Il codice non mente mai, ma le carriere sì, e quella di Andrej Karpathy sta prendendo una piega decisamente interessante. Se stavate aspettando un segnale per capire dove si sposterà il vero peso gravitazionale dell’intelligenza artificiale, eccolo qui: Karpathy ha ufficialmente abbandonato il campo di OpenAI per unirsi alla squadra di Anthropic.

Per chi non seguisse i feed di Hacker News (o vive in una grotta senza Wi-Fi), Karpathy non è un nome qualunque. È uno di quei pesi massimi che hanno plasmato quello che oggi chiamiamo deep learning. Il suo passaggio da OpenAI ad Anthropic non è solo un semplice ‘cambio di ufficio’, ma un segnale fortissimo. Mentre OpenAI sembra sempre più orientata verso un modello di business che farebbe venire il mal di testa a chiunque ami l’open source o la trasparenza, Anthropic si posiziona come l’alternativa più ‘safe’ e controllata, ma con una fame tecnologica che non ha nulla da invidiare.

Ma cosa cambia per noi, che passiamo le serate a far girare modelli locali su hardware che fatica anche solo a far girare un browser moderno? Per noi che amiamo smanettare con i pesi di un modello, testare ogni nuova architettura e cercare di capire come far far funzionare un LLM su una vecchia GPU rimasta in un vecchio PC da gaming, la notizia è eccitante. Se Karpathy porta con sé quel mindset da ricercatore puro, potremmo vedere un’accelerazione incredibile nella capacità di rendere questi modelli non solo più intelligenti, ma più accessibili e interpretabili.

Certo, non tutto è rose e fiori. Vediamo il rischio di un altro grande polo di potere che si stringe attorno a infrastrutture proprietarie. Il rischio ‘vendor lock-in’ è sempre dietro l’angolo e, se Anthropic dovesse diventare il nuovo muro invalicabile, saremmo di nuovo a combattere contro API chiuse e costi di inferenza che fanno piangere il portafoglio. La vera sfida sarà vedere se questa nuova alleanza porterà innovazioni che possiamo effettivamente ‘smontare’ e comprendere, o se rimarrà solo un altro segreto industriale ben custodito.

In breve: preparate i server, perché le cose si stanno scaldando. Se Karpathy ha deciso che Anthropic è il posto dove costruire il futuro, allora è il momento di prestare attenzione a quello che Claude e i suoi successori combinano. Restiamo sintonizzati, ma con la solita sana diffidenza verso chi cerca di recintare troppo il progresso.

Source: I’ve joined Anthropic

Perché dobbiamo per forza far scaldare l’atmosfera ogni volta che vogliamo che un assistente virtuale chiami una funzione API? Siamo abituati all’hype dei modelli giganti, quelli che sembrano aver ingoiato l’intera Wikipedia, ma la verità è che per compiti specifici come il ‘tool calling’ (ovvero far capire all’AI quando deve usare un tool esterno), tutta quella massa muscolare è solo spreco di silicio e watt.

Qui entra in gioco Needle, l’ultimo esperimento di cactus-compute che ha fatto saltare sulla sedia tutti quelli che amano ottimizzare ogni singolo ciclo di clock. Il concetto è geniale nella sua semplicità: hanno preso la potenza di Gemini 3.1 e l’hanno distillata in un modello da soli 26 milioni di parametri. Sì, avete letto bene. 26 milioni. Per mettere le cose in prospettiva, i modelli che usiamo di solito sono ordini di grandezza più grandi.

Il progetto si basa su una ‘Simple Attention Network’ che è un piccolo gioiello di ingegneria. Non è il solito mostro computazionale che ti blocca il PC mentre provi a renderizzare una scena su Blender; questo qui è progettato per girare su dispositivi consumer, come uno smartphone, un orologio o persino degli occhari intelligenti. E la cosa più figa? Puoi fare il fine-tuning localmente sul tuo Mac o sul tuo PC senza dover chiedere il permesso a qualche big tech o affittare un cluster di GPU che ti prosciuga il conto in banca.

Da smanettone, trovo questa direzione assolutamente fondamentale. Noi che amiamo smontare hardware e far girare software custom su microcontrollori o vecchi hardware retrocomputing, non abbiamo bisogno di modelli che occupano 80GB di VRAM. Abbiamo bisogno di qualcosa che possa essere integrato in un progetto di automazione domestica, in una macchina CNC custom o in un gadget DIY senza far esplodere i fusibili. Needle punta proprio a questo: l’AI ‘on-device’ che è piccola, veloce e specializzata.

Certo, non aspettatevi che Needle scriva una tesi in filosofia o che analizzi il codice di un intero kernel Linux. Il suo scopo è il ‘single-shot function call’. Se gli dai una query e gli dici quali strumenti ha a disposizione, lui capisce istantaneamente quale tool attivare. È un chirurgo, non un enciclopedista.

Il vero vantaggio per noi maker è la playground integrata: puoi testare e addestrare il modello sui tuoi tool specifici con un click. È quel tipo di approccio ‘hands-on’ che rende la tecnologia davvero utile e non solo un gadget da showcase pubblicitario. Se volete sporcarvi le mani, il repository è su GitHub, i pesi sono aperti e la licenza è MIT. Niente fuffa, solo codice e pura ottimizzazione. Andate a testarlo, prima che qualcuno decida di metterci un abbonamento mensile e un muro di paywall.

Source: Show HN: Needle: We Distilled Gemini Tool Calling into a 26M Model

Mentre noi siamo qui a lottare con il firmware di un vecchio CNC che decide di ignorare i comandi o a cercare di far renderizzare un modello di Blender senza far esplodere la GPU, i laboratori di ricerca decidono di rilasciare un altro mostro di pura potenza computazionale.

Il nuovo Qwen 3.6-Max-Preview è ufficialmente fuori. Per chi non fosse aggiornato (o fosse troppo impegnato a saldare un modulo ESP32), non è solo l’ennesima iterazione di un modello linguistico, ma un tentativo serio di alzare l’asticella della precisione e della capacità di ragionamento. Il comunicato ufficiale parla di ‘più intelligente e più nitido’, che tradotto dal marketing-ese significa che i parametri sono stati ottimizzati per ridurre le allucinazioni e migliorare il coding.

Cosa significa concretamente per noi che passiamo le ore a debuggare script in Python o a scrivere logiche complesse per automazioni domestiche? Se la promessa è vera, potremmo avere un assistente che non si limita a sparare codice a caso, ma che capisce davvero la struttura del problema. Immaginate di poter incollare un log di errore indecifrabile di un vecchio sistema arcade e ricevere una spiegazione che non sembri uscita da un generatore di sogni febbricitanti.

Però, restiamo con i piedi per terra. Sappiamo bene come funziona la danza dell’hype tecnologico. Ogni volta che esce un ‘Preview’ o una versione ‘Max’, c’è una tendenza fortissima a gonfiare i benchmark con test fatti su misura, quasi come se i produttori di CPU usassero solo software ottimizzati per i loro core. È la solita fuffa che ci fa venire voglia di tornare al bello e pulito del retrocomputing, dove se un registro non cambia, sai esattamente perché.

C’è però un lato che mi eccita davvero: la capacità di questi modelli di gestire compiti multimodali e logici più complessi. Se questo modello riesce davvero a integrare meglio la comprensione del codice con la capacità di analisi strutturata, le possibilità di usarlo per generare script per Godot o per aiutarci a progettare circuiti stampati diventano enormi. Non stiamo parlando solo di scrivere mail, ma di avere un compagno di laboratorio che non si stanca mai.

In conclusione: niente di magico, ma un aggiornamento che merita un test approfondito. Manderò Qwen 3.6 a faticare su qualche script di automazione per i miei vecchi plotter e vedremo se regge la pressione o se, alla prima difficoltà, torna a comportarsi come un chatbot di serie B. Nel frattempo, tenete pronti i vostri server (o i vostri notebook, se avete abbastanza RAM da non far decollare le ventole).

Source: Qwen3.6-Max-Preview: Smarter, Sharper, Still Evolving

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

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

Lo so, lo so, un altro articolo su un nuovo modello di intelligenza artificiale. Ma fidati, questa volta c’è qualcosa di diverso. Immagina di avere un Raspberry Pi con più cervello di un supercomputer degli anni ’90, capace di parlare 201 lingue, fare ragionamenti complessi e persino aiutarti a debuggare il tuo ultimo progetto Arduino. Ecco cosa promette Qwen 3.5 di Alibaba.

La nuova famiglia di modelli include varianti da 0.8B a 397B parametri, con supporto per 256K di contesto e capacità multimodali. Il bello? Alcuni di questi mostri possono girare su un Mac con 22GB di RAM, il che significa che finalmente anche i maker più casalinghi possono smanettarci senza dover vendere un rene.

Ma perché dovrebbe interessarti? Beh, innanzitutto perché Qwen 3.5 è progettato per essere un vero jolly. Che tu stia cercando di migliorare il tuo bot per Discord, di creare un agente per automazione domestica, o di fare reverse engineering di un vecchio videogioco, questo modello promette di essere uno strumento potente. E poi, ammettiamolo, dopo anni di modelli che ti facevano rimpiangere i tempi in cui un computer occupava un’intera stanza, è bello vedere qualcosa che si comporta come un vero compagno di hacking.

Certo, non è tutto rose e fiori. La versione più grande (397B parametri) richiede hardware che probabilmente solo Elon Musk può permettersi. E poi, come sempre, c’è la questione del vendor lock-in e della privacy. Ma per chi vuole sperimentare, la serie Small (da 0.8B a 9B parametri) è un ottimo punto di partenza.

Quindi, se sei stanco dei modelli che ti fanno sentire come se stessi cercando di far funzionare un floppy disk su un SSD, dai un’occhiata a Qwen 3.5. Potrebbe essere il tuo nuovo miglior amico per i prossimi progetti folli.

Source: How to run Qwen 3.5 locally

Immagina di poter creare un modello di intelligenza artificiale capace di generare nomi, poesie o persino conversazioni, con solo 200 righe di codice Python. Niente TensorFlow, niente PyTorch, solo un algoritmo semplice che fa quello che dovrebbe fare: imparare dai dati. Questo è MicroGPT, il progetto che sta dimostrando che la vera rivoluzione dell’IA non sta nella complessità, ma nella comprensione di come funziona veramente.

MicroGPT è un modello minimalista che, nonostante le sue dimensioni ridotte, cattura l’essenza di come funzionano i grandi modelli linguistici. Sfruttando il principio base del “predict next token”, riesce a generare output coerenti semplicemente imparando dalle statistiche dei dati di addestramento. È come un mago che, invece di usare trucchi complicati, rivela i suoi segreti e li rende accessibili a tutti.

Da smanettone, non posso che apprezzare l’approccio “keep it simple, stupid” di MicroGPT. In un’epoca in cui l’IA è spesso avvolta da un alone di mistero e complessità ingiustificata, questo progetto ricorda che, alla fine, tutto si riduce a matematica, probabilità e un po’ di creatività. E la cosa più bella? Puoi provarlo tu stesso, modificare il codice e vedere cosa succede.

Ma non è tutto rose e fiori. MicroGPT ha i suoi limiti: è lento, lavora su un solo scalar per volta e non è ottimizzato per l’uso in produzione. Tuttavia, questo non lo rende meno interessante. Anzi, è proprio la sua semplicità che lo rende un ottimo strumento per imparare e sperimentare.

Per noi appassionati di tecnologia, MicroGPT rappresenta un’opportunità unica. Non solo ci permette di capire meglio come funzionano i modelli linguistici, ma ci dà anche la possibilità di mettere le mani in pasta e creare qualcosa di nostro. E se domani vorrai passare dai nomi ai romanzi, basta cambiare il dataset di addestramento.

In un mondo dove l’IA è spesso presentata come qualcosa di inaccessibile e riservato a pochi eletti, MicroGPT è un faro di speranza. Dimostra che, con un po’ di curiosità e qualche riga di codice, anche tu puoi diventare un “creatore di intelligenza artificiale”. E la prossima volta che qualcuno ti dirà che l’IA è troppo complessa, mostragli MicroGPT. Perché, alla fine, la vera intelligenza sta nella semplicità.

Source: Microgpt

Avete mai sognato di svegliarvi una mattina e scoprire che l’AI ha risolto un problema che ha tenuto occupati i fisici per decenni? Bene, ora è successo. GPT-5.2, l’ultimo modello di OpenAI, ha appena pubblicato un risultato che potrebbe cambiare la nostra comprensione della fisica quantistica.

Sì, avete letto bene. Non stiamo parlando di un altro chatbot che sa fare le ricette o scrivere poesie, ma di un modello che ha derivato una nuova soluzione per un problema di meccanica quantistica. La notizia è esplosa come una supernova su Hacker News, e noi non potevamo certo restare a guardare.

Il risultato specifico è troppo complesso per spiegarlo in un post di blog (e probabilmente anche per me), ma in sostanza GPT-5.2 ha trovato una soluzione numerica a un problema che i fisici teorici affrontano da anni. E non stiamo parlando di una soluzione approssimativa: secondo OpenAI, il modello ha raggiunto un’accuratezza senza precedenti.

Ora, prima che qualcuno inizi a gridare “Rivoluzione!” o “Fine della scienza come la conosciamo!”, facciamo un passo indietro. Questo è sicuramente un risultato impressionante, ma è importante contestualizzarlo. L’AI non ha inventato nulla dal nulla: ha analizzato dati esistenti, ha identificato pattern e ha trovato una soluzione che potrebbe essere utile per i ricercatori.

Per noi smanettoni, questo significa che i modelli linguistici stanno diventando sempre più potenti, ma anche che dobbiamo essere consapevoli dei limiti. Un modello come GPT-5.2 non sostituisce la ricerca umana, ma la supporta. E questo è un bene, perché significa che possiamo usare questi strumenti per fare cose ancora più fighe.

Ad esempio, immaginate di usare un modello simile per simulare esperimenti di fisica o per ottimizzare circuiti elettronici. Oppure per sviluppare algoritmi di machine learning più efficienti. Le possibilità sono infinite, ma dobbiamo ricordare che l’AI è solo uno strumento. E come tutti gli strumenti, va usato con intelligenza.

Detto questo, c’è una domanda che mi ronza in testa: ma quanto costa usare GPT-5.2 per questi scopi? OpenAI non è mai stata la più trasparente in fatto di prezzi, e temo che questo tipo di strumenti possa diventare presto un altro esempio di vendor lock-in. Se vogliamo che la ricerca avanzata rimanga accessibile a tutti, dobbiamo sperare che ci siano alternative open-source che possano competere.

In conclusione, sì, questo è un risultato impressionante. Ma non lasciamoci accecare dall’hype. L’AI è uno strumento potente, ma la vera rivoluzione verrà da chi saprà usarlo con creatività e senza paura di metterci le mani dentro. E noi siamo proprio le persone giuste per farlo.

Quindi, mentre il mondo discute se GPT-5.2 ha risolto il problema del gatto di Schrödinger, noi ci mettiamo al lavoro per costruire qualcosa di ancora più figo.

Source: GPT-5.2 derives a new result in theoretical physics

Se pensavi che l’AI fosse solo un modo per scrivere codice sporco più velocemente, preparati a ricrederti.

Un mio amico ha partecipato a un forum aperto su come le organizzazioni di ingegneria possano supportare meglio i loro ingegneri. I temi emersi? Nulla di nuovo sotto il sole: supporto tecnico, risorse adeguate, autonomia decisionale. Ma c’è un dettaglio che ha acceso la mia curiosità: l’AI sta rendendo le cose facili ancora più facili, ma quelle difficili… beh, ancora più difficili.

Da smanettone che passa le notti a combattere con Arduino e Raspberry Pi, posso confermare che l’AI sta davvero rivoluzionando il gioco. Da un lato, automatizza compiti ripetitivi e noiosi, liberando tempo per quello che conta davvero: creare, sperimentare e rompere cose (in senso buono, ovviamente). D’altra parte, però, sta introducendo nuove complessità. Configurare modelli, ottimizzare pipeline, gestire dati sporchi… è come passare da un semplice circuito a stampo a una scheda madre full custom.

Ma cosa significa tutto questo per noi, che amiamo mettere le mani in pasta? Beh, per cominciare, dobbiamo adattarci. L’AI non è un magico ‘fix-all’, ma uno strumento potente che richiede competenze specifiche. Se prima bastava saper programmare in Python, ora dobbiamo capire anche di machine learning, architetture neurali e tanto altro. E sì, questo significa più tempo a studiare e meno a giocare con i vecchi videogame arcade (ma ne vale la pena, promesso).

E poi c’è il problema del vendor lock-in. Molti strumenti AI sono proprietari e chiusi, il che significa che se vuoi davvero padroneggiare la tecnologia, devi imparare a usare i loro framework specifici. Un incubo per chi, come me, preferisce soluzioni open-source e personalizzabili. Ma non tutto è perduto: community come Hugging Face stanno lavorando per democratizzare l’AI, e questo è un passo nella giusta direzione.

Infine, un appunto sulla privacy. L’AI si nutre di dati, e molti di questi dati sono nostri. Dobbiamo essere consapevoli di cosa stiamo condividendo e con chi, perché alla fine della giornata, la tecnologia dovrebbe servire noi, non il contrario.

In conclusione, l’AI è una rivoluzione, ma come tutte le rivoluzioni, ha i suoi pro e contro. Sta a noi, smanettoni, maker e nerd, cavalcare l’onda e farla nostra. Perché alla fine, la tecnologia è uno strumento, e noi siamo quelli che lo usano per creare cose fantastiche.

Source: AI makes the easy part easier and the hard part harder

Immagina un robot che discute di filosofia con Kant, ma non sa cosa sia un TikTok. È questa l’idea dietro Time Capsule LLM, un progetto che addestra modelli di linguaggio artificiali usando solo dati storici, dal 1800 al 1875. L’obiettivo? Creare AI che ragionano senza i pregiudizi della società moderna.

Il team, guidato da Hayk Grigorian, ha sviluppato diverse versioni del modello, partendo da 187MB di documenti fino a raggiungere 15GB di testi di Londra. Non è un esercizio accademico: se un algoritmo è addestrato solo con i libri di Dickens, i giornali dell’epoca e le leggi vittoriane, potrebbe davvero offrire una prospettiva unica su problemi contemporanei?

Da smanettone, trovo l’approccio affascinante ma anche un po’ rischioso. Da un lato, limitare i dati a un arco temporale specifico potrebbe isolare l’AI da concetti moderni essenziali (per esempio, non capirebbe il clima globale). Dall’altro, è un esperimento geniale per testare quanto il bias sia radicato nei dataset attuali. Il modello più grande, v1, ha 700 milioni di parametri e gira su GPU A100, il che lo rende accessibile solo a chi può permettersi hardware costoso. Un limite che spero si superi in futuro.

Cosa significa per noi maker? Primo, che l’AI non è solo un black box di Big Tech: progetti open-source come questo dimostrano che si possono esplorare alternative creative. Secondo, che i dataset sono tutto: se vuoi un modello che ragioni in modo diverso, devi nutrirlo con dati diversi. Infine, è un promemoria che la storia non è solo nozione da libro: è un laboratorio di idee ancora attuali.

Critiche? Qualcuna. Per esempio, l’idea di “neutralità storica” è un po’ ingenua: anche i testi del 1800 avevano i loro pregiudizi. Ma l’entusiasmo del team è contagioso, e chissà, magari tra qualche anno parleremo con un’AI che cita Oscar Wilde per spiegare l’amore moderno.

Source: TimeCapsuleLLM: LLM trained only on data from 1800-1875