Avete mai pensato di costruire un modello linguistico così semplice che persino un pesce rosso potrebbe capirlo? Bene, Arman Hossain l’ha fatto con GuppyLM, un LLM da 9 milioni di parametri che parla come un pesciolino amichevole e curioso.

GuppyLM è un progetto che smonta il mito secondo cui per addestrare un modello linguistico servono PhD, cluster di GPU e mesi di lavoro. Qui basta un notebook Colab, 5 minuti e un po’ di voglia di smanettare. Il risultato? Un pesce virtuale che ti risponde su cibo, bolle, luce e vita in acquario, senza pretendere di risolvere equazioni differenziali o scrivere saggi filosofici.

Perché questo è figo? Perché finalmente qualcuno ha creato un modello che:
– Si addestra in pochi minuti
– Ha un codice pulito e spiegato
– Non ha pretese da superintelligenza
– È open-source e senza venditori di fumo

Io l’ho provato e devo dire che è un po’ come parlare con un animale domestico digitale: non capisce le metafore complesse, ma sa rispondere in modo coerente e carino. Se vuoi chiedergli l’amore della tua vita, ti risponderà con bolle e cibo. Se vuoi un consiglio sulla crisi energetica, ti dirà che preferisce l’acqua tiepida.

Per noi maker e smanettoni, GuppyLM è una miniera d’oro perché:
1. È perfetto per imparare come funziona un transformer senza perderci in architetture complicate.
2. Puoi modificare il dataset e addestrare il tuo modello su qualsiasi tema (immaginate un pesce che parla di Arduino o di riciclo della plastica!).
3. È leggero abbastanza da girare su un Raspberry Pi o in un browser.
4. È un esempio perfetto di come l’AI possa essere utile senza diventare un mostro inarrestabile.

Certo, non è perfetto. GuppyLM è single-turn (dimentica dopo una domanda) e non è il massimo per conversazioni complesse, ma questo lo rende più simile a un pesce reale: ha una memoria corta e una personalità semplice. E in fondo, è proprio questo che lo rende adorabile.

Se vi piace smanettare con PyTorch, giocare con i tokenizer o semplicemente capire come funziona l’AI senza dover leggere 50 paper accademici, GuppyLM è il vostro nuovo miglior amico. Provatelo, modificate il dataset e fatemi sapere cosa ne pensate. E se create un pesce che parla di 3D printing, vi prometto che ne scriverò un altro articolo.

Per ora, addio e buonanotte acquario.

Source: Show HN: I built a tiny LLM to demystify how language models work

Lo so, lo so. Un altro articolo su un nuovo modello di AI. Ma stavolta c’è un dettaglio che potrebbe far drizzare le orecchie anche ai più cinici tra noi: Gemma 4 gira sul tuo iPhone, completamente offline. Sì, avete letto bene. Niente server lontani, niente dati che vagano nel cloud. O almeno, questa è la promessa.

Google ha appena rilasciato l’app AI Edge Gallery, che permette di eseguire modelli di intelligenza artificiale direttamente sul tuo dispositivo mobile. E non stiamo parlando di qualche toy model, ma di Gemma 4, l’ultimo gioiellino di casa Google. La novità? Tutto rimane nel tuo telefono, senza bisogno di connessione internet.

Ma perché dovrebbe importarci? Per noi smanettoni, la possibilità di avere un modello di AI potente e privato è una manna dal cielo. Potremmo finalmente sperimentare con machine learning senza dover mandare i nostri dati a qualche server remoto. E poi, ammettiamolo: è sempre figo avere un supercomputer in tasca.

L’app offre alcune funzionalità interessanti, come il ‘Tiny Garden’, un modo per addestrare modelli personalizzati, e il ‘Sandbox’, dove possiamo testare i modelli senza rischi. C’è anche una modalità ‘Privacy’, che promette di non raccogliere dati sensibili. Insomma, sembra quasi troppo bello per essere vero.

Ma attenzione, perché non tutto è perfetto. Innanzitutto, l’app è solo per iPhone (sì, ancora una volta gli utenti Android sono lasciati indietro). Inoltre, la promessa di privacy è relativa: Google ammette di raccogliere alcuni dati diagnostici, anche se non li associa direttamente a noi. E poi, con 35,4 MB, l’app non è proprio leggerissima.

Cosa significa per noi che amiamo mettere le mani in pasta? Be’, finalmente possiamo sperimentare con l’AI senza doverci preoccupare di server costosi o di problemi di privacy. Possiamo addestrare modelli su dataset personalizzati, testare algoritmi e vedere come si comportano in tempo reale. È un’opportunità per imparare, sperimentare e creare senza limiti.

Ma attenzione: non fidatevi troppo. La privacy è un concetto relativo, soprattutto quando si tratta di Big Tech. Leggete sempre i termini e le condizioni, e ricordate che, anche se i dati rimangono sul vostro dispositivo, Google potrebbe comunque raccogliere informazioni su come usate l’app.

In conclusione, Gemma 4 sul tuo iPhone è una notizia interessante, ma con le dovute riserve. Se siete smanettoni e volete sperimentare con l’AI, questa potrebbe essere l’occasione giusta. Ma ricordate: la privacy perfetta non esiste, e la curiosità deve sempre essere accompagnata da un pizzico di scetticismo.

Source: Gemma 4 on iPhone

Se pensavi che l’AI dovesse per forza fare la professorona con le frasi lunghe e i giri di parole, Julius Brussee ti presenta il Caveman: il plugin che fa parlare Claude come un uomo delle caverne.

La premessa è geniale: perché usare 69 token quando 19 bastano e avanzano? Il Caveman riduce le risposte tecniche del 75% mantenendo precisione assoluta. E la scienza gli dà ragione: uno studio del 2026 dimostra che costringere i modelli a essere concisi migliora l’accuratezza del 26%.

Da smanettone, apprezzo l’approccio minimalista. Niente fronzoli, niente “I’d be happy to help” che mangiano token inutilmente. Solo il succo tecnico, come un buon commento su GitHub: diretto, senza inutili convenevoli. Il Caveman cancella articoli, convenevoli e tutte quelle frasi di cortesia che sembrano pensate per riempire spazio.

Per noi maker e hacker, questo significa:
– Risparmio concreto sui costi API
– Risposte più veloci (e chi non ha mai maledetto i tempi di attesa di un modello linguistico?)
– Code review trasformate in sitcom
– La possibilità di sprecare meno token in stupidaggini e dedicarli a progetti più seri

Certo, non è perfetto. Non tutti amano lo stile telegrafico, e qualche volta una spiegazione più articolata è necessaria. Ma per chi lavora con LLM, è una rivoluzione.

Installazione? Facilissima: un comando e via. E se ti stanchi del Neanderthal, basta chiedere di tornare in modalità normale.

La mia domanda sorge spontanea: ma perché non abbiamo pensato a questo prima? Forse perché eravamo troppo impegnati a scrivere documentazione dettagliata per le nostre API…

Source: Caveman: Why use many token when few token do trick

Hai mai pensato che un tool che dovrebbe farti risparmiare tempo possa finire per fartene perdere il doppio? È esattamente quello che mi è successo con SQLite e Claude Code.

Tutto è iniziato con un’idea semplice: volevo creare degli strumenti avanzati per SQLite. Avevo già passato anni a immaginare queste funzionalità nella mia testa, e finalmente ero pronto a realizzare il progetto. L’idea era semplice: usare l’AI per accelerare lo sviluppo. E in teoria, funziona. In pratica… be’, è una storia diversa.

Il problema principale è che l’AI è bravissima a darti codice che funziona, ma non necessariamente codice che ha senso. Ti ritrovi con un sistema che sembra funzionare, ma che in realtà è un ammasso di spaghetti code. È come se ti dessero le parti di un motore, ma non il manuale per assemblarle correttamente.

Il mio errore è stato affidarmi troppo all’AI senza mantenere il controllo sul progetto. Ho passato un intero mese a ‘vibe-coding’ – cioè a seguire suggerimenti dell’AI che sembravano brillanti nel momento, ma che alla fine si sono rivelati dead ends. Alla fine, ho dovuto buttare via tutto e ricominciare da capo.

Ma non è tutta colpa dell’AI. Anch’io ho sbagliato. Avrei dovuto usare l’AI come un assistente, non come un capo progetto. Avrei dovuto mantenere una visione chiara dell’architettura complessiva, invece di farmi guidare dai suggerimenti locali.

Quindi, cosa ho imparato? Primo, l’AI è fantastica per l’implementazione, ma orribile per la progettazione. Secondo, devi sempre mantenere il controllo creativo sul tuo progetto. Terzo, se un tool ti fa perdere più tempo di quanto ne risparmi, forse è il momento di fare un passo indietro.

Per noi smanettoni, questo significa che dobbiamo essere più selettivi su quando usare l’AI. Non è un sostituto della nostra intelligenza, ma uno strumento per amplificarla. Dobbiamo usarla con consapevolezza, mantenendo sempre una visione d’insieme del nostro progetto.

Alla fine, ho comunque creato degli strumenti utili per SQLite, ma la strada è stata molto più tortuosa di quanto mi aspettassi. Se c’è una lezione da imparare, è che anche con i migliori strumenti, il codice di qualità richiede ancora lavoro, pensiero e attenzione.

Source: Eight years of wanting, three months of building with AI

Sapete quando vi buttate a capofitto in un progetto e poi scoprite che la soluzione migliore era sotto il vostro naso fin dall’inizio? Ecco, questo articolo di arXiv ci racconta una storia simile, ma con gli LLMs.

Un gruppo di ricercatori ha scoperto che si può migliorare la generazione di codice di un modello linguistico semplicemente usando le sue stesse output per fine-tuning. Niente verifier sofisticati, niente modelli insegnanti, niente reinforcement learning. Solo un po’ di sampling intelligente e un bel fine-tuning classico.

Il metodo, battezzato “Embarrassingly Simple Self-Distillation” (SSD), ha fatto schizzare i risultati del Qwen3-30B-Instruct dal 42.4% al 55.3% su LiveCodeBench v6. Non male per un approccio che sembra uscito da un tutorial di PyTorch per principianti, no?

Ma come funziona questo miracolo? Secondo gli autori, il trucco sta nel bilanciare precisione ed esplorazione. SSD modifica le distribuzioni dei token in modo contestuale: sopprime le code distrattive dove serve precisione, ma mantiene la diversità dove serve esplorazione. Un po’ come quando smontate un vecchio computer e scoprite che il pezzo che cercavate era proprio in quella scatola di componenti che avete aperto per ultima.

Per noi smanettoni, questo significa che non dobbiamo per forza avere accesso a cluster di supercomputer per migliorare i nostri modelli. Con un po’ di creatività e un approccio “fai-da-te”, possiamo ottenere risultati sorprendenti. Certo, non è il caso di buttare via i metodi più avanzati, ma ogni tanto è bello ricordare che la semplicità ha il suo fascino.

E poi, ammettiamolo, c’è qualcosa di profondamente soddisfacente nel vedere che un modello può imparare da solo, senza bisogno di un esercito di ricercatori che lo addestrano. È un po’ come quando insegnate a un Arduino a fare qualcosa di nuovo e vi rendete conto che, in fondo, non è poi così diverso da noi.

Quindi, la prossima volta che vi buttate in un progetto di generazione di codice, ricordate: a volte la soluzione migliore è quella che avete già sotto gli occhi. E se non funziona, beh, almeno avrete qualcosa di nuovo da smontare e rimontare.

Source: Embarrassingly simple self-distillation improves code generation

Vi è mai capitato di usare un tool open source per fare qualcosa di figo, solo per scoprire che qualcuno ha deciso di mettervi i bastoni tra le ruote? Ecco, Anthropic ha appena fatto proprio questo.

La notizia è che, a partire dal 4 aprile, gli abbonati a Claude Code non potranno più usare OpenClaw con le loro quote mensili. Per continuare a usarlo, dovranno attivare un’opzione “extra usage” a pagamento, separata dall’abbonamento. E non è tutto: questa politica si estenderà presto a tutti i third-party harnesses.

Anthropic giustifica la decisione con problemi di capacity e la necessità di prioritizzare i propri prodotti core. Ma, diciamocelo chiaramente, sembra più una manovra per spingere verso il vendor lock-in. “Ehi, grazie per aver usato il nostro tool, ma ora devi pagare di più per fare quello che facevi prima.”

Per noi che amiamo smanettare con l’AI, questa è una doccia fredda. OpenClaw era uno strumento utile per integrare Claude in progetti custom, e ora dovremo o pagare di più o trovare alternative. E non è che Anthropic ci stia facendo un favore con quel “one-time credit”: è solo un modo per addolcire la pillola.

La domanda sorge spontanea: perché limitare l’uso di strumenti che rendono il vostro prodotto più versatile? Se l’obiettivo è gestire la domanda, forse sarebbe meglio investire in infrastruttura invece di penalizzare chi vuole sperimentare. E poi, parliamo di un’azienda che si definisce “open” e “collaborativa”: questa mossa sa più di chiusura che di apertura.

Cosa significa per noi maker e hacker? In primo luogo, dobbiamo essere consapevoli dei rischi del vendor lock-in. Se un tool diventa troppo dipendente da un fornitore, siamo in balia delle loro decisioni. In secondo luogo, forse è il momento di esplorare alternative open source o costruire i nostri strumenti. Perché aspettare che qualcun altro decida come possiamo usare i nostri tool?

In conclusione, Anthropic ha fatto un passo indietro. Spero che sia solo un passo falso e che possano ripensarci. Nel frattempo, noi continueremo a smanettare, trovare soluzioni alternative e ricordare che il vero potere sta nell’essere indipendenti.

Source: Tell HN: Anthropic no longer allowing Claude Code subscriptions to use OpenClaw

Cari smanettatori, vi è mai capitato di guardare il vostro vecchio codice e pensare: “Oddio, ma l’ho scritto io questo disastro?”? Bene, ora c’è qualcuno disposto a pagare per quel disastro. Stiamo parlando di Mercor, il gigante dei dati per l’addestramento dell’AI, che secondo le voci di corridoio è in cerca di vecchi progetti software per nutrire i suoi modelli.

La notizia, riportata da Gizmodo, fa il giro del web e solleva una serie di domande interessanti. Prima di tutto: ma quanto vale davvero il vostro vecchio codice? Quella procedura che avete scritto per automatizzare il caffè in ufficio, quel script per il controllo qualità che ha salvato un’intera linea di produzione, o quel gioco in Unity che avete abbandonato perché “non era abbastanza figo”?

Per noi che passiamo le notti a smanettare con Arduino e Raspberry Pi, la cosa ha un che di ironico. Abbiamo sempre pensato che il nostro lavoro fosse troppo “artigianale” per attirare l’attenzione dei grandi player. E invece eccoci qui: Mercor è disposto a mettere sul piatto un bel po’ di soldi per mettere le mani sui nostri progetti.

Ma attenzione, non è tutto oro quello che luccica. Comprare vecchi codici significa anche acquisire un bel po’ di bug, di soluzioni improvvisate e di commenti sarcastici tipo “fix this later” che non sono mai stati fixati. E poi c’è il problema del vendor lock-in: una volta che i vostri progetti finiscono nelle mani di Mercor, chi vi dice che li useranno per il bene dell’umanità?

Per noi maker e hacker, la questione è ancora più spinosa. Molti dei progetti che abbiamo sviluppato erano open-source, frutto di ore di lavoro gratuito e passione. Ora qualcuno vuole monetizzarli. È giusto? È ingiusto? Dipende. Se il prezzo è giusto, perché no? Ma attenzione a non vendere l’anima al diavolo. Perché il giorno in cui Mercor deciderà di chiudere i conti, il vostro codice potrebbe finire in un angolo polveroso, dimenticato da tutti.

In conclusione, la notizia è un promemoria: quello che create oggi potrebbe valere oro domani. Quindi, la prossima volta che scrivete un po’ di codice, chiedetevi: “Sto costruendo qualcosa di utile o sto solo alimentando il mostro dell’AI?”

Source: AI Training Data Giant Mercor Is Reportedly Looking to Buy the Work You Did at Your Old Job

Meta ha fatto un altro passo avanti nella sua missione di raccogliere ogni singolo byte della tua vita quotidiana. Questa volta, però, si sono superati: le loro smart glasses ora possono tracciare tutto il cibo che ti metti in bocca. Sì, avete capito bene. Non solo sanno dove vai, chi frequenti e cosa guardi, ma ora vogliono anche monitorare la tua dieta.

Per chi non ha ancora deciso di buttare nel dimenticatoio queste occhiali high-tech, ecco la novità: grazie a una combinazione di AI, sensori e chissà cos’altro, le Meta Smart Glasses possono ora analizzare in tempo reale quello che stai mangiando. E non solo: possono anche darti feedback sulla qualità del cibo, sulle calorie e persino su quanto è “salutare” la tua scelta. Insomma, un personal trainer digitale che non ti molla un attimo, neanche a tavola.

Da smanettone, non posso fare a meno di chiedermi: ma chi ha chiesto questa funzione? Davvero la gente vuole che Meta sappia ogni singolo boccone che mangia? E soprattutto, cosa faranno con questi dati? Se già ora le pubblicità sono sempre più personalizzate e invasive, immaginatevi quando sapranno anche che siete golosi di cioccolato o che non riuscite a resistere a una buona pizza.

Per noi maker e hacker, questa notizia ha un significato pratico: se da un lato è sempre interessante vedere nuove applicazioni di AI e sensori, dall’altro è un monito su quanto sia importante la privacy. Se avete un po’ di tempo libero, potreste divertirvi a reverse-engineering queste smart glasses per capire come funzionano i loro algoritmi di riconoscimento del cibo. Magari scoprite che riconoscono meglio un hamburger che una mela, e questo è già un buon motivo per ridere.

Ma scherzi a parte, la vera domanda è: ne vale la pena? Per noi che amiamo costruire, smontare e capire come funzionano le cose, la risposta è probabilmente no. Preferiamo di gran lunga usare i nostri Raspberry Pi e Arduino per progetti più utili, come automazioni domestiche o robotica open-source. E se proprio volete tracciare il vostro cibo, fatelo con un foglio di calcolo fatto in casa, senza dover regalare i vostri dati a un’azienda che non vede l’ora di venderli al miglior offerente.

In conclusione, mentre Meta continua a spingere per raccogliere più dati possibili, noi possiamo fare la nostra parte: essere consapevoli, proteggere la nostra privacy e, soprattutto, continuare a smanettare con le tecnologie che ci piacciono davvero.

Source: Meta Smart Glasses Can Now Track All the Food You Put Into Your Mouth

Vi presento il futuro del project management: un team di agenti di codice pronti a prendere il controllo del vostro flusso di lavoro. Cursor ha appena lanciato un nuovo tool che promette di rivoluzionare il modo in cui gestiamo i progetti, ma francamente mi viene da ridere immaginarmi un algoritmo che fa meeting con se stesso.

Per chi non lo sapesse, Cursor è quel terminale AI che sta cercando di sostituire VS Code con una versione più ‘intelligente’ (e, diciamocelo, più invasiva). Questa volta hanno deciso di puntare sul delegation, permettendo agli utenti di assegnare compiti a squadre di agenti virtuali. In teoria, potreste dire addio alle scadenze stressanti e alle nottate passate a debuggare: i vostri nuovi colleghi sono bot che lavorano 24/7 senza chiedere aumenti.

Da smanettone, non posso fare a meno di chiedermi: ma chi ha davvero bisogno di questo? Se siete come me, il problema non è mai stato la mancanza di braccia, ma la mancanza di cervello. O meglio, di buon senso. Delegare il codice a degli agenti potrebbe essere utile per compiti ripetitivi, ma se pensiamo a quanto è fragile l’AI in questo periodo, mi verrebbe da affidare a questi bot solo compiti tipo ‘apri 1000 file e chiudili’.

Il vero problema, però, è il vendor lock-in. Cursor sta costruendo un ecosistema chiuso dove più usi le loro funzionalità, più diventi dipendente. E se domani decidi di tornare a un editor tradizionale? Addio alla tua workflow ottimizzata. Per noi maker e hacker, la flessibilità è tutto: preferisco un terminale nudo e crudo che posso personalizzare a mio piacimento piuttosto che un sistema che mi dice cosa posso e non posso fare.

C’è anche la questione della privacy. Se questi agenti devono imparare dal vostro codice per migliorare, cosa succede ai vostri progetti più sensibili? Cursor promette di non spiare, ma sappiamo tutti come funziona il mondo del software: oggi è gratis, domani è un abbonamento, dopodomani è un servizio a pagamento con dati incluso.

Detto questo, non posso negare che l’idea sia intrigante. Immagino un futuro dove i bot si occupano delle parti noiose del coding, lasciandoci il tempo per le cose divertenti: ottimizzare algoritmi, hackerare hardware, o semplicemente giocare con Arduino. Ma prima che ci affidi completamente agli agenti di codice, facciamo un passo indietro e chiediamoci: ne abbiamo davvero bisogno?

Forse la risposta è no. Ma se siete curiosi di provare, almeno fate un backup del vostro codice prima di affidarlo a degli algoritmi con un senso del management dubbio.

Source: Cursor’s New Tool Lets Users Delegate to a Team of Coding Agents

Immagina di aprire il cofano di un’AI terminale e trovarci dentro un motore V12 fatto di Python, TypeScript e un pizzico di follia. Bene, Claude Code è proprio questo: un progetto che ha deciso di mostrare le sue viscere in modo così dettagliato che sembra quasi una provocazione per gli ingegneri software.

Claude Code Unpacked è una guida visiva che svela il dietro le quinte di questo tool, da quello che succede quando premi invio fino alle feature segrete che aspettano di essere sbloccate. Parliamo di 50+ strumenti, un loop di agenti che sembra uscito da un film di spionaggio e funzionalità sperimentali che fanno venire l’acquolina in bocca a chi ama smanettare.

Per noi che passiamo le notti a far parlare Arduino tra di loro o a far girare script Python su Raspberry Pi, questa è una miniera d’oro. Finalmente possiamo sbirciare come viene gestito un sistema complesso di orchestrazione di agenti, con un’architettura modulare che ci ricorda i nostri progetti open-source preferiti. La cosa più bella? Hanno deciso di mostrare tutto, dalle componenti UI agli hook nascosti, passando per i tools di file management che, ammettiamolo, sono sempre utili.

Ma non è tutto rose e fiori. Alcune feature sono ancora feature-flagged o bloccate dietro permessi che sembrano usati più per testare la pazienza degli utenti che per ragioni di sicurezza. E poi c’è il problema del vendor lock-in: se un giorno decidessero di cambiare strategia, ci troveremmo con un bel po’ di script da riscrivere. Ma per ora, possiamo solo goderci lo spettacolo.

Se sei uno di quelli che ama giocare con gli strumenti sperimentali, ti faranno impazzire le feature come Buddy (un pet virtuale nel tuo terminale) o UltraPlan (sessioni di pianificazione lunghe 30 minuti). E se hai sempre sognato di controllare tutto dal tuo smartphone, la modalità Bridge è proprio quello che ti serve.

In sintesi, Claude Code è un progetto che merita attenzione, soprattutto per chi ama mettere le mani nel codice e capire come funzionano le cose. Certo, qualche critica c’è, ma quando vedi un sistema così ben strutturato, è difficile non rimanere affascinati. Quindi, pronti a smanettare? Il cofano è aperto, non resta che dare un’occhiata.

P.S. Se troverai qualche bug o feature nascosta, fammelo sapere. Magari insieme riusciamo a farne qualcosa di ancora più figo!

Source: Claude Code Unpacked : A visual guide