, sintetizzare una routine a partire da The New Menopause prima di convertirla in un Audio Overview.

🔗 Expert Intelligence

Warp aggiunge cicli di auto-miglioramento alle sue factories

27 agosto — Warp completa la sua piattaforma Warp Factories con cicli di auto-miglioramento (self-improvement loops). Il principio si articola in tre fasi: valutare le conversazioni passate degli agenti secondo criteri definiti dal team, isolare gli errori e quindi generare miglioramenti delle skill. Un articolo tecnico pubblicato lo stesso giorno descrive nel dettaglio l’intero sistema.

Il componente centrale è una funzione di valutazione, che Warp chiama scorer. Riceve in input le tracce di esecuzione di un agente e restituisce un punteggio secondo una griglia. Warp insiste su un punto: l’input non deve limitarsi alla traccia dell’agente, ma deve includere le interazioni umane provenienti dagli strumenti integrati, per esempio i commenti lasciati su una pull request. Il punteggio può provenire da una persona, dal codice o, più comunemente oggi, da un altro agente che funge da giudice. Warp fornisce scorer predefiniti che valutano correttezza, efficienza dei costi e verbosità, e consente di configurarne la frequenza di esecuzione — ogni poche ore per impostazione predefinita — nonché la strategia di campionamento, poiché queste valutazioni hanno un costo.

Le esecuzioni valutate alimentano quindi agenti di auto-miglioramento, che cercano schemi ricorrenti negli errori e propongono correzioni sotto forma di diff sulla definizione della factory. Questo meccanismo funziona solo perché la factory è descritta tramite codice: un file factory.yaml più una struttura ad albero di definizioni di agenti, skill, server MCP e regole di routing dei modelli. Le persone ricevono i suggerimenti sotto forma di pull request e decidono se effettuare il merge o meno.

Warp distingue chiaramente un secondo meccanismo, i benchmark, che risponde a un limite dei cicli di auto-miglioramento: questi ultimi assomigliano a ciò che una persona competente modificherebbe dopo aver esaminato i risultati passati, ma non costituiscono un vero test A/B. Per risolvere una questione come la migliore combinazione di modelli, Warp propone di scegliere da cinque a dieci attività di riferimento, eseguire gli agenti in parallelo con più configurazioni e quindi valutarli con gli stessi scorer. Il risultato è una matrice di esiti per configurazione. Le metriche di gestione citate — volume di pull request, costo medio per pull request, percentuale di automazione, risparmi stimati — sono presentate come un quadro di misurazione proposto, senza dati sui risultati dei clienti a sostegno.

🔗 Annuncio di @warpdotdev

Replit estende a tutti il routing automatico dei modelli

27 agosto — Replit rende Intelligent Model Routing disponibile a tutti gli utenti della piattaforma. L’argomento di partenza è semplice: il modello migliore per un’attività cambia da una settimana all’altra, da un progetto all’altro e talvolta da un’attività all’altra, e questa scelta aggiunge un punto decisionale tra l’idea e la sua realizzazione. Replit assume quindi il controllo: man mano che un’attività evolve, viene associata al modello più adatto a completarla, bilanciando qualità, velocità e costo.

Il dato evidenziato richiede una lettura precisa. Nei suoi test, Replit dichiara la stessa qualità di output con un costo inferiore del 65% rispetto alla versione precedente della modalità Max: non si tratta di una riduzione assoluta del 65%, mentre il messaggio su X parla di un costo «fino al 65% inferiore».

Il routing non preclude il controllo manuale. Tutti gli utenti iniziano ora in Free Mode e ricevono una notifica quando il lavoro passa a modalità più potenti che potrebbero generare costi; gli abbonati Core e Pro mantengono la selezione manuale del modello. In ambito aziendale, gli amministratori definiscono l’insieme dei modelli approvati per ogni workspace e Replit sceglie automaticamente all’interno di tale insieme.

Elemento del lancio	Valore dichiarato da Replit
Riduzione dei costi	-65% a parità di qualità, rispetto alla versione precedente della modalità Max
Disponibilità	Tutti gli utenti
Modalità iniziale	Free Mode, con notifica prima del passaggio a una modalità a pagamento
Selezione manuale	Mantenuta per i piani Core e Pro
Controllo aziendale	Insieme di modelli approvati definito per workspace

🔗 Annuncio di @Replit

Codex CLI 0.150: menzioni @ tra attività, hook Interrupt e rafforzamento dei progetti non attendibili

26 agosto — Codex CLI passa alla versione 0.150.0, seguita il 27 agosto dalla patch 0.150.1. L’aggiornamento si installa con npm install -g @openai/codex@0.150.1.

La novità strutturale riguarda l’orchestrazione tra attività. Diventa possibile fare riferimento ad altre attività Codex tramite menzioni @ e chiedere a un agente di leggere, creare o inviare un messaggio a un’attività direttamente dal terminale. In concreto, l’elenco delle attività diventa un insieme di oggetti indirizzabili: un agente può consultare ciò che un’altra attività ha prodotto o trasmetterle un’istruzione, senza copiare e incollare manualmente il contesto. Analogamente, le attività del terminale rimaste senza nome ricevono automaticamente un titolo descrittivo e /rename propone un titolo modificabile dedotto dalla conversazione.

La seconda aggiunta degna di nota è l’hook Interrupt. Finora, l’interruzione di un turno attivo era un punto cieco: la sessione si arrestava senza che fosse possibile attivare alcuna operazione. La versione 0.150.0 consente di eseguire un comando o un handler MCP quando viene interrotto un turno di livello superiore, permettendo così di ripulire uno stato, liberare un lock o registrare l’interruzione.

Sul fronte della sicurezza, due correzioni meritano attenzione per chi esegue Codex su codice di terze parti. I progetti non attendibili non forniscono più le istruzioni AGENTS.md a livello di progetto — un file di istruzioni inserito in un repository clonato non può quindi più controllare l’agente all’insaputa dell’utente — e le regole gestite che impediscono la lettura restano applicate dopo una modifica delle autorizzazioni. A ciò si aggiungono un migliore mascheramento degli identificatori nella diagnostica dell’app-server, correzioni per i bearer token MCP remoti e per i blocchi durante l’arresto su Unix causati da processi scollegati. La patch 0.150.1 risolve infine un caso specifico ma oneroso: la compattazione remota include ora nel proprio budget di token le immagini conservate e, se necessario, elimina quelle meno recenti — in una sessione lunga con screenshot, ciò rappresentava una fonte silenziosa di superamento del limite di contesto.

Versione pubblicata	Data del changelog	Tipo di pubblicazione
0.150.0	26 agosto 2026	Versione stabile, novità
0.150.1	27 agosto 2026	Correzione della compattazione

🔗 Note di rilascio 0.150.0

Claude Code 2.1.247: audit dei costi API e finestra da 1M predefinita per Sonnet 5

27 agosto — Claude Code passa alla versione 2.1.247. L’aggiunta più evidente per i team è un comando di audit della spesa: /claude-api cost-optimize analizza ciò che un progetto consuma sulla Claude API, quindi passa in rassegna una per una le leve di riduzione — caching, igiene dei token, elaborazione in batch, livello di effort, scelta del modello — misurando l’effetto di ogni modifica prima di passare alla successiva. La skill /claude-api copre inoltre ora l’Admin API: membri dell’organizzazione, inviti, workspace, chiavi API, rapporti sui limiti di throughput, workload identity federation e CMEK.

Un’impostazione del contesto merita attenzione: la finestra di auto-compattazione predefinita di Sonnet 5 passa al suo contesto completo di 1M di token, con le sessioni che ora vengono compattate intorno a 967K token anziché circa 934K. Sul fronte della robustezza, i sotto-agenti non si interrompono più in caso di errore 404 del modello alla prima chiamata — passano alla catena di modelli di fallback della sessione — e un hook che produce megabyte di errori non può più bloccare la sessione su «Prompt is too long».

La versione dedica infine un impegno concreto all’irrobustimento. Nel markdown visualizzato nel terminale, i link che puntano a un percorso di rete o di montaggio automatico, contengono un carattere di controllo o iniziano con un carattere invisibile vengono mostrati come testo normale anziché resi cliccabili. Il marketplace dei plugin rifiuta i nomi contenenti caratteri di controllo ed esegue l’escape del testo che un marketplace inserisce nei propri output.

🔗 Changelog di Claude Code

Together AI quantifica la cascata DeepSeek seguita da GPT-5.6 Sol su DeepSWE

27 agosto — Together AI estende ai modelli DeepSeek la propria serie di confronti DeepSWE, con lo stesso protocollo usato per gli episodi GLM-5.3: le 113 attività del benchmark, quattro tentativi per attività e per modello, per un totale di 904 esecuzioni nel confronto tra DeepSeek V4 Pro 0813 e GPT-5.6 Sol.

Il risultato grezzo assegna il vantaggio al modello chiuso al primo tentativo — 72,7% contro 62,8% — ma il divario si riduce a ogni tentativo e si inverte al quarto, con l’88,5% per DeepSeek contro l’85,8%. Con 0,24 dollari per esecuzione contro 8,37, il modello aperto costa 35 volte meno, ossia 261 attività risolte per 100 dollari spesi contro 9. Non compensa però questo risparmio in velocità: 35 minuti e 146 passaggi mediani contro 17 minuti e 53 passaggi.

La conclusione operativa è una configurazione a cascata. Eseguire prima DeepSeek V4 Pro e passare a GPT-5.6 Sol solo quando la suite di test respinge il risultato consente di risolvere l’83,0% delle attività a 3,35 dollari ciascuna — dieci punti sopra Sol da solo e persino sopra un router oracle perfetto in un unico tentativo, all’80,8%. Sono online altri due confronti della stessa serie, che contrappongono DeepSeek V4 Pro a Claude Fable 5 e DeepSeek-V4 Flash a GPT-5.6 Luna.

Strategia valutata	Tasso di successo	Costo per attività
Solo GPT-5.6 Sol	72,7%	8,37 dollari
Router oracle perfetto in un unico tentativo	80,8%	—
Cascata DeepSeek V4 Pro seguita da Sol	83,0%	3,35 dollari

🔗 Confronto DeepSWE di Together AI

OpenAI avvia le operazioni in Brasile e pubblica un esperimento randomizzato con Bocconi

27 agosto — OpenAI avvia le proprie operazioni commerciali in Brasile, con un team locale con sede a San Paolo. L’annuncio è accompagnato da dati di utilizzo raramente pubblicati con questo livello di granularità per paese: il Brasile figura tra i tre maggiori mercati di ChatGPT per utenti attivi settimanali, con un numero di utenti quasi raddoppiato in un anno e circa 215 milioni di messaggi inviati ogni giorno. Nel giugno 2026, il 35% dei messaggi classificati provenienti da account individuali brasiliani era legato al lavoro, rispetto al 30% a livello mondiale. Sul fronte degli sviluppatori, il paese è al secondo posto nel mondo per numero di sviluppatori che utilizzano l’API OpenAI, mentre gli utenti settimanali di Codex sono aumentati di oltre undici volte dall’inizio del 2026. L’insediamento è accompagnato da partnership con ITA, IMPA, HCFMUSP, ENTER, Estímulo e la città di San Paolo tramite Prodam.

Lo stesso giorno, OpenAI pubblica insieme a ricercatori dell’Università Bocconi i risultati di un esperimento randomizzato condotto su oltre 1.000 studenti del primo anno di laurea. L’interesse del protocollo risiede nella sua struttura: gli studenti sono stati assegnati casualmente, in base alla fascia oraria delle lezioni, a quattro gruppi — accesso a ChatGPT, formazione sul ragionamento causale, entrambi o nessuno dei due — permettendo così di separare l’effetto dello strumento, quello della formazione e quello della loro combinazione. Il compito consisteva in un caso aziendale reale: formulare raccomandazioni di marketing per il negozio di merchandising dell’università.

I due trattamenti producono effetti distinti. L’accesso a ChatGPT fa guadagnare quasi un punto su cinque, con più idee e una logica più chiara. La formazione sul ragionamento causale, invece, non migliora il voto — ma l’analisi testuale automatizzata rivela una gamma di idee più ampia e più distinta da quella degli altri studenti, che la griglia di valutazione non misurava. OpenAI ne trae una conclusione scomoda per gli istituti: se l’IA consente di produrre un lavoro rifinito e vicino a quello di un esperto, esaminare soltanto la risposta finale dice sempre meno su ciò che lo studente comprende.

Gruppo sperimentale	Effetto misurato
Accesso a ChatGPT	Quasi un punto in più su cinque, più idee, logica più chiara
Formazione sul ragionamento causale	Nessun guadagno nella griglia, ma idee più varie e più distinte
Entrambi i trattamenti combinati	Benefici cumulativi, miglioramenti sul maggior numero di misure

🔗 Presenza in Brasile · Studio Bocconi

Le attività pianificate di ChatGPT si attivano in base a eventi di Gmail, Slack e GitHub

25 agosto — Le attività pianificate di ChatGPT escono dal modello puramente temporale: ora possono attivarsi in seguito a un evento verificatosi in Gmail, Slack o GitHub. Il filtraggio è granulare — messaggi Gmail per mittente o oggetto, canali Slack selezionati, attività delle pull request comprendente revisioni, commenti, aggiornamenti dei commit e merge.

Il passaggio dal cron all’evento cambia la natura dello strumento: invece di controllare periodicamente se è successo qualcosa, l’agente reagisce nel momento in cui accade. La funzionalità è disponibile su ChatGPT web e mobile per i piani idonei, a condizione di collegare l’applicazione interessata e approvare gli accessi richiesti. Due prerequisiti pratici: l’app Slack di ChatGPT deve essere membro di ogni canale monitorato e l’app GitHub collegata deve avere accesso a ogni repository. Ci sono anche due limiti: un’attività attivata da un evento non può avere anche una pianificazione temporale e gli eventi ravvicinati possono essere raggruppati in un’unica esecuzione — la vista Scheduled permette quindi di esaminare gli eventi in attesa o avviare l’esecuzione manualmente.

🔗 Changelog di ChatGPT e Codex

Gli agenti cloud di Cursor si avviano senza un repository esistente

27 agosto — Cursor elimina l’ultimo requisito di accesso per i suoi agenti cloud: non è più necessario aver collegato un account GitHub o un altro provider terzo di gestione del codice sorgente per avviare una sessione. Nel selettore del repository, l’opzione «Start from scratch» consente di inserire subito un prompt, mentre Cursor crea in background un repository Origin destinato a ospitare il lavoro.

Quando il risultato è soddisfacente, un pulsante «Create repo» lo salva in un repository Origin, con un nome personalizzato o suggerito e visibilità privata o interna; il repository ottenuto è completamente strutturato e viene aggiunto alla scheda Codebase. Due aggiunte completano il ciclo: Cursor ora inoltra al browser le porte dell’ambiente live dell’agente cloud, offrendo accesso a un’anteprima e a strumenti come la modalità design, mentre un pulsante di pubblicazione genera un URL online dopo aver collegato un account Vercel — account che costituisce un requisito per quest’ultima funzionalità. Il tutto si basa su Origin, il servizio di hosting del codice di Cursor entrato in beta anticipata il 17 agosto per tutti i piani a pagamento.

🔗 Changelog di Cursor

Amp apre i suoi progetti a più repository

27 agosto — I progetti Amp ora supportano più repository. I repository aggiuntivi vengono clonati in una directory adiacente all’interno dell’orb e l’agente viene informato esplicitamente della loro presenza; il pannello delle modifiche mostra quindi un diff che copre tutti i repository del progetto. È la risposta di Amp alle attività che attraversano più servizi, uno scenario che la suddivisione di un progetto per repository rendeva scomodo.

L’aggiunta può essere effettuata durante la creazione del progetto o successivamente nelle impostazioni, con un limite di 20 repository aggiuntivi per progetto. Prima di iniziare bisogna conoscere un limite: durante la preparazione dell’orb, viene eseguito automaticamente soltanto lo script .agents/setup del repository principale e ogni repository aggiuntivo che richieda una propria inizializzazione deve essere integrato in tale script. Lo stesso giorno, Amp prosegue il proprio riposizionamento rimuovendo la barra laterale dall’interfaccia del terminale — si vedano le notizie in breve.

🔗 Progetti multi-repository in Amp

Google Antigravity 2.11.0 visualizza gli artefatti HTML nel thread della conversazione

26 agosto — Google pubblica la versione 2.11.0 di Antigravity, con 10 miglioramenti e 30 correzioni. La novità principale è l’interfaccia generativa: l’agente può produrre un artefatto HTML che viene visualizzato direttamente nel thread della conversazione, senza passare da un’anteprima esterna. Il rendering supporta la formattazione matematica KaTeX e i grafici Chart.js e Plotly, estendendone l’utilizzo ai dashboard e alle visualizzazioni prodotte al volo.

La seconda serie di modifiche riguarda la configurazione degli agenti e procede verso una maggiore modularizzazione. La sintassi @path/to/file consente di fare riferimento a file esterni e includerli in AGENTS.md e nei file di regole personalizzati; una chiave rules: compare nel frontmatter degli agenti markdown per associare le regole a un determinato agente anziché all’intero progetto; inoltre, Antigravity ora rileva skill, agenti e regole dichiarati nei file skills.json, agents.json e rules.json situati nelle sottodirectory — utile per i monorepo in cui ogni sottoprogetto ha la propria configurazione. Il resto riguarda l’ergonomia: terminali divisibili affiancati, rendering del frontmatter YAML come scheda di metadati, tema Darcula e lettura di intervalli di pagine specifici nei documenti multipagina.

🔗 Changelog di Antigravity

GitHub: policy globale dei modelli in disponibilità generale e tavola rotonda dei maintainer di OpenClaw

26 agosto — GitHub rende generalmente disponibile la policy globale dei modelli per Copilot Business e Copilot Enterprise. Annunciato a luglio, questo meccanismo offre agli amministratori un unico interruttore che decide il trattamento dei modelli non configurati esplicitamente, evitando di dover decidere modello per modello a ogni nuova uscita. La distribuzione dell’applicazione effettiva prosegue fino al 1º settembre, quindi il passaggio non avviene nello stesso momento per tutte le aziende. Le decisioni già prese manualmente vengono mantenute invariate e due categorie restano escluse dalla policy indipendentemente dal suo valore: i modelli open-weight, con DeepSeek e Kimi K2 come esempi, e i modelli non coperti dall’accordo di conservazione dei dati di GitHub, tra cui l’annuncio cita Fable 5. GitHub sta inoltre valutando l’eliminazione dello stato «Delegate to default policy» per imporre una decisione esplicita su ogni modello.

Il 27 agosto, GitHub pubblica una tavola rotonda video con i maintainer di OpenClaw, accompagnata da un articolo che ne ricava dieci lezioni. Avviato da Peter Steinberger nel novembre 2025 come progetto del fine settimana, al 26 agosto questo repository conta circa 388.000 stelle, 81.000 fork e oltre 80.000 commit — GitHub lo presenta come il progetto dalla crescita più rapida della sua storia. L’interesse dell’intervista risiede in ciò che rivela sul lavoro dei maintainer quando gli agenti entrano nel ciclo: Steinberger spiega di non parlare più di pull request ma di «prompt request», mentre Josh Lehman descrive contributori che eseguivano catene automatizzate capaci di aprire diverse centinaia di pull request. I segnali di affidabilità sono cambiati di conseguenza — trascrizioni degli agenti, screenshot e prove dei test anziché conteggio dei contributi — tanto più che la reputazione stessa è diventata una superficie di attacco, con persone che duplicano le pull request altrui per aumentare il proprio numero di merge.

Indicatore del repository OpenClaw al 26 agosto 2026	Valore rilevato
Stelle	Circa 388.000
Fork	81.000
Commit	Oltre 80.000
Avvio del progetto	Novembre 2025

🔗 Policy globale dei modelli · Tavola rotonda OpenClaw

In breve

Qwen3.8-Flash instradabile su OpenRouter ed eseguibile in locale con 75 GB di RAM — Il modello diventa accessibile tramite OpenRouter un giorno dopo l’apertura dei suoi pesi, per gli assistenti di programmazione, i workflow agentici e la comprensione di video lunghi. Parallelamente, Unsloth pubblica i suoi GGUF già dal primo giorno: il MoE da 125 miliardi di parametri funziona in locale con 75 GB di RAM e Unsloth afferma che superi Claude Opus 4.6 Max — un’affermazione di Unsloth che nessuna misurazione indipendente conferma. 🔗 OpenRouter · GGUF di Unsloth
Grok 4.6 arriva su Microsoft Foundry e si attiva da Linear — Il modello entra nel catalogo di Microsoft Foundry con 500.000 token di contesto e quattro livelli di reasoning effort, affiancandosi ad Amazon Bedrock e Google Enterprise Agent Platform. Su grok.com, i trigger di Linear consentono a Grok di smistare i ticket, seguirne l’avanzamento e avviarsi automaticamente non appena gli viene assegnato un ticket. 🔗 Grok su Foundry · Trigger di Linear
Joelle Pineau e Mikey entrano nella classifica TIME100 AI 2026 — Cohere annuncia che la sua direttrice dell’IA figura nell’elenco della rivista TIME, ricordando oltre vent’anni di ricerca in Canada, dalle sedie a rotelle intelligenti alla ML Reproducibility Checklist. Lo stesso giorno Suno annuncia la nomina di Mikey nella medesima classifica, senza alcun annuncio di prodotto associato. 🔗 Cohere · Suno
Un cookbook collega un Claude Managed Agent al Chat SDK di Vercel — Il Chat SDK fornisce l’interfaccia di conversazione con un gestore onDirectMessage tipizzato e oltre quindici adattatori (Slack, Teams, Discord, web), mentre Managed Agents esegue l’agente lato server con una sessione persistente per ogni conversazione. Il codice è pubblicato nel repository claude-quickstarts. 🔗 Messaggio di @ClaudeDevs
ChatGPT per iOS 1.2026.230: ricerca delle attività, indicatore del reasoning effort ed editor a schermo intero — Indicatore compatto nel composer per regolare dal dispositivo mobile lo sforzo di ragionamento, editor a schermo intero per i prompt lunghi, ricerca sia nei titoli sia nei contenuti e scorciatoie nella schermata Home per ChatGPT, Work e Codex Remote. Stessa voce del changelog delle attività basate su eventi riportate sopra.
Amp rimuove la barra laterale dalla sua TUI — Tra orb, runner e messaggi scambiati tra agenti, Amp ritiene che il monitoraggio dei thread debba avvenire nelle applicazioni web e native e che sovrapporre un multiplexing multiambiente a quello del terminale producesse un’esperienza insoddisfacente. 🔗 Articolo di Amp
Hugging Face genera i propri riassunti degli abstract con Inkling-Small — La piattaforma precisa che i riassunti mostrati nelle pagine dei paper si basano sul modello a pesi aperti di Thinking Machines, sotto la bandiera «open weights × open science». 🔗 Messaggio di @huggingface
Gemini CLI corregge una vulnerabilità SSRF nel rilevamento dei metadati OAuth MCP — La versione notturna (nightly) del 27 agosto contiene un’unica modifica: una correzione contro il Server-Side Request Forgery nel rilevamento dei metadati OAuth dei server MCP. Non è ancora presente nel canale stabile, rimasto alla v0.57.0. 🔗 Note di rilascio
Perplexity pubblica nuove valutazioni di Brain — Il sistema di memoria auto-migliorante di Perplexity Computer guadagna 9,3 punti in accuratezza, 8,0 punti in attualità e 8,9 punti in richiamo rispetto ai primi risultati, utilizzando il 15% di token in meno. 🔗 Messaggio di @perplexity_ai
I marketplace di plugin supportano l’aggiornamento automatico in ambito aziendale — Un campo autoUpdate impostato su una voce extraKnownMarketplaces consente ai client Copilot di aggiornare autonomamente i plugin di un marketplace, purché questo continui a figurare nell’allowlist strictKnownMarketplaces. 🔗 Changelog di GitHub
Bloccare un utente ora chiude tutti i suoi contributi aperti — Un’opzione «Chiudi i contenuti creati da questo utente» nella finestra di dialogo per il blocco chiude in un’unica operazione le issue, le discussioni e le pull request aperte dell’utente bloccato, sia negli account personali sia nelle organizzazioni. 🔗 Changelog di GitHub
Cohere sostiene un modello di ingegneri sul campo che sviluppa le capacità del cliente — L’articolo distingue la dipendenza commerciale o architetturale, intrinseca alla scelta tecnologica, dalla dipendenza operativa, che considera evitabile, e cita il rapporto Deloitte 2026 secondo cui solo il 25% delle organizzazioni ha portato in produzione il 40% o più dei propri progetti pilota di IA. 🔗 Articolo di Cohere
Google DeepMind dedica un episodio del podcast all’incertezza — Zoubin Ghahramani, VP Research, spiega insieme a Hannah Fry perché insegnare a un sistema a dubitare di sé e a ragionare in termini probabilistici produca decisioni più affidabili, dalle previsioni meteorologiche alla robotica. 🔗 Messaggio di @GoogleDeepMind
Wan lancia una Skill Challenge settimanale dedicata a WanCLI — Ogni settimana vengono selezionate tre skill pubblicate su wan.video, i cui autori vincono un mese di abbonamento premium, mentre ogni skill approvata fa guadagnare 150 crediti; la skill deve richiamare almeno un modello Wanxiang tramite WanCLI. 🔗 Messaggio di @Alibaba_Wan
GeForce NOW alla Gamescom 2026 — Nuovi controlli DLSS 4.5, supporto per nuovi dispositivi Steam, per l’autenticazione unica di GOG, per Firefox e per un maggior numero di dispositivi Fire TV, oltre a cinque giochi disponibili sul cloud fin dal lancio. Una notizia sui videogiochi più che sull’IA generativa. 🔗 Articolo di NVIDIA
Runway pubblica un video teaser senza indicare alcun prodotto — Un video accompagnato soltanto dalla frase «Non avete mai visto nulla di simile» e da un collegamento generico all’applicazione, senza il nome di un modello o di una funzionalità e senza alcun riscontro nella pagina delle novità dello studio. Segnalato per completezza: non se ne può ricavare alcun fatto verificabile. 🔗 Messaggio di @runwayml

Che cosa significa

Gli agenti entrano nei laboratori e la barriera è materiale prima ancora che software. Il Model Hardware Standard non risolve un problema di modello, bensì un problema d’infrastruttura: sette programmi dei produttori senza un’interfaccia comune a Janelia, quattro famiglie di apparecchiature su tre computer incompatibili alla Carnegie Mellon. Riducendo da diverse settimane a poche ore i tempi d’integrazione, Anthropic sposta il collo di bottiglia dalla connessione alla supervisione — e lo ammette citando Genentech, dove è stato necessario spiegare a Claude che la formazione di schiuma in un campione era un guasto fisico e non un bug. La scoperta di Ai2 sul carcinoma lobulare invasivo racconta la stessa cosa dall’altra estremità della catena: il valore non risiede nella risposta prodotta dal modello, ma nella successiva validazione indipendente e poi di laboratorio. I 10.000 accessi a Claude messi a disposizione dei ricercatori nello stesso giorno completano il trittico affrontando la terza barriera, quella del costo di accesso.

La sicurezza passa dal prodotto all’infrastruttura condivisa. L’intervento sulla difesa informatica collettiva è significativo innanzitutto per le organizzazioni che vi aderiscono: OpenAI, Anthropic, AWS, Google, Microsoft e Oracle competono nello stesso mercato e si ritrovano sullo stesso testo; inoltre, una delle richieste rivolte ai laboratori di frontiera — rendere le identità agentiche tracciabili e responsabili — costituisce direttamente la lezione dell’incidente di Hugging Face pubblicato il giorno precedente. Il resto della giornata riflette questo spostamento sul piano degli strumenti: Codex smette di caricare i AGENTS.md dei progetti non attendibili, Claude Code rende inerti i collegamenti del terminale contenenti caratteri invisibili, Gemini CLI corregge una SSRF nel rilevamento OAuth dei server MCP. Tre correzioni apparentemente scollegate, ma una stessa constatazione: la superficie di attacco di un agente di programmazione è costituita dai file e dai server che gli viene chiesto di leggere.

La valutazione diventa essa stessa qualcosa da proteggere. Il progetto pilota di Google DeepMind con il Singapore AI Safety Institute risolve un dilemma antico quanto la valutazione esterna — consegnare i propri prompt di test oppure i propri pesi — non consegnando né gli uni né gli altri, grazie a un’enclave le cui proprietà vengono verificate crittograficamente da entrambe le parti. È il corrispettivo metodologico dei dati pubblicati nel resto della giornata: Together AI non si limita a un punteggio, ma pubblica 904 esecuzioni, quattro tentativi per attività, i profili degli errori e il costo per attività; Cohere dichiara pubblicamente di escludere due dimensioni di ParseBench e di far rivalutare i concorrenti con le regole corrette di agosto. In entrambi i casi non viene più messo in risalto il risultato, bensì il protocollo — segno che il risultato da solo non convince più nessuno.

E il costo effettivo di un’attività completata con successo resta la metrica decisiva. GLM-5.3 Flash basa tutto il proprio posizionamento su un risparmio architetturale — un calcolo dell’attenzione tre volte inferiore, una cache KV 4,4 volte più piccola — tradotto in 0,15 dollari per milione di token in input, quasi dieci volte meno di GLM-5.2 presso lo stesso provider. Together AI dimostra che la cascata prima DeepSeek e poi Sol risolve dieci punti percentuali di attività in più a meno della metà del prezzo del solo Sol, il che equivale a dire che il modello migliore non è l’acquisto giusto. Replit trae da questa constatazione una conseguenza sul prodotto, eliminando del tutto la scelta del modello; Cohere vende Model Vault puntando su un differenziale del 61% a pieno utilizzo, mentre Google fa pagare un terzo del prezzo per una bozza video in 360p. Anche la consegna della CPU Vera presso AWS rientra in questa logica economica: se un carico di lavoro agentico consuma quindici volte più token di una richiesta in chat, l’orchestrazione al di fuori della GPU smette di essere un dettaglio contabile.