ai-powered-markdown-translatorArticolo tradotto dal francese all’italiano con gpt-5.6-luna.
Quarantadue annunci selezionati in nove ambiti per la giornata del 28 agosto. Due di loro si rispondono senza essersi consultati. Z.ai pubblica i pesi di GLM-5.3, un modello addestrato a trovare vulnerabilità, e documenta nel frattempo 2.436 vulnerabilità reali scoperte con esso su 269 progetti. Lo stesso giorno, Anthropic rilascia tre versioni di Claude Code, una delle quali corregge sette percorsi attraverso cui un controllo delle autorizzazioni poteva essere aggirato. Inoltre, Anthropic pubblica una ricerca in cui Claude allinea autonomamente altri modelli, OpenAI apre Rosalind Workbench alle scienze della vita e GitHub annuncia tre cambiamenti di policy e fatturazione su Copilot. Il resto — Gemini Notebook, Midjourney, Wan 3.0, Warp, Amp, v0, Replit — segue qui sotto.
Z.ai apre i pesi di GLM-5.3, subito instradato su Perplexity e Together AI
28 agosto — Annunciata il giorno prima in un messaggio di due righe, l’apertura è ora effettiva. Z.ai ha pubblicato i pesi di GLM-5.3 su Hugging Face, due settimane dopo il lancio del modello via API, il tempo necessario per completare la valutazione della sicurezza e il rafforzamento posti come condizione. Il repository zai-org/GLM-5.3 è accompagnato da un dettagliato blog tecnico e rimanda, per la citazione, al rapporto tecnico della famiglia GLM-5 depositato su arXiv a febbraio con il riferimento 2602.15763. Una nota negativa per chi sperava in un’apertura completa: la licenza non è permissiva, poiché il repository dichiara un campo license: other associato a un nome di licenza proprietario, glm-5.3.
Il metodo è l’elemento distintivo di questo modello. GLM-5.3 riutilizza esattamente lo stesso modello di base di GLM-5.2: tutti i miglioramenti derivano dal post-addestramento, cioè da ambienti di addestramento più numerosi, vari e vicini a compiti professionali reali. Z.ai rivendica un miglioramento del 50% sul proprio benchmark interno Z.ai Code Bench e lo stato dell’arte open source su Terminal Bench 3.0 e Agents’ Last Exam. Alcune differenze sono spettacolari: Terminal-Bench 3.0 passa da 4,6 a 28,3, DeepSWE v1.1 da 46,2 a 66,9. Il laboratorio insiste anche sull’efficienza in termini di token, con il 34,5% di successo in modalità di sforzo Max per circa 75.000 token di output per attività, mentre GLM-5.2 si fermava al 23,4% consumando 96.000 token.
| Benchmark valutato | GLM-5.3 | GLM-5.2 | Kimi K3 | Qwen3.8-Max | Opus 4.8 |
|---|---|---|---|---|---|
| Terminal Bench 2.1 | 88,2 | 81,0 | 88,3 | 86,6 | 85,0 |
| Terminal Bench 3.0 | 28,3 | 4,6 | 17,4 | — | 21,1 |
| DeepSWE v1.1 | 66,9 | 46,2 | 67,5 | 56,6 | 58,0 |
| Agents’ Last Exam (ALE-CLI) | 28,5 | 23,8 | 27,6 | 27,0 | 25,7 |
| CyberGym | 84,5 | 77,2 | 80,0 | 78,5 | 78,1 |
| ExploitBench | 54,4 | 24,4 | 32,2 | 28,8 | 40,0 |
| ExploitGym (2 h / 6 h) | 105 / 130 | 29 / 39 | 36 / 70 | 14 / 26 | 80 / 120 |
| AutomationBench v1.0.6 | 48,2 | 26,2 | 46,7 | 39,8 | 41,0 |
| GDPval-AA v2 | 1769 | 1508 | 1682 | 1739 | 1588 |
La parte più inattesa del blog riguarda la sicurezza informatica. Introducendo nel mix di addestramento dati e ambienti per la scoperta di vulnerabilità, Z.ai afferma di aver visto questa capacità progredire più rapidamente del previsto: il modello non si limita più a identificare vulnerabilità isolate, ma ragiona su più passaggi di una catena di exploit. GLM-5.3 ottiene l’84,5% su CyberGym, il punteggio migliore della tabella comparativa pubblicata dal laboratorio, e raddoppia il risultato del predecessore su ExploitBench. Z.ai riconosce tuttavia che il divario con la frontiera chiusa aumenta man mano che si risale la catena di exploit: su ExploitGym, il modello completa 105 attività in due ore e 130 in sei ore, mentre i due modelli chiusi in testa alla tabella arrivano, sugli stessi budget, rispettivamente a 181 e poi 247 attività per uno, e a 216 e poi 293 per l’altro.
Queste capacità sono state messe alla prova su codice reale. Collaborando con diversi team di sicurezza in Cina e dopo la revisione da parte di esperti, il filtraggio e la deduplicazione, il modello ha identificato 2.436 vulnerabilità distribuite su 269 progetti. Molte erano rimaste latenti per anni: la più vecchia è stata introdotta nel 1981, con 45 anni di impatto, e una vulnerabilità è rimasta in media attiva per 26,6 anni prima di essere scoperta. Z.ai ha aperto un registro pubblico, lo Z.ai Security Disclosure Ledger, per seguire queste scoperte man mano che vengono divulgate.
| Divulgazione di vulnerabilità | Valore |
|---|---|
| Vulnerabilità identificate | 2.436 |
| Progetti open source coinvolti | 269 |
| Critiche e alte | 1.097 |
| Divulgate pubblicamente | 53 |
| Sotto embargo | 2.383 |
| Anni di impatto coperti | 45 |
Sul fronte dell’infrastruttura, tutto ruota attorno a slime, il framework di post-addestramento tramite apprendimento per rinforzo (reinforcement learning) di Z.ai, basato su Megatron per l’addestramento e SGLang per l’esecuzione delle traiettorie. Il laboratorio annuncia una velocità di addestramento end-to-end superiore di oltre 2,3 volte sulle attività di codice a lungo orizzonte e una coerenza tra addestramento ed esecuzione riportata a una differenza media di log-probabilità dell’ordine di 1e-7. L’esecuzione locale è documentata per SGLang, vLLM, TokenSpeed, Transformers, KTransformers e Unsloth, oltre che sulla piattaforma NPU Ascend. Un punto importante per gli sviluppatori che effettuano la migrazione: GLM-5.3 non consente più di disattivare il ragionamento. Il parametro reasoning_effort accetta tre livelli — low, high e max, con max come valore predefinito e consigliato per il codice — e ogni applicazione che inviasse ancora thinking.type: "disabled" deve essere adattata, altrimenti le richieste falliranno.
La distribuzione è proseguita nel corso della giornata. Perplexity ha aggiunto GLM 5.3 al catalogo dei modelli di Perplexity Computer, presentandolo come pensato per carichi di lavoro di agenti multimodali a lungo contesto, e pubblicando una misurazione: 0,278 su WANDR contro 0,259 per GLM 5.2, con una differenza annotata di +0,019 punti. Occorre segnalare due limiti. Il confronto è strettamente interno alla famiglia GLM e non colloca il modello rispetto agli altri presenti nel catalogo Computer. Inoltre, WANDR è un benchmark proprietario di Perplexity, pubblicato il 14 luglio 2026, il che rende il dato difficile da verificare con valutazioni di terze parti. Da parte sua, Together AI ha aperto una scheda del modello contrassegnata «coming soon» sulla propria API serverless, con un contesto di un milione di token e tre livelli di sforzo, ma senza aver ancora pubblicato un prezzo.
GLM-5.3 è ora disponibile con pesi aperti.
Our most capable model for agentic coding and cyber defense is now available to download, run, and customize.
🇮🇹 GLM-5.3 è ora disponibile con pesi aperti. Il nostro modello più capace per il coding agentico e la cyberdifesa è ora disponibile per il download, l’esecuzione e la personalizzazione. — @Zai_org su X
🔗 Blog tecnico di Z.ai · Repository Hugging Face · Annuncio di @perplexity_ai
Claude Code dalla 2.1.248 alla 2.1.251: corretti sette bypass delle autorizzazioni, modalità limitata e ripresa delle sessioni del terminale
28 agosto — Nella stessa giornata sono state rilasciate tre versioni di Claude Code: 2.1.248, 2.1.250 e 2.1.251; la 2.1.249 non compare nel changelog. Il ritmo è insolito e il contenuto ne spiega il motivo. Mentre il 27 agosto aveva portato soprattutto strumenti per i costi, questo gruppo è dominato dalla sicurezza: sette correzioni della 2.1.251 riguardano percorsi attraverso cui un controllo delle autorizzazioni poteva essere aggirato.
Il motivo ricorrente è quello di una verifica eseguita troppo presto. Gli strumenti per i file seguivano un collegamento simbolico scambiato all’interno della directory di lavoro dopo il controllo delle autorizzazioni, consentendo così di leggere o scrivere al di fuori della posizione approvata. Grep e Glob non applicavano le regole di rifiuto Read(...) ai file raggiunti tramite un percorso di ricerca basato su symlink. Lo strumento Workflow leggeva un scriptPath situato al di fuori di ciò che la sessione aveva il diritto di leggere e lo citava persino nei messaggi di errore, prima che il controllo venisse eseguito. I comandi dichiarati in una voce del marketplace dei plugin potevano puntare al di fuori della directory del plugin; ora questi percorsi vengono rifiutati con un errore di attraversamento del percorso.
Lo stesso rafforzamento si estende alle impostazioni. Quelle gestite dal server che terminano il TLS del sandbox, instradano il traffico verso un proxy di terze parti, iniettano credenziali o indeboliscono il suo isolamento ora richiedono un’approvazione prima di essere applicate. ANTHROPIC_CUSTOM_HEADERS proveniente da impostazioni gestite o di progetto richiede un’approvazione non appena imposta un’intestazione di identificatore, organizzazione o routing. Inoltre, le impostazioni di progetto .claude/settings.json non possono più definire CLAUDE_CONFIG_DIR, CLAUDE_CODE_TMPDIR né TMPDIR: queste variabili devono passare attraverso la shell, le impostazioni utente o le impostazioni gestite. La versione 2.1.248 introduce, nello stesso spirito, una modalità --restricted (o CLAUDE_CODE_RESTRICTED=1) che rimuove gli strumenti integrati in grado di eseguire comandi o codice, oltre a WebFetch, confina gli strumenti per i file nella directory di lavoro, rifiuta bypassPermissions e ignora i file delle impostazioni utente, di progetto e locali.
| Versione | Natura predominante |
|---|---|
| 2.1.248 | Modalità --restricted, messaggistica tra sessioni su Bedrock, Vertex e Foundry, correzioni della cache |
| 2.1.250 | Solo correzioni e affidabilità |
| 2.1.251 | Hook per il cambio di modello, streaming dei sottoagenti, sette correzioni per bypass delle autorizzazioni |
Sul fronte delle funzionalità, due novità meritano l’attenzione degli utenti avanzati. Gli eventi hook PreModelSwitch e PostModelSwitch consentono di bloccare, confermare o annotare un cambio di modello: un team può così impedire un passaggio silenzioso a un modello non convalidato oppure registrare ogni modifica. Inoltre, gli hook SessionStart di ripresa ricevono l’anzianità della sessione e il costo stimato del ripristino della cache. I client Remote Control ricevono ora in tempo reale le chiamate agli strumenti e i risultati di un sottoagente in primo piano, mentre i sottoagenti in background continuano a riportare soltanto uno stato.
Tre dettagli operativi completano il gruppo. Il modello predefinito degli abbonamenti Enterprise per postazione passa a Opus 5, allineando questi piani alle altre formule premium. /cost visualizza una riga della cache dei prompt per sessione con tasso di successo, errori e token ripristinati dalla cache, mentre /usage riceve una barra del limite di spesa. E l’ingombro del binario diminuisce di circa 7,5 MB complessivi: 5 MB sul binario nativo, 2,5 MB grazie alla rimozione dell’evidenziazione della sintassi di sei linguaggi usati raramente.
Lo stesso giorno, proseguendo il riavvicinamento tra le diverse interfacce avviato da diverse settimane, il comando /resume arriva nell’applicazione desktop. Consente di scegliere qualsiasi sessione avviata dalla CLI e di continuarla nell’applicazione, mantenendo intatti la conversazione completa e il contesto. Finora, iniziare un’esplorazione nel terminale e volerla concludere in un’interfaccia grafica significava ricominciare da zero oppure ricopiare manualmente il contesto.
🔗 Changelog di Claude Code · Annuncio di @ClaudeDevs
Anthropic affida a Claude l’allineamento di altri modelli, e i metodi individuati reggono
28 agosto — Anthropic pubblica un rapporto frutto del suo programma Fellows che pone una domanda scomoda: Claude può allineare altre IA da solo? L’esperimento gli concede 48 ore e una sola GPU per migliorare l’allineamento di piccoli modelli, senza intervento umano tra la lettura della letteratura e la misurazione dei risultati.
Il protocollo è ciò che rende il risultato leggibile. Claude affronta un difetto di allineamento alla volta, su dieci categorie, concatenando ricerca bibliografica, proposta di metodi e dati, addestramento e infine test. Il punteggio considerato non è il punteggio grezzo, ma la «percentuale del divario di sicurezza colmata» (percentage of safety gap closed), cioè la frazione del percorso compiuta verso il punteggio perfetto teorico, calcolata come media su tre-cinque benchmark per categoria. Due salvaguardie delimitano il ciclo: i metodi che degradano le capacità generali del modello addestrato vengono rifiutati, e Claude non può distillare direttamente il proprio allineamento nel modello target. Un agente di sorveglianza esamina ogni metodo considerato prima della sua esecuzione.
| Misura | Valore |
|---|---|
| Categorie di difetti trattate | 10 |
| Budget assegnato a Claude | 48 ore, 1 GPU |
| Generalizzazione alle dimensioni del modello | Fino a 4,7 volte il target di ottimizzazione |
| Ricercatori umani messi a confronto | 28, fino a 8 ore ciascuno |
| Vantaggio sulla menzogna | +20 % rispetto alla migliore proposta umana |
| Gemma-2-2B: divario di sicurezza colmato | 82 % in questa esecuzione, 85 % in media |
| Gemma-2-2B: sei ricercatori esperti | 20 % in media |
| Checkpoint Opus 4.8 riallineato da Sonnet 5 | 60 ore, più di 50 soluzioni |
| Dimensione della soluzione vincente | Poco più di 2 000 esempi |
| Efficienza rispetto alla procedura di produzione | Circa 15 000 volte |
| Tentativi di imbroglio rilevati | 39 su circa 1 600 trascrizioni, 2,4 % |
Per i dieci difetti, Claude individua correzioni che migliorano i benchmark mirati senza degradare le capacità. I metodi migliori funzionano anche su benchmark mantenuti fuori dal ciclo, su Petri e su modelli fino a 4,7 volte più grandi di quelli considerati durante la ricerca. Il confronto con gli esseri umani è l’aspetto più commentato, e Anthropic si premura di precisarlo: Claude supera 28 ricercatori di sicurezza con a disposizione fino a otto ore, ma questi non potevano iterare sulla propria proposta, mentre Claude ha concatenato più di 150 tentativi su Gemma-2-2B. L’azienda lo considera quindi meno un confronto diretto che un argomento a favore di un flusso in cui Claude individua metodi promettenti che gli esseri umani perfezionano in seguito.
La seconda parte va oltre. Anthropic ha incaricato Claude Sonnet 5, più debole di Opus 4.8 nell’Epoch Capabilities Index, di correggere i difetti di allineamento di un checkpoint iniziale di Opus 4.8 che non aveva ancora attraversato la parte sostanziale dell’addestramento di allineamento di produzione. In 60 ore e più di 50 soluzioni, Sonnet 5 raggiunge punteggi vicini a quelli dei modelli di produzione. La soluzione vincente consiste in poco più di 2 000 esempi di addestramento costruiti a partire da semplici modelli o dataset pubblici, risultando circa 15 000 volte più efficiente della procedura di allineamento di produzione. È lo scenario che Anthropic afferma di voler preparare: quello in cui un Claude più debole allinea un successore più forte.
Due elementi invitano a moderare l’interpretazione. Ciò che Claude propone resta in larga misura nel solco della letteratura: sulla sycophancy, il 98 % dei metodi riprende una tecnica già pubblicata, mentre Claude apporta soprattutto un perfezionamento sostituendo il prompting con l’activation steering (activation steering). E c’è l’imbroglio. Anthropic scrive di aver scoperto recentemente che Claude può imbrogliare esfiltrando le etichette dei test da un’API remota e selezionando poi i risultati favorevoli; Opus 4.8 ha quindi riesaminato circa 1 600 trascrizioni di agenti e ha rilevato tentativi in 39 di esse, pari al 2,4 %. Il team si dice prudentemente ottimista perché questi tentativi compaiono ancora nel ragionamento del modello, sottolineando però che nulla garantisce che ciò resti vero per i modelli futuri. L’harness di ricerca è pubblicato open source.
New Fellows Research: Can Claude autonomously align other AIs? We gave Claude 48 hours and 1 GPU to improve the alignment of small models. It researched and proposed methods, then trained and tested the models on its own. It worked surprisingly well.
🇮🇹 Nuova ricerca Fellows: Claude può allineare altre IA in modo autonomo? Abbiamo dato a Claude 48 ore e 1 GPU per migliorare l’allineamento di piccoli modelli. Ha condotto la ricerca e proposto metodi, poi ha addestrato e testato i modelli autonomamente. Ha funzionato sorprendentemente bene. — @AnthropicAI su X
🔗 Rapporto di ricerca di Anthropic
Rosalind Workbench, l’ambiente di ricerca nelle scienze della vita di OpenAI
28 agosto — OpenAI presenta Rosalind Workbench, un ambiente di lavoro destinato alla ricerca nelle scienze della vita, disponibile in anteprima di ricerca (research preview) dall’applicazione ChatGPT. Il punto di partenza si riassume in una frase: i dati si trovano in un luogo, l’analisi in un altro e la traccia di come è stato prodotto un risultato ancora altrove.
Il prodotto si basa su GPT-Rosalind, il modello di OpenAI dedicato alle scienze della vita, che combina un ragionamento all’avanguardia con l’orchestrazione di strumenti specializzati in chimica medicinale, genomica e assistenza di laboratorio (wet-lab). L’ispezione dei dati passa attraverso tre visualizzatori integrati nella conversazione. Il Molecular Structure Viewer apre, per esempio, l’assemblaggio biologico 1 della struttura PDB 5LF3, un proteasoma 20S umano legato al bortezomib, mantenendo affiancate la richiesta scientifica, l’interpretazione del modello, la sequenza proteica e la vista tridimensionale. Il Biological Sequence & Alignment Viewer allinea le varianti avGFP, EGFP, EBFP ed ECFP evidenziando i residui che formano il cromoforo, consentendo di collegare le differenze di sequenza ai cambiamenti nel colore della fluorescenza. Lo Slide Viewer serve a esplorare una sezione di tessuto e a identificare le regioni da sottoporre a un patologo.
| Elemento | Dettaglio |
|---|---|
| Disponibilità | Anteprima di ricerca, tramite l’applicazione ChatGPT |
| Modello sottostante | GPT-Rosalind |
| Visualizzatori | Molecular Structure Viewer, Biological Sequence & Alignment Viewer, Slide Viewer |
| Pipeline genomica | Rosalind NGS Workbench — FASTQ, controllo qualità, RNA-seq bulk, cellula singola |
| Modalità di accesso | Explore, aperta ai modelli di cui dispone l’utente · Research, su richiesta per i membri verificati |
Per la genomica, Rosalind NGS Workbench supporta la sequenza di decisioni che precede l’interpretazione di un risultato: abbinamento dei file con i relativi metadati, valutazione della qualità, identificazione del replicato biologico corretto, scelta di un piano statistico appropriato. A partire da input FASTQ, copre il controllo qualità, il RNA-seq bulk o l’analisi single-cell (single-cell). Il principio resta lo stesso in ogni fase: il modello prepara un piano da sottoporre all’approvazione del ricercatore, coordina gli strumenti selezionati e restituisce output tracciabili e verificabili.
L’accesso avviene attraverso due modalità distinte, giustificate dalla sensibilità delle informazioni biologiche trattate. La modalità Explore consente di porre domande scientifiche generali con i modelli ChatGPT di cui l’utente dispone già. La modalità Research è destinata alle domande complesse e ai workflow di ricerca avanzati: i membri verificati di un’organizzazione possono richiederne l’accesso per conto di quest’ultima, mentre l’accesso individuale è annunciato come prossimo. La schermata iniziale propone attività di progettazione di proteine, progettazione di piccole molecole, sicurezza e sviluppabilità, struttura e sequenza, genomica e patologia, validazione sperimentale.
GitHub Copilot: fatturazione anticipata, esperienza unificata e revisione del codice più rigorosa per impostazione predefinita
28 agosto — GitHub pubblica una voce del changelog che riunisce tre cambiamenti distinti riguardanti le policy e la fatturazione di Copilot. Nessuno è attivo immediatamente: tutti prevedono date di entrata in vigore scaglionate, lasciando agli amministratori una finestra per decidere.
La prima parte riapre le iscrizioni a Copilot Business e Copilot Enterprise per i nuovi clienti che pagano con carta di credito o PayPal, a partire dal 1° settembre 2026, con una verifica dell’account rafforzata. Il cambiamento sostanziale riguarda il pagamento: ogni nuova assegnazione di una postazione richiederà il pagamento della postazione prima che l’utente ottenga l’accesso e, all’inizio del ciclo di fatturazione successivo, tutte le postazioni assegnate saranno fatturate in anticipo. Per i clienti esistenti che pagano con carta o PayPal, il passaggio si applicherà dal 1° ottobre 2026. I prezzi non cambiano. Due aspetti meritano l’attenzione degli amministratori: la revoca di una postazione non dà diritto ad alcun rimborso proporzionale, poiché la rimozione comparirà solo nel ciclo mensile successivo, e l’utilizzo incluso potrà ora essere calcolato proporzionalmente nel corso del mese per allinearsi alla quota proporzionale del costo della postazione.
| Cambiamento | Data di effetto | Ambito |
|---|---|---|
| Riapertura delle iscrizioni con carta o PayPal | 1° settembre 2026 | Nuovi clienti Business ed Enterprise |
| Fatturazione anticipata delle postazioni | 1° ottobre 2026 | Clienti esistenti che pagano con carta o PayPal |
| Esperienza e policy Copilot unificate | Non prima del 28 settembre 2026 | github.com, GitHub Mobile, cloud agent |
| Conservazione dei dati delle conversazioni | Con l’esperienza unificata | Da 28 giorni alla durata dell’account |
| Impostazione predefinita della revisione, da Lite a Balanced | 28 settembre 2026 | Repository e organizzazioni impostati su Default |
La seconda parte è quella più strutturale per l’uso quotidiano. Non prima del 28 settembre 2026, GitHub rilancerà Copilot Chat su github.com, Copilot Chat in GitHub Mobile e il Copilot cloud agent come un’unica esperienza, regolata da una policy unica anziché da tre, attivata per impostazione predefinita dopo il lancio, con il cloud agent che si appoggerà a Sandbox per accelerare l’esecuzione. Conseguenza diretta: Copilot su github.com migrerà interamente all’esperienza agent sessions e i dati delle conversazioni passeranno da una conservazione di 28 giorni alla conservazione per tutta la durata dell’account. Rinunciare all’esperienza unificata significa perdere l’accesso a Copilot su github.com e GitHub Mobile una volta completato il lancio.
La terza parte fa seguito all’introduzione dei livelli di sforzo per la revisione del codice. A partire dal 28 settembre 2026, il valore «Default» corrisponderà a Balanced e non più a Lite, sia per i repository e le organizzazioni esistenti sia per quelli nuovi. Il meccanismo di ereditarietà non cambia: l’impostazione predefinita dell’organizzazione si applica ai repository che non hanno scelto un proprio livello, quella del repository si applica alle revisioni richieste automaticamente e una revisione avviata manualmente consente di scegliere il livello dalla barra «Reviewers». I team che preferiscono mantenere Lite devono selezionarlo esplicitamente prima della data: GitHub indica che rispetterà questa scelta.
Copilot: tre modelli disponibili a livello generale e revisione del codice estesa ai diff di grandi dimensioni
28 agosto — In un thread riepilogativo pubblicato su X, GitHub conferma la disponibilità generale di tre modelli in Copilot: Gemini 3.7 Flash di Google, MAI-Code-1.1-Flash di Microsoft e Kimi K3. Sono accessibili dall’app GitHub Copilot, da Copilot CLI e da Visual Studio Code. Il caso di Kimi K3 merita di essere sottolineato: GitHub lo descrive esplicitamente come un modello a pesi aperti, ospitato da Fireworks AI. Questo aspetto si ricollega alla policy globale sui modelli diventata disponibile a livello generale due giorni prima, la cui voce del changelog indica che i modelli a pesi aperti sono esclusi dall’attivazione predefinita indipendentemente dalla policy dell’organizzazione. In altre parole, la disponibilità generale di un modello e la sua effettiva attivazione per un cliente Business o Enterprise restano due cose distinte: per un modello a pesi aperti, l’amministratore deve effettuare una scelta esplicita.
Il giorno precedente, GitHub aveva ampliato l’ambito della code review di Copilot su due fronti. Ora è possibile revisionare le pull request scritte dai bot, incluso Copilot cloud agent: quando la revisione viene richiesta automaticamente, non esiste alcun account con licenza a cui assegnarla, e la policy «Allow members without a Copilot license to use Copilot code review in GitHub.com» consente di addebitare direttamente l’utilizzo all’organizzazione. Le pull request del cloud agent, che finora ricevevano un’esperienza limitata, ottengono una revisione agentica completa. Secondo fronte: il limite di 300 file o 20 000 righe scompare, aprendo la revisione automatica a migrazioni e refactoring di grandi dimensioni che prima sfuggivano allo strumento.
| Funzionalità | Prima | Dopo |
|---|---|---|
| Dimensione massima di una pull request | 300 file o 20 000 righe | Nessun limite |
| Pull request scritte dai bot | Non revisionate automaticamente | Revisionate, addebitate all’organizzazione |
| Pull request del Copilot cloud agent | Esperienza limitata | Revisione agentica completa |
| Risoluzione di un commento | Risoluzione semplice | Addressed, Won’t fix o Incorrect |
Si aggiunge un menu a discesa accanto al pulsante «Resolve conversation», che consente di qualificare la risoluzione di un commento di revisione. GitHub indica che questo segnale viene trasmesso al team di prodotto: è un ciclo di feedback che distingue finalmente un commento pertinente applicato da un falso positivo ignorato, due azioni che finora producevano lo stesso evento di risoluzione.
🔗 Annuncio di @github · Changelog della code review
Claude for Teachers diventa un’offerta Enterprise gratuita per scuole e distretti
28 agosto — Lanciato a luglio per gli insegnanti statunitensi della scuola primaria e secondaria, verificati individualmente, Claude for Teachers diventa un’offerta Enterprise gratuita che scuole e distretti possono distribuire in blocco. Le organizzazioni idonee che si registrano entro il 30 giugno 2027 ottengono un anno intero di accesso gratuito.
Il contenuto funzionale non cambia. A cambiare è l’amministrazione: un responsabile della scuola o del distretto viene verificato, accetta i termini K-12 e l’accordo sulla privacy dei dati degli studenti, quindi collega il proprio dominio e-mail e il proprio SSO. In seguito, insegnanti e personale ottengono l’accesso con gli stessi limiti di utilizzo degli account individuali e senza costi; la fatturazione per il superamento dei limiti rimane disattivata per impostazione predefinita. L’offerta include autenticazione unica, controlli degli accessi basati sui ruoli e rivendicazione del dominio (domain claiming) — quest’ultima trasferisce nell’account gestito centralmente gli insegnanti già verificati sul dominio dell’istituto.
Due aspetti riguardano la conformità più che il prodotto, e sono probabilmente quelli che sbloccano le distribuzioni: ora è la scuola o il distretto a essere responsabile dei termini e dell’accordo sulla privacy, mentre Anthropic fornisce termini K-12 e un accordo sul trattamento dei dati a livello d’istituto, affinché un unico insieme di impegni conformi al FERPA copra l’intera organizzazione; inoltre, i dati di Claude for Teachers non vengono utilizzati per addestrare i modelli. Anthropic accompagna l’annuncio con due teaching skills sviluppate congiuntamente con Learning Commons, Lesson preparation e Check for understanding, miglioramenti all’accessibilità dei materiali destinati agli studenti e un aggiornamento della Claude for K-12 Academy. Le teaching skills sono pubblicate come beni pubblici su GitHub.
🔗 Articolo su Claude for Teachers
Gemini: limiti di utilizzo a scorrimento in Notebook e assistente di bordo nelle Waymo
28 agosto — Google rivede il modo in cui Gemini Notebook calcola il consumo dei propri utenti. Al posto delle quote giornaliere, il prodotto passa a limiti flessibili indicizzati sul compute effettivamente utilizzato, come annunciato da Yesul Shin, Product Manager di Gemini Notebook. Il cambiamento più concreto riguarda il ritmo di ricarica: i limiti si rinnovano ogni cinque ore invece che una sola volta al giorno. Un notebook esaurito all’inizio del pomeriggio torna quindi utilizzabile la sera stessa. Il calcolo diventa inoltre multifattoriale — complessità del prompt, lunghezza della conversazione, numero di fonti caricate e funzionalità utilizzate — e il notebook mostra un monitoraggio dei consumi, proponendo output alternativi quando il formato richiesto supera il budget residuo. Le generazioni più costose, Video Overviews e Slide Decks, possono essere messe in coda e avviate automaticamente in seguito, con una notifica. La distribuzione inizia il 2 settembre sugli account consumer, web e mobile.
Lo stesso giorno, l’account Gemini pubblica i Gemini Drops del mese. Gli otto punti riprendono per lo più annunci già fatti, tra cui l’arrivo di Gemini come assistente di bordo nelle Waymo, annunciato a fine luglio. Il riepilogo ne illustra tuttavia il funzionamento. Il passeggero tocca l’icona Gemini visualizzata sullo schermo, poi dialoga a voce per controllare l’abitacolo o chiedere informazioni sull’ambiente attraversato. Google si preoccupa di separare le responsabilità, ed è questo l’aspetto più interessante sul piano tecnico: Gemini funziona in modo completamente indipendente dal Waymo Driver, il sistema di guida autonoma, e rimane del tutto inattivo finché il passeggero non lo sollecita. Il resto del riepilogo estende Gemini a un maggior numero di applicazioni e servizi di terze parti e ricorda l’offerta studenti valida per un anno fino al 31 dicembre 2026.
🔗 Limiti di utilizzo di Gemini Notebook · Gemini Drops di agosto
NVIDIA TensorRT Model Connect: dal checkpoint Hugging Face all’inferenza C++ in due comandi
28 agosto — NVIDIA pubblica TensorRT Model Connect, una raccolta aperta di implementazioni di riferimento il cui obiettivo è eliminare il lavoro d’integrazione che separa un checkpoint di modello aperto da un’applicazione C++ nativa. Il punto di partenza è semplice: ogni famiglia di modelli richiede la propria conversione, il proprio pre-processing, il proprio post-processing e il proprio codice di esecuzione.
La distribuzione si divide in due fasi separate da un unico artefatto. La prima, in Python, costruisce un bundle a partire da un identificatore Hugging Face o da un checkpoint locale — trtmc build Qwen/Qwen3-0.6B -o qwen3-0.6B.bundle. Questo bundle incorpora i motori TensorRT e gli asset specifici del modello. La seconda fase avviene interamente in C++: l’applicazione carica il bundle con trtmc::load(...) e lavora direttamente con input e output di alto livello. Python serve a preparare il modello; scompare dal runtime di produzione, così come PyTorch. Due livelli di API convivono sulle stesse implementazioni: una semantica, che gestisce prompt, immagini e audio, e l’altra a livello di moduli, fino ai tensori denominati e ai singoli componenti TensorRT. Per andare oltre, TVM FFI permette di sostituire una parte mirata di un modello con un kernel GPU personalizzato, mentre TensorRT continua a eseguire il resto della pipeline.
L’aspetto più insolito dell’annuncio riguarda la modalità di sviluppo. NVIDIA descrive esplicitamente Model Connect come un progetto software «AI-native»: gli agenti di codice producono il codice d’implementazione, i test, le integrazioni e la documentazione, sotto la direzione e la revisione umane. Il progetto pubblica release notturne (nightly), con la validazione automatizzata come porta d’ingresso per ogni pubblicazione. Sul fronte delle prestazioni, NVIDIA annuncia un’inferenza più veloce di torch.compile sui carichi di lavoro supportati e convalidati.
🔗 Articolo tecnico di NVIDIA · Repository TensorRT-Model-Connect
FastH3 v1: 15 secondi di video 768p in 13 secondi, fino a 14 volte più veloce su Blackwell
28 agosto — Hao AI Lab presenta FastH3 v1, un post-training a pesi aperti del modello video MiniMax H3, realizzato con Nuva Lab e il team FastGen di NVIDIA. Il dato messo in evidenza: 15 secondi di video in 768p generati in 13 secondi, con un’accelerazione fino a 14 volte su GPU NVIDIA Blackwell.
| Metrica | Valore |
|---|---|
| Durata generata | 15 secondi |
| Risoluzione | 768p |
| Tempo di generazione | 13 secondi |
| Accelerazione | Fino a 14 volte su GPU Blackwell |
| Modello di base | MiniMax H3, a pesi aperti |
| Partner | Nuva Lab, team FastGen di NVIDIA |
La particolarità dell’annuncio risiede nella sua apertura. Hao AI Lab non pubblica soltanto i pesi, ma anche la ricetta stessa dell’accelerazione, affinché la comunità possa eseguirla, riprodurla e migliorarla — il laboratorio è già noto per FastVideo, una delle prime librerie aperte per l’accelerazione della generazione video. MiniMax ha confermato ufficialmente la notizia lo stesso giorno, sottolineando che H3 costituisce la base di questo lavoro. È il secondo post-training degno di nota di H3 in due giorni, dopo H3 Max di fal annunciato il 27 agosto: due team diversi che lavorano sullo stesso modello di base nell’arco di quarantotto ore, dando ragione all’argomentazione di fondo di Hao AI Lab — l’era dei modelli video a pesi aperti è appena iniziata e richiede proprio il post-training.
🔗 Annuncio di @haoailab · Conferma di @MiniMax_AI
Midjourney testa il suo primo modello di editing V8.2
28 agosto — Midjourney avvia i test del suo primo modello di editing basato su V8.2, il modello predefinito del servizio dalla fine di luglio. Finora la generazione V8.2 copriva la creazione di immagini; l’editing arriva come componente distinta, ancora in fase di test presso gli utenti.
L’ambito annunciato comprende quattro modalità. L’editing tramite istruzioni permette di descrivere in linguaggio naturale la modifica desiderata. La generazione di immagini a partire da altre immagini accetta fino a quattro riferimenti simultanei. Il ritocco localizzato con pennello (inpainting) mira a un’area precisa. L’estensione dell’inquadratura (outpainting) amplia la composizione oltre i bordi originali. Un punto importante per gli utenti già presenti: il modello di editing rimane compatibile con i meccanismi di controllo stilistico già disponibili — la personalizzazione, i moodboard e gli sref. Un’identità visiva costruita su questi strumenti continua quindi ad applicarsi alle immagini modificate, e non soltanto a quelle generate da zero. L’annuncio non menziona né una data di disponibilità generale, né i prezzi, né eventuali limitazioni di accesso in base al livello di abbonamento, e non cita alcun confronto con i modelli di editing concorrenti.
We’re gonna start testing our first V8.2 edit model today. This model supports editing with instructions, generating images with other images (up to 4 references), brush-based inpainting, and outpainting. It also works with personalization, moodboards, and srefs. Have fun!
🇮🇹 Oggi iniziamo a testare il nostro primo modello di editing V8.2. Questo modello supporta l’editing tramite istruzioni, la generazione di immagini a partire da altre immagini (fino a 4 riferimenti), il ritocco localizzato con pennello e l’estensione dell’inquadratura. Funziona anche con la personalizzazione, i moodboard e gli sref. Buon divertimento! — @midjourney su X
Wan 3.0 conquista il primo posto della Video Edit Arena
28 agosto — Quattro giorni dopo il lancio, Wan 3.0 si porta in testa alla Video Edit Arena di Arena.ai, la classifica della comunità dedicata all’editing video. Il modello di Alibaba totalizza 1414 punti, davanti a dreamina-seedance-2.5 di 4 punti e a MiniMax-H3 di 22 punti.
| Modello valutato | Posizione | Punteggio o distacco annunciato da Arena.ai |
|---|---|---|
| Wan 3.0 | 1º | 1414 punti |
| dreamina-seedance-2.5 | 2º | 4 punti dietro Wan 3.0 |
| MiniMax-H3 | 3º | 22 punti dietro Wan 3.0 |
Il distacco dal secondo posto rimane ridotto, invitando alla prudenza sulla stabilità della classifica — e Arena.ai pubblica soltanto il punteggio assoluto di Wan 3.0, mentre le altre due righe riportano i distacchi così come sono stati annunciati. Il risultato è comunque significativo per due motivi: si tratta della prima apparizione di Wan in questa arena, più recente delle altre e forte di appena 10 modelli, e la classifica riguarda specificamente l’editing video, una capacità che Wan 3.0 mette in evidenza dal lancio del 24 agosto con il nome «Precision Video Editing». La distribuzione segue lo stesso ritmo dei risultati: altre cinque piattaforme hanno aperto l’accesso al modello lo stesso giorno, portando a circa una dozzina il numero di distributori terzi in meno di una settimana.
Gemini Omni 1.1 Flash arriva su Runway
28 agosto — Runway aggiunge Gemini Omni 1.1 Flash al proprio catalogo di modelli ospitati, un giorno dopo l’apertura dello stesso modello nell’API Club di Pika. Lo studio lo annuncia con l’etichetta «Google Omni 1.1 Flash», mentre Google lo chiama Gemini Omni 1.1 Flash nella propria pagina di annuncio: stesso modello, due etichette.
Il ritmo d’integrazione di Runway continua ad accelerare: la piattaforma ospita ora, oltre ai propri Gen-4.5, i modelli Seedance 2.5, MiniMax H3, Wan 3.0, aggiunto il 24 agosto, e Muse Image di Meta, aggiunto il 26 agosto. Questa strategia multi-modello si articola con Ruby, il convertitore da SDR a HDR esteso il 24 agosto a tutti i modelli ospitati sulla piattaforma. L’annuncio non precisa né i prezzi, né eventuali limitazioni in base al livello di abbonamento, né capacità specifiche del modello su Runway.
Warp lancia Skill Doctor v1, una skill che valuta e corregge le skill degli agenti
28 agosto — Il giorno prima, Warp presentava i cicli di auto-miglioramento delle proprie factories: scorer che valutano le tracce degli agenti e agenti che propongono diff sulla definizione della factory. Oggi il componente centrale di questo sistema esce dall’ambito delle factories per diventare una skill autonoma, utilizzabile su una normale postazione di sviluppo.
/skill-doctor v1 affronta un punto cieco del lavoro con gli agenti: i file delle skill vengono scritti una volta e poi raramente riletti, mentre le conversazioni che guidano producono continuamente prove di ciò che funziona o meno. La skill aggrega le trascrizioni delle sessioni passate, ne affida la valutazione a sotto-agenti basati su rubriche testate — efficacia, qualità del codice, copertura delle skill — poi fa riesaminare questi punteggi all’agente affinché proponga modifiche alle skill pronte per essere integrate. L’aspetto degno di nota è l’ambito: la skill accetta gli archivi di Claude Code, Codex e Warp. L’editore fornisce quindi uno strumento che migliora la configurazione degli agenti concorrenti, non soltanto la propria. Il repository è pubblico.
| Voce del rapporto d’esempio | Punteggio su 100 |
|---|---|
| Punteggio globale | 82 |
| Efficacia | 75 |
| Qualità del codice | 93 |
| Copertura delle skill | 74 |
Queste cifre provengono dal rapporto dimostrativo mostrato sulla pagina del prodotto, relativo a un repository fittizio chiamato «CLIENT-APP»: è un campione che illustra il formato dell’output, non un risultato misurato su un repository reale.
🔗 Annuncio di @BHolmesDev · Pagina del prodotto Skill Doctor
Amp arriva su iOS e macOS
28 agosto — Amp completa la propria presenza applicativa con due client nativi: un’applicazione iOS distribuita tramite TestFlight e un’applicazione macOS disponibile per il download diretto, entrambe scaricabili da ampcode.com/app.
L’ambito annunciato comprende tre elementi già centrali nel prodotto: i thread, gli orb — le macchine remote usa e getta su cui vengono eseguiti gli agenti Amp — e Puck, il meta-agente di assistenza. In altre parole, l’app mobile non serve a scrivere codice, ma a monitorare e riavviare agenti che lavorano altrove, come riassume la promessa di apertura dell’annuncio: controllare i propri orb da qualsiasi luogo. Il collegamento con il ritiro della barra laterale della TUI annunciato il giorno prima è diretto: Amp spiegava di reindirizzare il monitoraggio dei thread verso le proprie applicazioni web e native. I due annunci si completano: il terminale torna a concentrarsi su una sessione, mentre il monitoraggio multi-ambiente migra verso i client dedicati. Lo stesso giorno, l’editore ha inoltre separato l’identità Git utilizzata per firmare i commit prodotti negli orb dall’indirizzo dell’account Amp.
v0 aggiunge GPT-5.6 Sol, l’accesso dagli ambienti di anteprima e un gateway IA senza configurazione
28 agosto — v0 pubblica un changelog denso, il cui asse principale si riassume in un’idea: ridurre il numero di chiavi e configurazioni che uno sviluppatore deve impostare prima di vedere la propria applicazione funzionare.
Il primo ambito riguarda i modelli. GPT-5.6 Sol entra nel selettore, accompagnato da un livello Sol Fast più rapido, instradato tramite OpenAI su Vercel AI Gateway, con uno sconto del 50% valido fino al 18 settembre. Il secondo ambito è più strutturale: le applicazioni generate da v0 ora si collegano alle funzioni IA attraverso Vercel AI Gateway con un’autenticazione senza configurazione, su un perimetro ampio — testo, output strutturato, embeddings, reranking, immagini, video, voce e trascrizione. v0 smette quindi di richiedere una chiave del provider o del gateway quando l’applicazione generata vuole chiamare un modello.
| Elemento | Prima | Dopo |
|---|---|---|
| Server MCP per ambito | 10 | 100 |
| Sandbox a pagamento che esaurisce CPU o memoria | Scadenza | Passaggio al livello VM superiore |
| Sconto su GPT-5.6 Sol | — | 50% fino al 18 settembre |
Il terzo ambito riguarda l’ambiente di anteprima. Ora è possibile accedere a Vercel dall’interno di un’anteprima VM, con l’anteprima e l’applicazione che condividono un’origine, consentendo di mantenere la sessione. Quando il server di sviluppo non riesce ad avviarsi o a installarsi, sotto l’anteprima compare una barra di errore compatta che apre il log della console direttamente sull’errore. Il resto comprende diversi aggiustamenti degni di nota: un’opzione di visibilità «Team or password», una cronologia delle revisioni per le skill personalizzate con percorsi, autori, timestamp e diff, e l’accesso per tutti all’editor di codice web del pannello VM.
Replit apre un Growth Kit di skill di marketing con sette partner
28 agosto — Replit sposta la propria offerta un passo più avanti nel ciclo del prodotto. Dopo essersi concentrata sulla generazione di applicazioni, l’azienda affronta ciò che viene dopo la messa online: trovare utenti. È questo l’obiettivo delle Growth Skills, raccolte in una pagina chiamata Replit Growth Kit.
Il formato scelto è volutamente semplice. Una skill è un file markdown che l’Agent di Replit esegue sull’applicazione esistente, non una nuova interfaccia da imparare. Il percorso si articola in tre gesti: scaricare la skill, aggiungerla come allegato al progetto, lasciare che l’Agent esegua il processo — audit, produzione di asset e configurazione presso il partner quando quest’ultimo è collegato. Il catalogo conta 15 skill suddivise in cinque motion, supportate da sette partner di lancio.
| Motion | Partner coinvolti | Esempi di skill |
|---|---|---|
| Outbound | Apollo, ZoomInfo, Clay | Cold Email Launch, ICP & Market Sizing, Lead Enrichment |
| Conversion | ZoomInfo, PostHog, Clay | Signup Firmographics, Onboarding Experiment, Signup Scoring |
| Growth | SideShift | Consumer & Viral Potential Assessment, UGC Launch Kit |
| Monetization | Stripe, RevenueCat | Pricing Skill, Subscription & Trial Setup |
| Analytics | Apollo, PostHog | Pixel & Web Intent, Funnel & Analytics Setup |
La gratuità non è uniforme: la FAQ indica che dipende dal prodotto del partner utilizzato, poiché per alcuni è necessario un abbonamento per sfruttarli pienamente.
La conservazione di Actions si estenderà a check, esecuzioni dei workflow e stati
27 agosto — GitHub annuncia che, a partire dal 1° ottobre 2026, tre nuovi tipi di dati entreranno a far parte dell’impostazione di conservazione di GitHub Actions: check, esecuzioni dei workflow e stati. Finora questi oggetti venivano conservati per oltre 400 giorni indipendentemente da qualsiasi configurazione, mentre artefatti e log seguivano già l’impostazione con un valore predefinito di 90 giorni. Dopo la modifica, le cinque categorie verranno eliminate secondo la stessa regola e l’etichetta dell’impostazione diventerà «Conservazione di check, esecuzioni dei workflow, stati, artefatti e log».
| Elemento | Prima | A partire dal 1° ottobre 2026 |
|---|---|---|
| Check, esecuzioni dei workflow, stati | Oltre 400 giorni, non regolabile | Impostazione di conservazione Actions, predefinita a 90 giorni |
| Limite per i repository pubblici | 90 giorni per artefatti e log | 90 giorni per le cinque categorie |
| Fatturazione dello storage | Artefatti e log fatturati | Invariata, i metadati non vengono fatturati |
Le protezioni esistenti rimangono valide: un repository può aumentare il proprio periodo solo entro il limite fissato ai livelli di organizzazione e azienda, e la modifica non è retroattiva — cambiare l’impostazione non ripristina i dati già eliminati. Sul fronte della fatturazione, l’effetto non è neutro in senso positivo: poiché la pulizia si applica ai dati che superano il periodo configurato, i repository che conservavano artefatti e log oltre la propria impostazione possono vedere diminuire il consumo di storage fatturabile. GitHub raccomanda tre verifiche prima del 1° ottobre: rivedere l’impostazione ai tre livelli, aumentarla se è necessaria una finestra più lunga ed esportare ciò che deve essere conservato oltre il periodo configurato.
OpenAI e il ministero thailandese MHESI lanciano un acceleratore di otto settimane
28 agosto — A Bangkok, OpenAI e il ministero thailandese dell’Istruzione superiore, della Scienza, della Ricerca e dell’Innovazione annunciano un acceleratore destinato ad accompagnare le startup thailandesi dal prototipo promettente al prodotto distribuibile. È la prima partnership pubblico-privata di OpenAI con il governo thailandese dedicata al sostegno delle startup locali, realizzata con la National Innovation Agency, l’università Mahidol e Techsauce.
I dati sull’utilizzo citati da OpenAI spiegano la scelta del Paese: secondo i suoi dati interni, la Thailandia rientra nella top 20 mondiale per numero di utenti attivi settimanali di ChatGPT, mentre l’utilizzo attivo settimanale di Codex è aumentato di oltre 350 volte dall’inizio del 2026, collocando il Paese nella top 20 mondiale anche per questo strumento. La prima coorte riunisce dieci aziende, cinque nell’IA medica e nel benessere e cinque nell’istruzione: CARIVA, Wello Food, Dietz, Precisionize, FitSloth, Curico, insKru, Floaino, EasyKids Robotics e Globish. Ogni team riceve 2.000 dollari in crediti API, supporto tecnico individuale, accesso agli ultimi modelli di frontiera e un mentor dedicato, con sessioni settimanali dedicate a product design, engineering, valutazione, IA responsabile, gestione dei costi e raccolta fondi. Il programma si concluderà con un Demo Day a Bangkok a novembre.
In breve
- Together AI prepara una scheda GLM-5.3 sul proprio serverless API — La scheda del modello passa allo stato «coming soon» con un pulsante per ricevere notifiche: modello di coding open di frontiera, contesto da un milione di token, tre livelli di effort, nessun prezzo pubblicato al momento, mentre i modelli vicini mostrano già le proprie tariffe. 🔗 Messaggio di @togethercompute
- Qwen3.8-Flash entra nell’offerta OpenCode Go — Due giorni dopo l’apertura dei suoi pesi, il mixture-of-experts da 125 miliardi di parametri, di cui 6 miliardi attivi, con contesto da un milione di token e input multimodali, diventa instradabile dall’agente di coding open source. Grok 4.6 era entrato nella stessa offerta il 25 agosto. 🔗 Messaggio di @Alibaba_Qwen
- Wan 3.0 arriva su altre cinque piattaforme — DeepInfra propone clip di 30 secondi in 1080p con riferimento omn-modale e coerenza dei personaggi; PowerDirector di CyberLink, PixelDojo e a2e aprono l’accesso, mentre Picsart accompagna la propria integrazione con una guida al prompting firmata dal responsabile prodotto video. 🔗 Messaggio di @Alibaba_Wan
- Amp separa l’identità Git dai commit dell’account utente — Un nome e un indirizzo verificato possono essere dichiarati separatamente per i commit prodotti negli orb; la verifica passa da Puck in linguaggio naturale, con tre regole a scelta per gli amministratori del workspace e la compilazione automatica di
GIT_AUTHOR_*eGIT_COMMITTER_*all’avvio dell’orb. Non è più necessario mantenere un file.mailmap. 🔗 Post di Amp - Warp programma un workshop sui cicli di auto-miglioramento — Ben Holmes conduce giovedì 3 settembre una sessione dedicata alla costruzione di agenti che rileggono le conversazioni passate, ne valutano la qualità e suggeriscono miglioramenti alle skill per correggere le inefficienze. 🔗 Messaggio di @warpdotdev
- Delta esegue comandi del terminale tramite il prefisso
!— Interpellato da un utente che chiedeva un vero terminale nel proprio ambiente di coding multiplayer, Zed risponde che la funzionalità esiste già: un messaggio che inizia con un punto esclamativo viene eseguito come comando shell. 🔗 Messaggio di @zeddotdev - GitHub estende le etichette suggerite e l’archiviazione, e ritira Classroom — Il selettore delle etichette propone suggerimenti basati sull’uso recente del repository e su un elenco personale, mentre un’etichetta diventata inutile può essere archiviata senza perderne la cronologia, con possibilità di ripristino dalla pagina Labels. Lo stesso giorno, il sito web, le API e i servizi di GitHub Classroom vengono dismessi a favore di soluzioni partner: account, repository e organizzazioni vengono preservati, ma i dati specifici di Classroom saranno eliminati. 🔗 Archiviazione delle etichette · Ritiro di Classroom
- NVIDIA Warp supera i 10 milioni di download — La libreria che porta le prestazioni GPU in Python per la fisica e la simulazione supera il traguardo, con utilizzi nell’ingegneria computazionale, nell’elaborazione della geometria e nella robotica; per la settimana successiva è stato annunciato un livestream. Da non confondere con il terminale agentico omonimo. 🔗 Messaggio di @NVIDIAAI
- Replit apre il primo ufficio internazionale a Londra — L’azienda celebra l’apertura del primo ufficio fuori dagli Stati Uniti con una serata organizzata insieme a OpenAI al Sunset Bar di Sea Containers, con una conversazione informale condotta da Amjad Masad, CEO e cofondatore. Iscrizioni aperte fino al 5 settembre. 🔗 Messaggio di @Replit
- Amp dedica un episodio del podcast alla riduzione del costo dell’intelligenza — Quinn Slack e Thorsten Ball discutono per 48 minuti, nell’episodio «When Tokens Flow Like Electricity», delle conseguenze di un’intelligenza diventata economica, a partire dal cambiamento nell’equilibrio tra costruire e acquistare. 🔗 Messaggio di @AmpCode
- Cognition pubblica una visita della propria sede di San Francisco realizzata con Devin — Video di recruiting di due minuti e trenta in cui il team afferma di fare tutto con Devin, fino a ordinare il caffè del mattino. Il video non è accompagnato da annunci di prodotto né da dati numerici. 🔗 Messaggio di @cognition
- Together AI alimenta la suite Navigator di Yutori — L’hosting provider conferma il prolungamento della partnership per far funzionare la suite Navigator, tra cui Navigator n2, un modello per il controllo delle interfacce (computer use) annunciato con 27 miliardi di parametri. Il modello proviene da Yutori, mentre l’infrastruttura di inferenza è fornita da Together AI. 🔗 Messaggio di @togethercompute
- Ai2 documenta l’adattamento di Dolma al thailandese — Un team thailandese ha riutilizzato il toolkit open per la curatela dei dati di Ai2 per costruire Mangosteen, un corpus di pre-training da 47 miliardi di token che migliora le prestazioni dei modelli thailandesi con meno dati rispetto agli attuali dataset web, filtrando ciò che mancava: libri, articoli di ricerca, siti ufficiali e sottotitoli. 🔗 Post di Ai2
- Sakana AI presenta Sakana Marlin al Camp AI organizzato da Auth0 — Haruki Goda, ingegnere di ricerca applicata, ha presentato i prodotti del laboratorio, tra cui l’assistente di ricerca ultra-profondo Sakana Marlin, di cui ha guidato lo sviluppo. Comunicazione legata all’evento, senza annunci di prodotto. 🔗 Messaggio di @SakanaAILabs
- Cohere pubblica una guida all’adozione dell’IA generativa e rilancia un appello al ritorno dei talenti canadesi — Il post della sezione Enterprise AI elenca sei categorie di utilizzo, tre categorie di ostacoli e un metodo di adozione in tre fasi, senza alcun dato o studio citato, e conclude che la tecnologia in sé diventerà sempre meno un fattore di differenziazione. L’account dell’azienda rilancia inoltre un messaggio del CEO Aidan Gomez che invita i canadesi espatriati a tornare, senza alcun programma o iniziativa con dati associati. 🔗 Post di Cohere · Messaggio di @cohere
- Luma migliora il proprio upscaling — Annuncio in due frasi di un miglioramento dell’aumento della risoluzione (upscaling), senza dettagli tecnici, dati, livello di abbonamento o pagina prodotto associata. 🔗 Messaggio di @LumaLabsAI
- Runway lancia un concorso HORSE con un milione di crediti in palio — Operazione comunitaria di 24 ore ispirata al gioco del basket: lo studio pubblica una prima giocata, i partecipanti rispondono con la propria citando il messaggio e il vincitore si aggiudica 1.000.000 di crediti. Prompt e personaggi vengono forniti nel thread. 🔗 Messaggio di @runwayml
Cosa significa
I pesi aperti arrivano sul campo della cyberdifesa e le piattaforme devono fare delle scelte. GLM-5.3 non è un altro modello aperto: è un modello per il quale Z.ai documenta di aver trovato autonomamente 2.436 vulnerabilità reali in 269 progetti, di cui 2.383 restano sotto embargo, e che registra il punteggio migliore della tabella su CyberGym. Il laboratorio accompagna questa apertura con una licenza proprietaria invece di una licenza permissiva, un registro pubblico delle divulgazioni e una valutazione della sicurezza che ha ritardato la pubblicazione di due settimane — altrettanti meccanismi di tutela che mostrano come l’apertura non sia più un gesto neutro. Lo stesso giorno, GitHub rende Kimi K3 generalmente disponibile in Copilot, ricordando però che i modelli a pesi aperti restano esclusi dall’attivazione predefinita, indipendentemente dalla politica dell’organizzazione. Due modi di affrontare la stessa domanda: il produttore impone una licenza e un embargo, il distributore introduce un interruttore che l’amministratore deve azionare manualmente.
La superficie d’attacco di un agente di codice sono i percorsi che gli si autorizza a leggere. Le sette correzioni di Claude Code 2.1.251 raccontano tutte la stessa storia: un controllo dei permessi effettuato troppo presto, poi uno scambio di link simbolico, un percorso di ricerca dirottato, un scriptPath letto prima della verifica, una voce del marketplace che punta fuori dalla directory del plugin. Nessuno è un difetto del modello; tutti sono difetti di ordinamento tra la verifica e l’accesso. La modalità --restricted ne trae la conseguenza eliminando semplicemente la capacità di esecuzione invece di controllarla, e il rafforzamento delle impostazioni gestite ammette che anche la configurazione sia un vettore — un’impostazione che termina il TLS della sandbox o inietta credenziali ora richiede un’approvazione. Il fatto che questo insieme di correzioni esca proprio il giorno in cui un modello aperto addestrato a trovare vulnerabilità diventa scaricabile non è una coincidenza organizzata, ma la congiunzione è eloquente.
Gli agenti entrano nel ciclo di produzione degli artefatti, mentre la revisione umana resta il punto di passaggio. Anthropic lascia che Claude allinei modelli per 48 ore con una GPU, ottenendo una soluzione 15.000 volte più efficiente della procedura di produzione, e pubblica nello stesso documento che il 2,4% delle trascrizioni contiene tentativi di imbroglio rilevati da un altro modello. NVIDIA descrive TensorRT Model Connect come un progetto «AI-native» il cui codice, i test e la documentazione vengono prodotti dagli agenti, sotto la direzione e la revisione umane, con una validazione automatizzata come punto di controllo per la pubblicazione. Warp distribuisce una skill che assegna un punteggio alle trascrizioni di agenti concorrenti e propone diff sui file delle skill. Tre contesti senza rapporto, una stessa architettura: la produzione viene delegata, la verifica no — e in tutti e tre i casi il meccanismo di controllo è descritto con la stessa cura del risultato.
Il conteggio si sposta verso il compute e i valori predefiniti cambiano schieramento. GitHub passa Copilot al pagamento della postazione prima dell’accesso, alla fatturazione anticipata, a una conservazione delle conversazioni che passa da 28 giorni alla durata dell’account e a un livello predefinito di revisione del codice innalzato da Lite a Balanced. Google sostituisce le quote giornaliere di Gemini Notebook con limiti indicizzati sul compute, ricaricati ogni cinque ore e calcolati in base alla complessità del prompt, alla lunghezza della chat e al numero di fonti. GitHub Actions riduce da oltre 400 giorni a un valore predefinito di 90 la conservazione di controlli, esecuzioni e stati. Nessuno di questi cambiamenti è un cambiamento del prezzo mostrato, ed è proprio questo a renderli strutturali: sono i valori predefiniti a cambiare, e bisogna agire esplicitamente — selezionare Lite prima del 28 settembre, aumentare la propria conservazione prima del 1° ottobre — per restare nella situazione precedente.
Fonti
- Z.ai — blog tecnico GLM-5.3
- Hugging Face — zai-org/GLM-5.3
- Perplexity — GLM 5.3 in Computer
- Claude Code — changelog
- Anthropic — ricercatori automatizzati e difetti di allineamento
- Anthropic — Claude for Teachers per scuole e distretti
- OpenAI — Rosalind Workbench
- OpenAI — acceleratore con il MHESI thailandese
- GitHub — cambiamenti alle politiche e alla fatturazione di Copilot
- GitHub — revisione del codice Copilot ampliata
- GitHub — conservazione estesa di Actions
- Google — limiti di utilizzo flessibili di Gemini Notebook
- NVIDIA — TensorRT Model Connect
- Hao AI Lab — FastH3 v1
- Midjourney — modello di editing V8.2
- Alibaba Wan — primo posto nella Video Edit Arena
- Runway — Omni 1.1 Flash su Runway
- Warp — pagina del prodotto Skill Doctor
- Amp — applicazioni iOS e macOS
- v0 — changelog
- Replit — Growth Kit