Claude scopre falle crittografiche inedite, Gemini Robotics ER 2 fa collaborare più robot, GPT-5.6 abbassa i prezzi

Il 30 luglio 2026 è dominato da due avanzamenti di ricerca: Claude Mythos, il modello di ricerca interno di Anthropic, scopre falle crittografiche inedite in un candidato post-quantico del NIST e in una versione indebolita di AES, mentre Google DeepMind lancia Gemini Robotics ER 2, capace di far collaborare più robot su un unico compito. Attorno a questi due temi ruotano un taglio dei prezzi da parte di OpenAI per GPT-5.6, un’adozione simultanea delle pull request impilate su GitHub e Devin, diverse uscite di modelli aperti (Thinking Machines, Sakana AI, LightOn) e un’ondata di aggiornamenti lato agenti (Perplexity, Genspark, Gemini).

Claude Mythos scopre falle crittografiche inedite (HAWK, AES)

30 luglio — Anthropic pubblica una ricerca del suo Frontier Red Team che mostra che Claude Mythos Preview, il suo modello di ricerca interno più avanzato e non commercializzato, ha scoperto falle matematiche inedite in due importanti algoritmi crittografici — andando oltre i semplici bug di implementazione che Claude sapeva già individuare in librerie come OpenSSL. L’annuncio è stato pubblicato il 28 luglio su X, poi dettagliato in un articolo del blog completo.

Primo risultato: un attacco migliorato contro HAWK, candidato del terzo round del concorso del NIST (l’ente statunitense di standardizzazione) per le firme digitali post-quantiche. In 60 ore di lavoro, per un costo di circa 100.000 dollari in API, il modello ha trovato un attacco che dimezza la dimensione effettiva della chiave di HAWK-256 — il costo stimato di un attacco completo passa da 2^64 a 2^38 operazioni. Secondo risultato: su una versione di AES-128 ridotta a 7 round su 10, una nuova tecnica battezzata Möbius Bridge (ponte di Möbius) accelera da 200 a 800 volte i migliori attacchi noti, a un costo simile — il modello ha prima giudicato il compito irrealizzabile prima di perseverare sotto l’impulso dei ricercatori, che poi hanno trascorso diverse centinaia di ore a validare il risultato.

Anthropic precisa che nessun sistema in produzione è coinvolto: HAWK è solo un candidato non distribuito, e l’attacco su AES si applica soltanto a una versione indebolita della cifratura — l’AES completo a 10 round non è compromesso. Risultati preliminari riguardano anche LEA (chiave recuperata in meno di un’ora su 13 round), Serpent-128 (attacco completo a 6 round) e guadagni più limitati su Salsa20, Poseidon e SHA-1.

Per approfondire queste ricerche, Anthropic si associa con l’ETH Zurich, Tel Aviv University e TU Berlin per costruire CryptanalysisBench, un banco di prova destinato a misurare le capacità di crittoanalisi dei modelli.

Obiettivo crittografico	Risultato ottenuto
HAWK-256 (firma post-quantica)	Dimensione effettiva della chiave dimezzata (2^64 → 2^38), trovata in 60 ore
AES-128 ridotto a 7 round su 10	Attacco da 200 a 800 volte più rapido tramite la tecnica Möbius Bridge
LEA ridotto a 13 round su 24	Recupero della chiave in meno di un’ora su computer desktop
Serpent-128 ridotto a 6 round su 32	Nuovo attacco completo di recupero della chiave
Salsa20, Poseidon, SHA-1	Guadagni inferiori a 10 volte sulle migliori attacchi conosciuti

🔗 Ricerca completa — Anthropic

Google DeepMind lancia Gemini Robotics ER 2

30 luglio — Google DeepMind lancia Gemini Robotics ER 2 (Embodied Reasoning, ragionamento incarnato), il suo modello più capace per dotare i robot di un cervello di alto livello. Comprende il mondo fisico, conversa con gli esseri umani, pianifica compiti multi-fase e poi delega l’esecuzione motoria a un modello vision-language-action di livello inferiore; può anche chiamare nativamente strumenti come Google Search o funzioni definite dallo sviluppatore.

Rispetto alla versione precedente (ER 1.6), il progresso principale riguarda la comprensione video continua: osservando un flusso video in diretta, un robot può seguire i propri progressi, adattarsi in caso di errore e sapere con precisione quando passare alla fase successiva. Google introduce anche la collaborazione multi-robot: macchine diverse (un robot su ruote e un umanoide, per esempio) comunicano tramite una comprensione semantica condivisa per suddividersi compiti complessi — dimostrato con i robot Apollo 2 di Apptronik e Franka F3 Duo, che riordinano un garage in due.

Sul fronte delle prestazioni, il modello raggiunge il 57,4 % di precisione nella classificazione dei progressi del compito e il 91,3 % nel rilevamento del momento giusto per agire (scarto medio di 0,96 secondi), con una velocità di esecuzione 4 volte superiore rispetto a modelli più voluminosi a precisione comparabile. Sulla sicurezza, Google indica che si tratta del suo modello più sicuro a oggi: arresta correttamente un robot umanoide quando una persona si avvicina e riprende l’attività solo quando l’area è libera.

Il modello è disponibile da oggi per gli sviluppatori tramite l’API Gemini e Google AI Studio, con un accesso anticipato ristretto sulla piattaforma Gemini Enterprise Agent. È inoltre documentata una demo con un robot Spot di Boston Dynamics, che va a prendere uno snack su comando vocale, con codice incluso su GitHub.

Indicatore di prestazione	Risultato misurato
Classificazione dei progressi del compito	57,4 % di precisione
Rilevamento del momento giusto per agire	91,3 % di precisione, scarto medio di 0,96 secondi
Velocità di esecuzione vs modelli più grandi	4 volte più rapido

🔗 Annuncio ufficiale — Google DeepMind

Cursor: gli agenti cloud completano il 56 % delle pull request mergiate

30 luglio — Cursor condivide un dato interno significativo sull’adozione dei suoi agenti cloud: a dicembre, solo 1 pull request mergiata su 10 proveniva da un agente cloud; oggi la cifra raggiunge il 56 %. L’azienda attribuisce questo progresso al fatto di assegnare agli agenti la propria macchina cloud, con la possibilità di correggere e migliorare da soli il loro ambiente di esecuzione — cosa che consente loro di portare a termine attività di ingegneria più lunghe dall’inizio alla fine.

In December, 1 in 10 of our merged PRs came from cloud agents. Today, it’s 56%, as we use cloud agents to complete longer engineering tasks from start to finish. We got here by giving agents their own cloud computers and letting them fix and improve their environments.

🇮🇹 A dicembre, 1 PR mergiata su 10 proveniva da agenti cloud. Oggi è il 56 %, grazie all’uso di agenti cloud per portare a termine attività di ingegneria più lunghe, dall’inizio alla fine. Siamo arrivati fin qui dando agli agenti il proprio computer cloud e lasciando che correggessero e migliorassero i loro ambienti. — @cursor_ai su X

Le pull request impilate passano in anteprima su GitHub, Devin le adotta lo stesso giorno

30 luglio — Due annunci distinti, lo stesso giorno, attorno a un unico workflow: suddividere una modifica voluminosa in una serie di pull request più piccole e revisionabili in modo indipendente.

GitHub generalizza le stacked pull requests

GitHub porta le stacked pull requests in anteprima pubblica su tutti i repository. Invece di una pull request gigantesca o di più branch da ribasare manualmente, la modifica si scompone in livelli ordinati, ciascuno revisionabile tramite una «stack map» che colloca il livello in esame nell’insieme, poi mergiabili in un’unica operazione. Mergiare il livello più alto fa atterrare automaticamente tutto ciò che sta sotto; mergiare un livello intermedio ribasa e ritargetta automaticamente i livelli rimasti aperti, senza perdere le protezioni di branch esistenti. La funzionalità è accessibile tramite github.com, la CLI (estensione gh-stack), l’app mobile e direttamente da un agente di coding come GitHub Copilot grazie alla skill dedicata gh-stack.

🔗 Stacked pull requests — GitHub

Devin (Cognition) le supporta in modo nativo

Lo stesso giorno, Devin, l’agente di ingegneria software di Cognition, annuncia il supporto nativo delle stacked PRs di GitHub: suddividere le grandi modifiche in diff più piccoli, trattare e correggere i commenti di revisione lungo tutto lo stack e ribasare automaticamente le modifiche a valle quando un livello evolve. L’adozione simultanea, lato piattaforma e lato agente, mostra che questo nuovo modello di revisione si sta inserendo direttamente nei workflow guidati da agenti autonomi, e non solo per sviluppatori umani.

🔗 Devin — annuncio Cognition

Amp Labs firma una partnership con la banca Westpac

29 luglio — Amp Labs, la divisione servizi/consulenza di Amp (lo spin-off indipendente di Sourcegraph), annuncia una partnership con Westpac, una delle banche australiane più antiche — un’azienda vecchia di oltre due secoli. L’obiettivo: trasformare il modo in cui la banca costruisce e distribuisce la propria tecnologia, in particolare la migrazione e la modernizzazione di sistemi di dati utilizzati da milioni di persone. Un team dedicato lavorerà in loco a Sydney, al fianco degli ingegneri di Westpac. L’articolo presenta il team fondatore del progetto — proveniente da Block, Ethereum Foundation, Google e Canva — e apre una campagna di assunzioni locali a Sydney. Questa partnership illustra la crescita delle offerte di servizi attorno agli agenti di coding, oltre il semplice abbonamento software: Amp Labs vende ormai una presenza umana in loco, supportata dal proprio agente.

🔗 Annuncio — Amp Labs x Westpac

Taglio dei prezzi API di GPT-5.6, modalità Fast per Sol

30 luglio — Sulla base dei guadagni di efficienza ottenuti il giorno prima (GPT-5.6 Sol ha ottimizzato da solo i propri kernel di produzione, già trattato), OpenAI abbassa i prezzi API di GPT-5.6 Luna, il suo modello più veloce ed economico, dell’80 %, e di GPT-5.6 Terra, il suo modello bilanciato per l’uso comune, del 20 %. Questi tagli si riflettono anche nel consumo di crediti degli abbonamenti Codex e ChatGPT Work, senza modifiche alle quote né ai prezzi di abbonamento.

OpenAI introduce inoltre una modalità Fast nell’API, che sostituisce l’offerta Priority Processing: per GPT-5.6 Sol, offre fino a 2,5 volte la velocità del trattamento standard, al doppio del prezzo, senza cambiamenti nell’intelligenza. Le richieste esistenti etichettate «priority» passano automaticamente a questa nuova modalità. Vengono citati diversi clienti enterprise come testimonianze, tra cui Replit, Notion, Ramp, Blitzy, Cognition e Dust.

Modello e modalità	Prezzi a partire dal 30 luglio
GPT-5.6 Terra (input / output)	2 dollari e 12 dollari per milione di token
GPT-5.6 Luna (input / output)	0,20 dollaro e 1,20 dollaro per milione di token
GPT-5.6 Sol, modalità Fast	Fino a 2,5 volte più veloce, al doppio del prezzo

GPT‑5.6 Luna is the closest we’ve come to intelligence too cheap to meter. I’ve never seen a model this affordable be this powerful — it’s unlocking use cases for Replit we didn’t expect to build for a long time.

🇮🇹 GPT-5.6 Luna è la cosa che più si avvicina a un’intelligenza troppo economica per essere misurata. Non ho mai visto un modello così accessibile essere così potente — questo sblocca per Replit casi d’uso che non pensavamo di poter costruire prima di molto tempo. — Michele Catasta, Presidente e Head of AI, Replit — citato da OpenAI

Due impostazioni API triplicano i punteggi di GPT-5.6 Sol su ARC-AGI-3

29 luglio — OpenAI pubblica un’analisi sui punteggi inizialmente bassi di GPT-5.6 Sol (7,8 %) e GPT-5.5 (0,4 %) sul benchmark di puzzle 2D ARC-AGI-3, mentre Sol ha peraltro risolto problemi aperti di matematica e battuto videogiochi complessi. L’indagine mostra che il harness ufficiale del benchmark elimina il ragionamento privato del modello dopo ogni azione e tronca la sua cronologia con una finestra scorrevole, impedendogli di ricordare i propri pensieri e le azioni passate.

Ricostruendo il harness con la Responses API di OpenAI (quella usata in produzione in ChatGPT e Codex), attivando la conservazione del ragionamento e la compattazione invece della troncatura, il punteggio di GPT-5.6 Sol sull’insieme pubblico passa dal 13,3 % al 38,3 %, con 6 volte meno token di output — per una reference umana stimata al 48 %. OpenAI ne trae una raccomandazione generale: usare la Responses API invece della vecchia Chat Completions API per ottenere valutazioni rappresentative di un uso reale.

Configurazione testata	Punteggio ottenuto (ARC-AGI-3)
Harness ufficiale del benchmark	13,3 %
Ragionamento conservato e compattazione	38,3 % (6 volte meno token di output)
Reference umana stimata	48 %

🔗 Analisi completa — OpenAI

GitHub Copilot in Visual Studio: bilancio di luglio

30 luglio — GitHub pubblica il suo resoconto mensile su GitHub Copilot in Visual Studio 2026, con quattro novità. Un nuovo Agent (Preview) appare nel selettore di Copilot Chat, costruito sullo stesso Copilot SDK che alimenta GitHub Copilot CLI — promessa di risposte più brevi e di attività completate con meno andirivieni. Delle competenze integrate .NET e Azure, redatte dai rispettivi team interni, compaiono automaticamente nella categoria «Built-in» del selettore di strumenti non appena i workload interessati sono installati (disattivate per default). Una funzione Review Selection consente di selezionare del codice, fare clic destro e ottenere commenti inline utilizzabili. Infine, delle istruzioni personalizzate a livello organizzazione permettono ai proprietari dell’organizzazione di definire preferenze condivise applicate automaticamente a tutti i repository — riservate ai piani Business ed Enterprise, mentre le altre tre novità sono disponibili su tutti i piani.

🔗 Bilancio di luglio — GitHub Copilot in Visual Studio

Genspark presenta SecondBrain, memoria persistente per AI Workspace 6.0

29 luglio — Genspark mette in evidenza, tramite un intervento mediatico della sua COO Wen Sang, una funzionalità chiamata SecondBrain all’interno di AI Workspace 6.0 (già lanciato il 20 luglio). L’angolazione scelta: il «problema di memoria» degli agenti IA, che dimenticano il contesto di un progetto da una sessione all’altra. Con l’autorizzazione esplicita dell’utente, SecondBrain si connette alle email, al calendario, alla cronologia delle conversazioni, agli appunti delle riunioni e a strumenti esterni (Gmail, Slack, Notion, HubSpot, Microsoft 365…) per costruire uno strato di contesto personale sfruttabile dal Super Agent di Genspark. Sono documentati diversi usi concreti: riepilogo settimanale automatico, briefing prima di una riunione con il contesto dei partecipanti, oppure ricerca trasversale in tutte le fonti connesse. Genspark distingue questo software dal prodotto SecondBrain Note, una scatola di registrazione fisica venduta separatamente, che è solo uno dei tanti canali di input opzionali.

🔗 SecondBrain — annuncio Genspark

Perplexity lancia Projects, evoluzione di Spaces in Computer

30 luglio — Perplexity sostituisce gli «Spaces» con Projects in Computer, il suo ambiente di orchestrazione di agenti: spazi di lavoro persistenti per attività di lungo periodo, con un sistema di file condiviso e gerarchico su cui le attività successive possono basarsi senza ripartire da zero. I Projects si connettono a Brain, il sistema di memoria auto-migliorante di Computer, che rilegge tra un’attività e l’altra i file e le sessioni del Project affinché ogni nuova attività inizi con il contesto accumulato. Viene messo in primo piano l’aspetto collaborativo: più membri di un team possono lavorare sullo stesso Project mantenendo però la propria memoria personale e i propri connettori isolati sul rispettivo account. Perplexity rivendica una connessione possibile a più di 400 strumenti (Google Drive, Notion, Linear, Snowflake, GitHub), oltre a un’integrazione con Slack e Microsoft Teams. Gli Spaces esistenti migrano automaticamente; disponibile da oggi per tutti gli utenti di Computer.

🔗 Spaces diventa Projects — Perplexity

Gemini Spark integra Chrome e si estende a 160+ paesi

30 luglio — Google estende Gemini Spark, il suo assistente per l’automazione delle attività web, con un’integrazione diretta a Chrome battezzata Chrome auto browse. Con l’autorizzazione dell’utente, Spark può ora appoggiarsi agli account connessi e alle password salvate del browser per svolgere attività noiose — pianificare visite ad appartamenti salvati, oppure cercare voli e avviare una prenotazione. Google precisa che queste azioni sono protette dai tentativi di prompt injection e che i passaggi sensibili come i pagamenti vengono sistematicamente rimandati all’utente per la convalida. La funzionalità debutta negli Stati Uniti, con un’estensione prevista ad altre regioni. In parallelo, l’accesso a Spark si amplia agli abbonati Google AI Pro in più di 160 paesi aggiuntivi a partire da oggi — un’estensione molto più ampia di quella del 23 luglio, limitata agli Stati Uniti.

🔗 Aggiornamenti Gemini Spark — Google

Nano Banana approda in Google Earth

30 luglio — Google Earth integra ora Nano Banana 2, il modello di generazione di immagini di Google, direttamente nella sua interfaccia web. Basta zoomare su un luogo, fare clic su «create image» e descrivere ciò che si vuole visualizzare: il modello genera un’immagine ancorata all’imagerie reale del luogo (viste satellitari, aeree e 3D), e non una scena generica. L’articolo dettaglia cinque usi concreti: ricostruire un sito storico (le rovine di Pompei così com’erano nel 78 d.C.), creare infografiche didattiche su un luogo, produrre piani per progetti immobiliari o urbanistici, visualizzare un progetto di costruzione prima dei lavori, oppure semplicemente reimmaginare un luogo in modo fantasioso. La funzionalità è disponibile da oggi, a livello globale, per tutti gli utenti di Google Earth sul web, senza restrizioni geografiche né soglie di abbonamento particolari.

🔗 Nano Banana in Google Earth — Google

ElevenLabs lancia Character Casting in ElevenCreative Audiobooks

30 luglio — ElevenLabs lancia Character Casting all’interno di ElevenCreative Audiobooks, la sua suite di produzione di audiolibri con IA. La funzionalità consente di importare un manoscritto completo, quindi di visualizzare in anteprima diverse voci direttamente su dialoghi reali del testo, al fine di assegnare una voce distinta a ciascun personaggio. L’obiettivo è semplificare il casting vocale, una fase finora manuale e dispendiosa in termini di tempo nella produzione di audiolibri generati dall’IA — lo studio allinea ora la voce su battute effettivamente pronunciate nel libro invece che su un testo dimostrativo generico.

🔗 Character Casting — ElevenLabs

Inkling-Small: Thinking Machines pubblica, NVIDIA segue lo stesso giorno

30 luglio — Thinking Machines (il laboratorio di Mira Murati) lancia Inkling-Small, una versione compressa di Inkling: 276 miliardi di parametri totali, 12 miliardi attivi, quantizzazione NVFP4, per prestazioni comparabili a Inkling — quattro volte più grande — con risultati migliori nel codice secondo Hugging Face. I pesi completi sono pubblicati in accesso libero, con fine-tuning possibile tramite Tinker e prova nel Tinker Playground (testo, immagine, audio). Hugging Face amplifica il lancio lo stesso giorno con un blog dedicato ai benchmark e alle prestazioni, e una collezione di modelli sull’Hub.

NVIDIA arricchisce l’uscita lo stesso giorno annunciando la compatibilità di Inkling-Small con NVIDIA NeMo su DGX Station, per il fine-tuning, oltre a un checkpoint dedicato al formato NVFP4 pubblicato direttamente su Hugging Face. Questo supporto hardware disponibile fin dal lancio (day-0) illustra la velocità con cui l’ecosistema si coordina ormai attorno a un modello aperto di terze parti: il laboratorio pubblica i pesi, Hugging Face documenta le prestazioni e NVIDIA garantisce la compatibilità della propria infrastruttura di fine-tuning — il tutto in una sola giornata.

Caratteristica tecnica	Valore misurato
Parametri totali / attivi	276 miliardi / 12 miliardi
Quantizzazione	NVFP4
Compatibilità hardware day-0	NVIDIA NeMo su DGX Station

🔗 Lancio — Thinking Machines su X

🔗 Supporto NeMo/DGX — NVIDIA su X

Sakana AI e NYU pubblicano Dream-Cubed, dataset e modelli per Minecraft

29 luglio — Sakana AI pubblica, insieme alla New York University (NYU), Dream-Cubed : Controllable Generative Modeling in Minecraft by Training on Billions of Cubes. Il contributo è duplice: un vasto dataset di mondi Minecraft (decine di miliardi di «cubes» provenienti da terreni procedurali e mappe costruite da esseri umani con il loro consenso) e una famiglia di transformer addestrati su questi cube come unità di tokenizzazione, sulla falsariga delle parole nella modellazione del linguaggio. I modelli permettono di generare e modificare in tempo reale ambienti 3D interattivi a risoluzione del cubo, con inpainting mirato, outpainting su larga scala e generazione condizionata dall’utente, su mondi di dimensione arbitraria. Il dataset, il codice di addestramento e l’articolo sono pubblicati in accesso libero.

🔗 Annuncio — Sakana AI su X

Together AI e Y Combinator lanciano un cluster GPU dedicato per le startup YC

30 luglio — Together AI e Y Combinator annunciano una partnership che fornisce il primo cluster GPU dedicato al portafoglio di startup YC. L’obiettivo: eliminare il principale collo di bottiglia delle giovani startup IA — l’accesso al calcolo — senza costringerle a stipulare contratti di compute pluriennali che spesso superano la loro liquidità complessiva. Le startup del portafoglio YC possono prenotare, provisionare e gestire da sole le proprie GPU tramite il portale self-service di Together AI, per esigenze puntuali di inferenza e addestramento, senza impegno a lungo termine, beneficiando al contempo delle tariffe normalmente riservate ai contratti di lunga durata. Lo stesso giorno, Together AI mette in evidenza un primo utilizzo concreto: la startup Osmosis_AI, che esplora se un modello open source possa raggiungere il livello di un modello di fondazione grazie al reinforcement learning, addestrata su questo cluster.

🔗 Cluster GPU dedicato YC — Together AI

LightOn pubblica mDenseOn & mLateOn sul blog di Hugging Face

30 luglio — Il laboratorio francese LightOn AI pubblica, sul blog di Hugging Face, la collezione mDenseOn & mLateOn: modelli di retrieval a vettore singolo e multi-vettore, oltre ai dataset associati, specializzati nella ricerca multilingue, nel contesto lungo e nella ricerca di codice — 18 elementi in totale, pubblicati con pesi aperti. Questa uscita segue lo stesso schema della pubblicazione di LiquidAI (LFM2.5-Encoders) del 28 luglio: un laboratorio terzo utilizza il blog di Hugging Face come canale ufficiale di lancio, con la scheda modello e la collezione ospitate direttamente sull’Hub.

🔗 mDenseOn & mLateOn — blog di Hugging Face

Brevi

Cognition aggiorna FrontierCode 1.1 — con i nuovi ribassi tariffari di GPT-5.6 Terra e Luna (vedi sopra), la serie si posiziona ora sulla curva di Pareto costo/prestazioni. 🔗 fonte
Hugging Face lancia Trackio Logbooks — la versione 0.34.0 di Trackio cattura automaticamente il codice, le tracce degli agenti e gli artefatti di un’esperienza IA sotto forma di bundle HTML statico riproducibile. 🔗 fonte
Antigravity CLI passa alla versione 1.1.8 — formati di output strutturato (json, stream-json) per la modalità print, validazione tramite schema JSON personalizzato e permessi migliorati per i comandi composti. 🔗 fonte
GitHub Models è ufficialmente ritirato — playground, catalogo dei modelli, API di inferenza e BYOK non sono più accessibili a nessun cliente; GitHub reindirizza verso Microsoft Foundry o GitHub Copilot. 🔗 fonte
GitHub limita il controllo remoto ai dispositivi gestiti — nuovo parametro enterprise remoteControl (requireSSO / disabled / enabled) per le sessioni Copilot in controllo remoto, distribuibile tramite repository privato, MDM o file di configurazione. 🔗 fonte
Kimi K3 (Max) prende la testa della classifica Fullstack Code Arena — davanti a GPT-5.6 Sol (xHigh) e Claude Fable 5, un altro segno che i modelli aperti stanno recuperando terreno sui modelli chiusi in compiti di sviluppo completi (vedi Inkling-Small più sopra). 🔗 fonte

Cosa significa

La ricerca fondamentale esce dal laboratorio. Claude Mythos trova falle inedite in un candidato post-quantistico del NIST e in una versione indebolita di AES — una svolta di ricerca, non una falla sfruttabile in produzione, ma che illustra la velocità con cui un modello di ricerca interno può far avanzare un campo che gli esseri umani studiano da decenni. Lo stesso giorno, Gemini Robotics ER 2 fa passare la robotica incarnata da un singolo robot che obbedisce a istruzioni a più macchine che si coordinano tra loro per un compito condiviso. Google Earth ancora a sua volta la generazione di immagini nel mondo reale: Nano Banana non disegna più una scena generica, ma una ricostruzione o una proiezione a partire dall’imagery satellitare di un luogo preciso — mentre Gemini Spark, tramite Chrome, passa dal testo all’azione concreta sul web reale dell’utente. Quattro modi distinti, il 30 luglio, di far uscire l’IA dal terreno puramente conversazionale.

L’economia dell’inferenza continua a ribaltarsi a favore degli sviluppatori. OpenAI riduce i prezzi API di GPT-5.6 Luna dell’80% e di Terra del 20%, introducendo al contempo una modalità Fast due volte più costosa ma 2,5 volte più veloce — due modi opposti di far corrispondere il prezzo all’uso reale. Lo stesso giorno, un’analisi di OpenAI mostra che un semplice cambio di configurazione dell’API (ragionamento mantenuto, compaction) triplica il punteggio di GPT-5.6 Sol su ARC-AGI-3 riducendo al contempo di sei volte il consumo di token in uscita — le prestazioni di un modello dipendono tanto dall’imbracatura che lo esegue quanto dal modello stesso. Cognition ne trae una conseguenza immediata aggiornando il proprio benchmark FrontierCode: con i nuovi sconti, GPT-5.6 si ritrova sulla curva di Pareto costo/prestazioni.

I modelli aperti continuano a recuperare terreno sui modelli chiusi. Thinking Machines pubblica Inkling-Small con supporto hardware NVIDIA disponibile fin dal lancio; Sakana AI e NYU aprono un dataset e modelli generativi per Minecraft; LightOn pubblica la sua collezione di modelli di retrieval multilingue — tre laboratori distinti che scelgono lo stesso canale, il blog di Hugging Face, per lanciare e documentare i propri lavori lo stesso giorno. Kimi K3 (Max), già in testa alla classifica Agent Arena, conquista anche il primo posto nella classifica Fullstack Code Arena, davanti a GPT-5.6 Sol e Claude Fable 5. E Together AI, con Y Combinator, affronta ciò che resta il vero collo di bottiglia di questo ecosistema: l’accesso al calcolo, fornendo un cluster GPU dedicato alle startup IA del portafoglio YC senza costringerle a impegni pluriennali.

L’industrializzazione degli agenti di code accelera. In Cursor, la quota di pull request unite provenienti da agenti cloud è passata dal 10% a dicembre al 56% di oggi. GitHub generalizza in anteprima pubblica le stacked pull request e Devin (Cognition) le supporta nativamente lo stesso giorno — un unico workflow di review adottato simultaneamente lato piattaforma e lato agente. Amp Labs, da parte sua, vende ormai una presenza umana sul campo (un team on site a Sydney per Westpac) oltre al proprio agente, mentre GitHub arricchisce Copilot in Visual Studio con un nuovo agente basato sul proprio SDK. Genspark e Perplexity avanzano su un problema correlato, quello della memoria: SecondBrain e Projects offrono entrambi ai propri agenti un contesto persistente tra le sessioni, condizione necessaria per portare avanti attività lunghe senza ripartire da zero ogni volta.