Anthropic apre i modelli cyber e notizie AI, 25 ottobre 2026

In breve: il 25 ottobre 2026 le notizie AI partono da Anthropic, che allarga il Cyber Verification Program a tre livelli di accesso e ci fa confluire Project Glasswing. Uno studio di Convovo mostra che, costretti a scegliere, Grok 4.7 indica il candidato repubblicano nel 92% dei casi e GPT-6.1 Sol il democratico nel 97%. La Agentic AI Foundation accoglie quattro nuovi progetti, un gruppo di matematici apre un hub per rivedere le dimostrazioni di OpenAI, Google DeepMind pubblica DetectorScope e NVIDIA porta TensorRT 11.1. Chiudono Ollama 0.40.11 e quattro paper arXiv.

Sette notizie e quattro paper usciti tra il 22 e il 25 ottobre, verificati sulle fonti originali. I canali ufficiali dei principali laboratori sono stati controllati uno per uno, e chi non ha annunci nuovi in questa finestra non compare; le release degli SDK di Anthropic e xAI e di Qwen Code sono nelle notizie sviluppo di oggi. Le cinque principali della giornata sono nel numero di oggi, le altre sezioni in Notizie tech, l'archivio in Notizie AI e l'uscita precedente nelle notizie AI del 24 ottobre. Per capire quando un agente è lo strumento giusto c'è la guida quando un agente non serve.

Laboratori e policy

Anthropic allarga il Cyber Verification Program a tre livelli

Fonte: Anthropic · 22 ottobre 2026

I modelli disponibili a tutti, come Claude Opus 5.5 e Sonnet 5.5, hanno filtri prudenti che bloccano gran parte del lavoro di sicurezza informatica. Il nuovo programma unisce il vecchio CVP e Project Glasswing in tre livelli, tutti con accesso ai modelli più capaci, compreso Claude Mythos 5.1. Defense Access è per difesa, risposta agli incidenti e analisi di malware, con risposta in pochi giorni. Red Team Access aggiunge i penetration test autorizzati, solo per organizzazioni e con alcune settimane di verifica. Specialized Access, con meno blocchi, è per pochi enti che testano sistemi critici come reti elettriche e trasporto aereo, verificati insieme al governo americano.

Perché conta: anche i maintainer open source e le piccole aziende di sicurezza rientrano nel primo livello. Le azioni che possono causare danni fisici o interruzioni di massa restano bloccate in tempo reale anche nei livelli più alti.

Forzati a scegliere, Grok vota repubblicano e GPT democratico

Fonte: TechCrunch, Convovo · 24 ottobre 2026

Lo studio di Convovo, guidato dal professore della Cornell Tapan Parikh, ha chiesto via API a Grok 4.7 e GPT-6.1 Sol chi votare in quasi 500 competizioni delle elezioni di metà mandato americane, imponendo un solo nome. Grok ha indicato il candidato repubblicano nel 92% delle risposte, GPT il democratico nel 97%, e i due modelli sono stati d'accordo in meno del 10% dei casi. Le app consumer invece si rifiutano di rispondere.

Perché conta: secondo Pew solo l'8% degli americani usa i chatbot per informarsi sulle elezioni, ma chi costruisce app sopra le API eredita queste tendenze. OpenAI sottolinea che la maggior parte delle persone usa le app, dove la domanda viene rifiutata.

La Agentic AI Foundation accoglie OpenSandbox, OpenEnv e Open Responses

Fonte: The Register · 23 ottobre 2026

Oltre alle Agent Skills di Anthropic, la fondazione della Linux Foundation che ospita MCP, goose e AGENTS.md prende in gestione OpenSandbox di Alibaba, per limitare le capacità degli agenti in sandbox, OpenEnv di Hugging Face, per creare ambienti di reinforcement learning in container, e Open Responses di OpenAI, una specifica API aperta per parlare con provider di modelli diversi. I progetti salgono a 10 e i membri hanno superato i 300, con 60 nuovi in questo trimestre.

Perché conta: Open Responses standardizza richieste, risposte, streaming e chiamate agli strumenti, cioè il pezzo che oggi cambia di più tra un provider e l'altro.

Ricerca e strumenti

Un hub della comunità per rivedere le dimostrazioni matematiche di OpenAI

Fonte: blog di Terence Tao · 24 ottobre 2026

In un post ospite sul blog di Terence Tao, Abhinav Nellore, Johannes Schmitt, Soledad Villar e Rachel Ward presentano oai-math-revised, un progetto aperto per migliorare i resoconti matematici pubblicati da OpenAI nel repository openai/math, che secondo gli autori sono difficili da seguire e hanno citazioni incomplete. Studenti, ricercatori e appassionati possono contribuire, e la comunità cerca revisori per le varie aree.

Perché conta: i risultati matematici prodotti con l'AI diventano utili solo quando altri matematici li possono leggere, controllare e citare. Questo è il lavoro che il progetto prova a organizzare.

Google DeepMind pubblica DetectorScope per rilevatori di testo AI verificabili

Fonte: Google DeepMind su GitHub · 24-25 ottobre 2026

DetectorScope trasforma un rilevatore di testo generato dall'AI a scatola nera in uno in cui ogni previsione è la somma di caratteristiche con un nome, per esempio frasi ripetute o un certo uso delle preposizioni, e indica dove si trovano nel testo. La pipeline usa sparse autoencoder sul flusso interno del rilevatore, descrive e valida ogni caratteristica e tiene solo quelle che superano una soglia. Il lavoro sarà presentato a EMNLP 2026 a Budapest e c'è una demo su Hugging Face.

Perché conta: un rilevatore che spiega perché giudica un testo "AI" si può contestare e correggere, cosa impossibile con un punteggio senza motivazione.

NVIDIA TensorRT 11.1 introduce il Global Performance Tuner

Fonte: NVIDIA Technical Blog · 23 ottobre 2026

TensorRT costruisce i motori di inferenza scegliendo trasformazioni del grafo, fusioni, implementazioni, posizione in memoria e quantizzazione, decisioni che dipendono l'una dall'altra. Il Global Performance Tuner di TensorRT 11.1 prova più percorsi di build personalizzabili, valida ogni candidato su accuratezza e prestazioni end-to-end e sceglie il motore più veloce che rispetta i vincoli di accuratezza.

Perché conta: chi mette in produzione modelli su GPU NVIDIA può ottenere motori più veloci senza scegliere a mano ogni ottimizzazione, controllando che la quantizzazione non peggiori i risultati.

Ollama 0.40.11 genera voce su macOS e aggiunge i modelli d3

Fonte: Ollama su GitHub · 23-24 ottobre 2026

Ollama può ora generare voce su macOS: ollama run legge ad alta voce il testo o la risposta di un modello mentre l'audio viene prodotto, e le app possono riceverlo in streaming dall'endpoint compatibile con OpenAI /v1/audio/speech. Arrivano anche i modelli d3 del vLLM Semantic Router, da 2 a 27 miliardi di parametri, per classificare, rispondere sì o no e dare punteggi con probabilità. La 0.40.10 del giorno prima aveva aggiunto Nemotron 3.5 Bolt E4B di NVIDIA, un modello visione-linguaggio con contesto da 128.000 token.

Perché conta: sintesi vocale e piccoli modelli di decisione in locale coprono compiti che spesso finiscono su API a pagamento. Per scegliere il runtime c'è la guida a Ollama, LM Studio, llama.cpp e vLLM.

Research: paper arXiv

MCP o CLI per gli agenti: un confronto su 14 dimensioni

Fonte: arXiv 2610.30157 · annunciato il 23 ottobre 2026 · PDF

Il paper confronta i due modi con cui un agente usa strumenti esterni: comandi shell diretti o il protocollo strutturato MCP. La CLI è più efficiente per flussi locali con un solo utente, MCP copre ciò che la CLI non può fare, come controllo degli accessi, isolamento delle credenziali, audit strutturato e ambienti multi-tenant. Le tecniche di progressive disclosure eliminano il vecchio costo di MCP sulla finestra di contesto.

Perché conta: la raccomandazione per la produzione è un'architettura ibrida, non una scelta di campo.

Il costo di dire ciao: la stretta di mano nei protocolli tra agenti

Fonte: arXiv 2610.30151 · annunciato il 23 ottobre 2026 · PDF

Primo benchmark misurato della fase iniziale di contatto tra agenti in MCP, A2A e ACP, con gli SDK ufficiali. Conta soprattutto il numero di andata e ritorno: con 50 ms di latenza il vecchio handshake MCP richiede tre round trip e 230 ms, A2A uno solo e 61 ms. Quando il modello legge l'elenco delle capacità dell'altro agente, il costo cresce di 24-107 token per capacità.

Perché conta: per agenti che si parlano spesso, la scelta del protocollo pesa sulla latenza e sul contesto prima ancora del primo messaggio utile.

Riconoscere l'addestramento di un modello dal consumo elettrico del datacenter

Fonte: arXiv 2610.30182 · annunciato il 23 ottobre 2026 · PDF

Gli autori riconoscono un addestramento sincrono dal ritmo delle iterazioni nel consumo elettrico dell'intero impianto. Su dati simulati, con un contatore che campiona almeno a 2 Hz, individuano almeno il 96% degli addestramenti con l'1% di falsi allarmi; delle otto strategie per nasconderli, solo variare molto il lavoro per iterazione funziona in parte, e costa dal 93% al 267% di calcolo in più nei test su piccola scala.

Perché conta: è un metodo di verifica per gli accordi sulla governance dell'AI che non richiede di fidarsi dell'operatore.

CALA, adattatori sui logit contro la distillazione

Fonte: arXiv 2610.31046 · annunciato il 23 ottobre 2026 · PDF

CALA aggiunge un piccolo adattatore a un modello insegnante congelato e addestra solo quello: uno studente di prova individua i punti in cui l'imitazione è più facile e l'adattatore altera lì la distribuzione delle risposte, restando tra le opzioni ad alta probabilità. Sui benchmark di ragionamento riduce molto l'imitazione riuscita mantenendo quasi intatte le prestazioni del modello.

Perché conta: le tracce di ragionamento esposte via API sono materiale d'addestramento per i concorrenti, e i laboratori cercano difese che non peggiorino il modello.