Muse Spark Open e altre notizie AI, 16 ottobre 2026

In breve: il 16 ottobre 2026 le notizie AI partono da Muse Spark Open di Meta, modello open-weight da 816B/42B attivi con contesto da un milione di token. L'AI Gateway Production Index di Vercel dice che i modelli open-weight processano il 71,5% dei token e quasi un quarto della spesa, Krea 3 punta sull'editing immagini in produzione e Goodfire sostiene che le reti neurali sono già «pulite» per l'interpretabilità. Nella Research, cinque paper arXiv con PDF su delivery agentica, MLE autonomo, scaffolding, MCP e poisoning dei RAG HNSW.

Otto notizie su modelli, indici di uso e interpretabilità e cinque paper, delle ultime 48 ore circa. Le altre sezioni sono in Notizie tech, le cinque principali nel numero di oggi, l'archivio in Notizie AI e ieri in Notizie AI del 15 ottobre. Per stack locali resta utile Mac con Apple Silicon o GPU NVIDIA per LLM locali.

Notizie

Meta rilascia Muse Spark Open con pesi aperti

Fonte: Meta AI Research · 15 ottobre 2026

Muse Spark Open è multimodale, con 816 miliardi di parametri totali, 42 miliardi attivi e finestra da 1M token, orientato a coding e task di lungo orizzonte. I pesi sono su Hugging Face, SageMaker AI, Model Garden e Foundry; l'inference gira su SGLang, vLLM, TensorRT-LLM, MLX, llama.cpp e Unsloth. Meta lo dichiara eseguibile su due Mac Studio M5 Ultra e lo espone via API su Baseten, Fireworks, Groq, Modal, Nebius, OpenRouter e Together.

Perché conta: alza l'asticella per chi valuta modelli open-weight US su coding agentico. Il confronto va fatto su token attivi e contesto utile, non solo sul totale dei parametri.

Muse Spark Open anche su SageMaker JumpStart e AI Gateway

Fonte: AWS What's New · 15 ottobre 2026

AWS rende disponibile Muse Spark Open su Amazon SageMaker JumpStart. In parallelo Vercel lo elenca sull'AI Gateway insieme ad altri modelli del giorno Ship.

Perché conta: chi è già su Bedrock/SageMaker o sull'AI Gateway può provare Muse senza montare un cluster da zero. Restano da verificare quote, prezzo al token e policy di data retention del provider scelto.

AI Gateway Index: open-weight al 71,5% dei token

Fonte: Vercel Blog · 15 ottobre 2026

Nel report di ottobre, i modelli open-weight processano più di sette token su dieci e quasi un quarto della spesa (da circa un ventesimo a giugno). La spesa di settembre è circa 13 volte quella di dicembre, con prezzo medio per token in calo del 47%. Quasi un team su tre ha cambiato il laboratorio più usato; circa il 70% della spesa su modelli cinesi passa da provider US.

Perché conta: i numeri di produzione dicono che open-weight non è più solo sperimentazione. Nei preventivi conviene separare volume (token barati) e spend (modelli frontier).

Token Pass: 30 dollari al mese, 80 di credito su GLM e Kimi

Fonte: Vercel Changelog · 15 ottobre 2026

Token Pass in early access per i team Pro: 30 $/mese per 80 $ di credito mensile su GLM 5.3 e Kimi K3 via AI Gateway, con Zero Data Retention di default. Il credito non si accumula; a credito esaurito le richieste Token Pass si fermano senza overage automatico.

Perché conta: abbassa la soglia per agenti di coding su modelli inclusi, con ZDR esplicito. Va letto cosa resta fuori dal bundle e come si gestisce il passaggio a pay-as-you-go.

Krea 3: modello di editing immagini per la produzione

Fonte: Krea · ottobre 2026

Krea 3 è presentato come modello di editing che modifica solo le regioni richieste, con tempi dichiarati sotto gli 8 secondi e prezzo nell'ordine di pochi centesimi per immagine, distribuito anche tramite fal, Baseten, Comfy e altri.

Perché conta: per e-commerce e marketing conta più la fedeltà dell'edit della generazione da zero. I numeri di velocità e prezzo vanno rifatti sul proprio volume prima di firmare un contratto.

Goodfire: «le reti neurali sono già pulite»

Fonte: Goodfire · 2026

Un saggio di interpretabilità meccanicistica sostiene che le evidenze classiche di polisemanticità e superposition siano state in parte fraintese, e che un motivo ricorrente chiamato recursive generalization renda le reti più leggibili di quanto temesse il campo.

Perché conta: se l'approccio regge, torna utile studiare neuroni e circuiti direttamente invece di ricostruire solo feature sparse. Resta un paper di posizione: va letto insieme alle critiche, non come fatto consolidato.

Non-determinism Doesn't Matter

Fonte: sklar.rocks · 13 ottobre 2026

Jesse Sklar argomenta che l'output non deterministico degli LLM non è il blocco che sembrava: il risultato deve essere esatto, ma il percorso per ottenerlo no; gli LLM sono attori nel sistema, il codice è l'output da verificare.

Perché conta: sposta il discorso dai seed fissi ai test, agli harness e alle policy di review. Utile per team che bloccano ancora gli agenti «perché non sono deterministici».

Liquid AI d1-ultra sull'AI Gateway

Fonte: Vercel Changelog · 15 ottobre 2026

Dopo LFM2.5 di ieri, sull'AI Gateway arriva anche Liquid AI d1-ultra, selezionabile come gli altri modelli del catalogo Gateway.

Perché conta: amplia le opzioni on-device/edge-oriented dietro lo stesso endpoint. Confrontare con LFM2.5-24B-A2B sul carico reale prima di cambiare default.

Research

FDE-Gym: The Last Mile of AI Delivery · PDF

Fonte: arXiv cs.AI · 2610.22350

Benchmark di 95 task di delivery end-to-end da 20 scenari cliente: non ticket ben specificati, ma ambiguità, sistemi live e vincoli non dichiarati tipici del lavoro forward-deployed.

Perché conta: misura ciò che i benchmark issue-driven saltano. Utile se valutate agenti su onboarding clienti, non solo su SWE-bench.

MLExpert: Towards a Generalist Agentic Model for Autonomous Machine Learning Engineering · PDF

Fonte: arXiv cs.AI · 2610.22344

Propone un modello agentico generalista per MLE autonomo, lungo la linea AI4AI e di miglioramento ricorsivo, con orchestrazione di workflow di lungo orizzonte.

Perché conta: inquadra dove finisce l'assistente e inizia il sistema che riprogetta pipeline ML da solo. Da leggere con occhio a costi e a verifica umana.

Improving Environment-Agnostic Coding Agents: The Role of Scaffolding · PDF

Fonte: arXiv cs.AI · 2610.22289

Studia perché lo scaffolding fornito dagli sviluppatori resta un vantaggio anche con modelli più forti, su ARC-AGI-3 e altri ambienti, confrontando varianti di prompt quasi identiche su un agente basato su Codex.

Perché conta: dice quanto investire in harness rispetto al solo upgrade del modello. Se lo scaffolding pesa ancora, i plugin e le skill restano leva vera.

My Credentials, Please: Detecting Filesystem Capability Laundering in MCP Servers · PDF

Fonte: arXiv cs.CR · 2610.22301

Sugli MCP server locali, l'approvazione client-side di un tool spesso concede al processo permessi filesystem ampi, non limitati al contratto dichiarato. Il paper propone metodi per rilevare questa «laundering» di capability a scala.

Perché conta: prima di installare un MCP in produzione va verificato cosa può davvero leggere e scrivere. Allinea sicurezza agenti e least privilege.

Poisoning the Neighborhood: Topology-Aware Topic-Level Attack on HNSW-based RAG · PDF

Fonte: arXiv cs.CR · 2610.21464

Attacca RAG basati su HNSW a scala di deployment, dove il retrieval non è un ranking globale esatto: avvelena topologie e topic invece di puntare solo al ranking globale dei benchmark classici.

Perché conta: se il vostro RAG usa HNSW su corpus pubblici o di terze parti, i test di poisoning vanno rifatti sul grafo reale, non solo su exact search.