La Cina sblocca DeepSeek e notizie AI, 26 ottobre 2026

In breve: il 26 ottobre 2026 le notizie AI partono dalla Cina, che ha messo 23 tecnologie legate ai grandi modelli tra quelle soggette a licenza per l'export ma ha subito autorizzato DeepSeek e MiniMax a continuare a vendere all'estero. Cerebras spiega come fa girare Kimi K3, un modello da circa 3.000 miliardi di parametri, su 59 wafer, e un test su 200 lesioni della pelle vede una rete convoluzionale del 2015 battere due modelli di frontiera. Ci sono anche l'analisi dei tagli di prezzo di OpenAI e Anthropic, il primo episodio di Grok Odyssey, Kimi Code 2.3.2 e due rilasci di Meta. Chiudono cinque paper arXiv.

Otto notizie e cinque paper usciti tra il 22 e il 26 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; la rete partner di Grok è nelle notizie business di oggi e l'attacco agli agenti con AGENTS.md nelle notizie cybersecurity. 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 25 ottobre. Per usare in locale un modello dietro un'API compatibile con OpenAI c'è la guida su Ollama e vLLM.

Laboratori e policy

La Cina lascia esportare DeepSeek e MiniMax dopo le nuove restrizioni

Fonte: The Register · 26 ottobre 2026

A metà ottobre il Ministero del Commercio cinese ha rivisto il catalogo delle tecnologie vietate o soggette a restrizioni all'export, aggiungendo 23 tecnologie legate a grandi modelli, agenti intelligenti, cluster di calcolo ed elaborazione delle informazioni: per esportarle serve una licenza. La tecnologia rilasciata con licenze open source è esclusa. Venerdì i media statali hanno riferito che due aziende, indicate altrove come DeepSeek e MiniMax, hanno ricevuto l'autorizzazione a continuare le esportazioni.

Perché conta: chi usa i modelli dei due laboratori dall'estero non dovrebbe vedere cambiamenti, ma il catalogo dà a Pechino il potere di fermare l'export di sistemi che considera strategici, per esempio quelli molto bravi a trovare vulnerabilità o con usi militari.

Kimi Code 2.3.2 smette di lanciare subagenti da solo

Fonte: Moonshot AI su GitHub · 25 ottobre 2026

Con la 2.3.2 l'agente di coding di Moonshot gestisce i compiti direttamente invece di delegarli in modo proattivo a subagenti: la delega va chiesta nel messaggio, in AGENTS.md, in una skill o attivando una modalità multi-agente. Gli sciami di agenti partono solo con la modalità swarm attiva, quindi non sono più disponibili con kimi -p né nei client ACP come Zed.

Perché conta: meno subagenti lanciati in automatico significa costi e comportamento più prevedibili. Chi usava gli sciami negli script non interattivi deve rivedere i flussi.

Ricerca e strumenti

Cerebras spiega come fa girare Kimi K3 su 59 wafer

Fonte: Cerebras · 22 ottobre 2026

Un wafer WSE-3T ha 44 GB di memoria sul chip, mentre un modello da migliaia di miliardi di parametri ne richiede terabyte. Cerebras usa come esempio Kimi K3, modello aperto da circa 3.000 miliardi di parametri con 69 layer ad attenzione lineare e 24 densi: con pesi a 4 bit ogni layer occupa circa 16 GB, e il modello si distribuisce su 35 wafer per i layer lineari più 24 per quelli densi, che hanno bisogno di spazio per la KV cache. Tra un wafer e l'altro passano solo le attivazioni, via RDMA su Ethernet, con circa 2 microsecondi per passaggio.

Perché conta: spiega da dove vengono le velocità dichiarate da Cerebras, tra 1.000 e oltre 2.000 token al secondo sui modelli da migliaia di miliardi di parametri: i pesi restano fermi sul chip e si spostano solo le attivazioni.

Una CNN del 2015 batte due modelli di frontiera sulle lesioni della pelle

Fonte: Lynch Lab · ottobre 2026

Su 200 lesioni del dataset pubblico MILK10k, tutte confermate da biopsia, una versione di Inception v3 adattata in circa venti minuti su immagini dermatologiche pubbliche ha indicato la diagnosi giusta tra sei possibili in 125 casi, il 62%. GPT-6 Astra e Claude Fable 5.1, con le stesse due immagini per lesione, si sono fermati a 84 e 85, il 42%. In un caso di melanoma invasivo entrambi i modelli hanno indicato una lesione benigna da dimettere.

Perché conta: un modello generalista non sostituisce un classificatore addestrato su un compito specifico, soprattutto in ambito clinico. È un test su un solo dataset, con una rete volutamente non allo stato dell'arte.

OpenAI e Anthropic hanno tagliato i prezzi fino all'80% in pochi mesi

Fonte: Max Woolf · 25 ottobre 2026

Max Woolf mette in fila i listini da luglio: OpenAI ha tagliato GPT-5.6 Luna dell'80%, a 0,20 dollari per milione di token in input e 1,20 in output, e GPT-6 Sol è uscito a 2 e 10 dollari, metà del prezzo già scontato di GPT-5.6 Sol. Anthropic ha reso permanente il prezzo di lancio di Sonnet 5, ha tagliato del 75% le letture dalla cache con Fable 5.1 e ha dichiarato che Opus 5.5 costa meno da servire, con un risparmio totale tra il 40 e il 60% rispetto a Opus 5.

Perché conta: negli agenti di coding le letture dalla cache valgono tra il 96 e il 99% dei token pagati, quindi il prezzo della cache pesa più di quello di listino. Per tenere sotto controllo la spesa c'è la guida su Cloudflare AI Gateway.

Grok pubblica i primi sette minuti di Odyssey

Fonte: TechCrunch · 25 ottobre 2026

Tre mesi dopo l'annuncio di un film completo sull'Odissea generato con l'AI, Grok ha pubblicato sette minuti, presentati come il primo episodio di una serie. Il confronto è con il film di Christopher Nolan uscito a luglio, girato in gran parte con effetti pratici in sei paesi.

Perché conta: è uno dei primi tentativi di narrativa lunga generata con un modello video, e passa da film a serie a episodi: la durata resta il limite pratico di questi strumenti.

Meta pubblica AmbiGUI, un benchmark per gli agenti che devono chiedere

Fonte: Meta FAIR su GitHub · 23 ottobre 2026

AmbiGUI misura se un agente che usa siti e app dagli screenshot fa una domanda di chiarimento quando la richiesta è ambigua, per esempio "prenota un tavolo" senza dire per quante persone, e agisce senza chiedere quando non manca nulla. Ha una parte offline su registrazioni passo per passo e una online su siti reali, con un utente simulato che risponde. Non vengono rilasciati pesi addestrati.

Perché conta: un agente che non chiede mai sbaglia in silenzio, uno che chiede sempre è inutile. AmbiGUI dà un modo per misurare l'equilibrio tra le due cose.

Sparse Delta Memory 2.0, i nuovi kernel di Meta

Fonte: Meta FAIR su GitHub · 24 ottobre 2026

La versione 2.0.0 sostituisce i kernel per forma della v1 con un'unica operazione di scrittura e lettura a blocchi, deterministica e più veloce, e arriva come pacchetto pip sparse-delta-memory. Configurazioni e checkpoint della v1 si caricano invariati, ma cambiano i valori predefiniti, con chunk_size a 64, e i risultati non sono identici bit per bit a quelli della v1.

Perché conta: chi la usa nella ricerca deve fissare i vecchi valori per confrontare gli esperimenti con quelli fatti in precedenza.

Research: paper arXiv

Compact-Bench: quanto costa compattare il contesto agli agenti di coding

Fonte: arXiv 2610.31710 · PDF

Il benchmark confronta continuazioni con la storia completa e solo con il riassunto, su 35 riparazioni SWE-bench, 146 sessioni e 106 catene di compattazioni reali. Con 14 modelli usati come riassuntori, il danno va dal 5 al 64% dei 22 successi ottenuti con la storia completa. I riassunti generati da un LLM conservano al massimo il 16% dei dettagli ricorrenti, contro il 79,1% dell'estrazione meccanica.

Perché conta: la compattazione automatica perde proprio i dettagli che servono a finire il lavoro, e conviene salvarli a parte.

Quando un agente sbaglia, è colpa del modello o dell'harness?

Fonte: arXiv 2610.32483 · PDF

Lo studio valuta quattro harness generici, OpenCode, Codex CLI, Pi CLI e DeepAgents, con quattro modelli e sei benchmark, per 111 configurazioni e 52.168 traiettorie. Le classifiche degli harness cambiano con il modello e con il benchmark, e la capacità di completare il compito e quella di finire in modo valido possono premiare coppie diverse.

Perché conta: il punteggio di un agente misura la coppia modello più harness, non il modello da solo.

Addestrare un MoE in MXFP4 quasi come in BF16

Fonte: arXiv 2610.32229 · PDF

ALTO è una ricetta open source per addestrare GPT-OSS-20B nel formato MXFP4 a 4 bit sul benchmark MLPerf Small MoE. Combinando trasformate di Hadamard casuali, arrotondamento stocastico e un sistema per ridurre le oscillazioni dei pesi, la loss di validazione arriva a 3,3350 contro 3,3283 in BF16, e il sovraccarico di convergenza scende dal 20 al 5%.

Perché conta: l'addestramento a 4 bit dimezza memoria e banda rispetto a 8 bit, e gli autori documentano anche le tecniche che non hanno funzionato.

Chi verifica gli strumenti? Quando l'output testuale inganna gli agenti

Fonte: arXiv 2610.32110 · PDF

Partendo da un sistema RAG in produzione, l'autore mostra che strumenti corretti ma con un output che omette limiti di ricerca, tetti sui risultati o spazi di nomi portano gli agenti a risposte sbagliate. Con un output che dichiara i dettagli mancanti, in un test i verificatori passano dall'accettare risposte sbagliate 90 volte su 90 al respingerle 90 volte su 90.

Perché conta: il testo che uno strumento restituisce fa parte del prompt, e va progettato con la stessa cura. Il tema è nella guida sul loop dell'agente e gli strumenti.

Cosa dicono i progetti open source ai loro agenti: un censimento di AGENTS.md

Fonte: arXiv 2610.31715 · PDF

Il censimento analizza i file AGENTS.md e CLAUDE.md dei repository GitHub popolari in tredici linguaggi. Le istruzioni mescolano conoscenza del progetto e regole su codice, build e flusso di lavoro, e i progetti non sono d'accordo sull'attribuzione all'AI: le regole sui commit la vietano più spesso di quanto la chiedano, quelle sulle pull request la chiedono più spesso. Un terzo dei file porta segni di generazione automatica.

Perché conta: è una fotografia di come vengono scritti davvero i file di istruzioni, utile per scrivere i propri.