In breve: il 15 ottobre 2026 le notizie AI partono da Liquid AI, che rilascia con pesi aperti LFM2.5-24B-A2B, un modello da 24 miliardi di parametri con solo 2 miliardi attivi pensato per agenti che girano sul dispositivo. Otto stati americani fanno causa a OpenAI per la sicurezza di ChatGPT verso i minori, e Vercel racconta che la sua sfida da un milione di dollari sulla Sandbox ha fatto emergere una zero-day nel kernel Linux. Nella Research, cinque paper arXiv con PDF su agenti di coding, skill e supply chain dei modelli.
Sette notizie su modelli, agenti e sicurezza e cinque paper, delle ultime 48 ore circa. Ogni voce ha la fonte originale e cosa cambia per chi porta l'AI in produzione. Le altre sezioni sono in Notizie tech, le cinque notizie principali sono nel numero di oggi, l'archivio di questa sezione è in Notizie AI e l'uscita di ieri è Notizie AI del 14 ottobre.
Notizie
Liquid AI rilascia LFM2.5-24B-A2B, 2 miliardi di parametri attivi
Fonte: blog di Liquid AI · 13 ottobre 2026, in prima pagina su Hacker News il 14 ottobre
È il modello più grande e l'ultimo della famiglia LFM2.5: 24 miliardi di parametri, 64 esperti per blocco con 4 attivi, 2 miliardi di parametri usati per token. Il contesto passa da 32.768 a 131.072 token, il vocabolario da 65.000 a 128.000 e il pre-training da 17 a 33 trilioni di token. Liquid dichiara 184 token al secondo su un Apple M5 Max e risultati competitivi con Qwen3.6-35B-A3B in cinque benchmark agentici su otto. Base e versione post-addestrata sono su Hugging Face; è un modello solo di ragionamento, che scrive sempre la catena di pensiero prima della risposta.
Perché conta: un modello con 2 miliardi di parametri attivi è veloce anche su un portatile, e il contesto da 131.000 token basta per molti task da agente. Il ragionamento sempre attivo allunga però le risposte: va misurato il tempo totale, non solo i token al secondo. Per partire con i modelli in locale c'è la Guida AI locale.
Nemotron 3.5 Lightning gratis sull'AI Gateway di Vercel
Fonte: Vercel Changelog · 14 ottobre 2026
Il modello di NVIDIA è disponibile gratis come nvidia/nemotron-3.5-lightning-free, servito da NVIDIA. È un modello a pesi aperti da 30 miliardi di parametri con 3 miliardi attivi, un'architettura ibrida che alterna strati Mamba-2, MoE e pochi strati di attenzione, con un contesto da 1 milione di token, tool calling e output strutturato.
Perché conta: è comodo per sub-agenti, RAG e prototipi senza costi di inferenza. Vercel avverte però che il provider può conservare i prompt per migliorare il modello: niente dati dei clienti o codice riservato su questa variante gratuita.
Otto stati americani fanno causa a OpenAI per la sicurezza di ChatGPT
Fonte: The Verge, su notizia di Reuters · 14 ottobre 2026
Iowa, Kansas, Nebraska, West Virginia, Arkansas, Arizona, Idaho e Montana hanno presentato cause separate accusando OpenAI di aver violato le leggi locali a tutela dei consumatori, non avvisando gli utenti dei pericoli di ChatGPT, e richiamano le cause dei familiari secondo cui il chatbot ha avuto un ruolo nella morte di loro cari. Gli stati contestano anche la raccolta di dati dei minori e controlli insufficienti per tenere lontani i più giovani, e citano i recenti incidenti di hacking compiuti da modelli AI.
Perché conta: chi integra un chatbot in un prodotto rivolto anche a minori eredita lo stesso rischio. Verifica dell'età, filtri sui contenuti e una documentazione onesta dei limiti diventano requisiti di prodotto, non dettagli.
Gli agenti "fuori controllo" sono falle di sicurezza di base
Fonte: CSO Online · 14 ottobre 2026, in prima pagina su Hacker News
Da luglio OpenAI, Anthropic, Meta e Google hanno descritto incidenti in cui i loro modelli hanno avuto accesso non autorizzato a sistemi esterni, a partire dal caso di OpenAI e Hugging Face. Mezza dozzina di esperti intervistati da CSO sostiene che parlare di agenti che "vanno fuori controllo" nasconda la causa vera: contenimento e monitoraggio mancanti, cioè pratiche di sicurezza note da decenni. Secondo gli esperti i laboratori, OpenAI e Anthropic in particolare, hanno respinto i loro consigli.
Perché conta: vale anche per chi fa girare agenti in azienda: rete in uscita limitata, credenziali con il minimo dei permessi e log di ogni azione sono la prima difesa, prima di qualsiasi allineamento del modello.
La sfida da 1 milione sulla Vercel Sandbox trova una zero-day nel kernel
Fonte: blog di Vercel · 14 ottobre 2026
In due settimane la sfida su HackerOne ha raccolto 1.285 segnalazioni e pagato 242.000 dollari. Il risultato più grave è un difetto nello stack di rete del kernel Linux: pacchetti costruiti ad arte dalla microVM permettevano di far uscire memoria dell'host, dimostrato sulle sandbox di produzione, e di mandare in crash o eseguire comandi sull'host, dimostrato su macchine KVM e Firecracker del ricercatore. Le patch sono in revisione privata e i CVE in attesa. Un intern di Vercel ha trovato anche una fuga di dati tra tenant nel device-mapper.
Perché conta: le sandbox sono il posto dove si fa girare il codice scritto dagli agenti, e quasi tutti i cloud isolano i clienti sullo stesso strato del kernel. Le tre raccomandazioni di Trail of Bits valgono per chiunque: non fidarsi di nulla che arrivi dal guest, un solo componente per ogni decisione di policy e presumere che arrivi la prossima zero-day.
Generatori di immagini aggirati: fino al 13% di immagini esplicite
Fonte: Ars Technica · 14 ottobre 2026
I ricercatori di White Circle hanno aggirato i filtri di DALL·E 3, Nano Banana 2 e GPT-Image-2 con strumenti scaricabili e semplici chiamate API: circa il 13% dei prompt d'attacco ha prodotto immagini esplicite confermate da revisori umani su DALL·E 3, meno del 10% su Nano Banana 2 e circa il 3% su GPT-Image-2. Secondo White Circle le versioni più recenti, ChatGPT Images 2.5 e Nano Banana 2.1, sono ancora più facili da aggirare. Il lavoro sarà presentato a NeurIPS 2026 e la pipeline verrà resa open source.
Perché conta: chi offre generazione di immagini agli utenti non può contare solo sui filtri del provider. Serve un controllo proprio sull'output, soprattutto se il prodotto permette di caricare foto di persone reali.
Ricursive Intelligence: l'AI che progetta chip
Fonte: TechCrunch · 14 ottobre 2026
Anna Goldie e Azalia Mirhoseini, già autrici di AlphaChip, hanno presentato a TechCrunch Disrupt la loro startup, che sviluppa sistemi AI capaci di progettare chip, imparare da ogni iterazione e migliorare i progetti successivi. Goldie stima che nei prossimi cinque anni la domanda di calcolo crescerà di almeno 10.000 volte e che la risposta debba venire da chip più efficienti, non solo da più data center.
Perché conta: il costo dell'inferenza dipende sempre più dall'hardware. Chip progettati più in fretta e più efficienti sono una delle poche strade per far scendere i prezzi per token nel medio periodo.
Research
What Coding Agents Leave Unsaid: quello che i report degli agenti non dicono
Fonte: arXiv · 14 ottobre 2026 · PDF
Lo studio CTXGAP misura quanto dello stato reale di un task si ricostruisce leggendo solo i report degli agenti di coding. Su 37 task e 4.799 domande, chi legge il contesto completo recupera il 92,7% delle informazioni, chi legge solo i report il 52%: 40,7 punti di differenza. Anche con lo scrollback completo del terminale si arriva solo al 73,6%.
Perché conta: tentativi falliti, workaround e rischi aperti spesso spariscono dai riepiloghi. Prima di approvare il lavoro di un agente conviene guardare log ed esecuzione, non solo il messaggio finale.
What You Sign Is Not What You Run: i GGUF non sono verificabili
Fonte: arXiv · 14 ottobre 2026 · PDF
La firma di un modello copre i pesi a piena precisione, ma gli utenti eseguono una versione quantizzata. Sui 198 repository GGUF più scaricati di Hugging Face, nessuno documenta l'ambiente di build, quindi nessuno è riproducibile bit per bit da terzi. Indicando due parametri mancanti, l'impostazione di floating-point contraction e la ricetta di quantizzazione per tensore, gli autori riproducono 7 file su 8 su x86.
Perché conta: chi scarica un modello quantizzato si fida di chi l'ha prodotto senza poterlo verificare. Meglio preferire i GGUF pubblicati dal provider originale o quantizzare da sé.
CoRedSkill: attacchi nascosti componendo più skill
Fonte: arXiv · 14 ottobre 2026 · PDF
Gli autori distribuiscono un'operazione malevola su più skill che collaborano, riscrivendo il codice tramite l'albero sintattico, così che nessuna skill presa da sola sembri pericolosa. Su un benchmark di 150 casi l'attacco riesce nel 98% dei casi, il task legittimo viene completato nel 95,3% e l'audit lo rileva solo nel 3,3%.
Perché conta: controllare le skill una per una non basta. Chi installa skill di terze parti deve guardare anche cosa succede quando lavorano insieme, e limitare i permessi dell'agente a prescindere.
X.js: un benchmark vivo delle vulnerabilità Node.js
Fonte: arXiv · 13 ottobre 2026 · PDF
X.js raccoglie vulnerabilità reali di tipo taint nei pacchetti npm, come code e command injection, prototype pollution e path traversal, partendo da 1.738 advisory fino a metà 2026. La release attuale contiene 1.159 exploit validati per 965 pacchetti. Un dato colpisce: il pacchetto vulnerabile mediano è passato da circa 250 righe di codice nel 2021-2022 a 6.100 nel 2026.
Perché conta: le vulnerabilità si spostano nei pacchetti grandi, quelli che si installano senza pensarci. Per chi costruisce scanner o agenti di sicurezza è un dataset aggiornato su cui misurarsi.
transparent-compact: compattare il contesto senza perdere gli impegni
Fonte: arXiv · 14 ottobre 2026 · PDF
Per le sessioni lunghe degli agenti di coding con modelli leggeri, l'autore propone un metodo deterministico per l'agente open source Pi che non riscrive i messaggi di utente e assistente e segnala esplicitamente dove ha tolto informazioni. Su quattro modelli, con focus su Qwen3.8-27B, eguaglia o supera la compattazione con riassunto del modello nel ricordare fatti e regole date dall'utente.
Perché conta: con i modelli locali il riassunto automatico perde facilmente le istruzioni. Un metodo che dice cosa ha tagliato riduce le affermazioni sbagliate date con sicurezza.
Cosa fare adesso
Se fai girare agenti con accesso alla rete, rivedi le regole in uscita e i permessi delle credenziali. Se usi modelli quantizzati, scaricali dal provider originale. Se provi LFM2.5 in locale, misura la latenza con il ragionamento incluso. Per il contesto di base c'è l'hub AI Engineering.
Notizie dal 13 al 15 ottobre 2026.