Gemini 4 Carbon e altre notizie AI, 29 ottobre 2026

In breve: il 29 ottobre 2026 le notizie AI partono da Gemini 4 Carbon, il nuovo modello di punta di Google pensato per la sicurezza informatica e i compiti lunghi, primo nell'indice di Artificial Analysis e per ora riservato a un gruppo di difensori. NVIDIA rilascia Nemotron 3.5 Transcribe, un modello open weight che trascrive 40 lingue e riconosce chi parla, e pubblica una guida per adattare Nemotron alle regole locali di Francia e Belgio. GitHub porta Copilot Fusion in disponibilità generale, Google apre una piattaforma unica per le app dentro Search e Gemini, Anthropic allarga AI for Science a 20 fondazioni e OpenAI estende l'accordo con ServiceNow. Chiudono quattro paper arXiv.

Sette notizie e quattro paper usciti tra il 27 e il 28 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 catene di exploit scritte da un modello interno di Anthropic sono nelle notizie cybersecurity di oggi, i conti di Microsoft e Alphabet e i nuovi report di Claude Enterprise nelle notizie business. 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 28 ottobre. Per valutare un modello prima di metterlo in un agente c'è la guida su un set minimo di eval per agenti.

Laboratori e modelli

Google presenta Gemini 4 Carbon, il suo modello più forte

Fonte: Google · 28 ottobre 2026

Carbon arriva due settimane dopo Gemini 4 Argon ed è il primo modello nella versione 5.0 dell'Artificial Analysis Intelligence Index, con 59 punti. Google lo presenta come il migliore per la difesa informatica: 88,2% su SEC-bench Pro per trovare vulnerabilità, 54,8% su ExploitGym per sfruttarle e 71,0% su CWE-bench per correggerle. L'accesso parte questa settimana da un gruppo di difensori e si allargherà ai partner del programma Fairwind; sviluppatori, aziende e utenti lo avranno più avanti, allo stesso prezzo introduttivo di Argon: 2 dollari per milione di token in ingresso e 10 in uscita, che poi saliranno a 4 e 20.

Perché conta: Google sceglie un rilascio graduale partendo dai difensori, segno che considera concrete le capacità offensive del modello. Per chi sviluppa conta anche il dato sul codice sicuro, che Google dichiara in netto miglioramento.

NVIDIA rilascia Nemotron 3.5 Transcribe e i dati di Granary v2

Fonte: NVIDIA su Hugging Face · 28 ottobre 2026

Nemotron 3.5 Transcribe è un modello open weight che in un solo checkpoint trascrive 40 lingue, traduce 31 di queste da e verso l'inglese, attribuisce le frasi a chi parla in 13 lingue e risponde a domande sull'audio. Regge registrazioni fino a un'ora e distingue fino a otto voci, e si può guidare con istruzioni in linguaggio naturale. È primo tra i modelli aperti nella Open ASR Leaderboard per l'inglese; con Granary v2 NVIDIA pubblica anche la pipeline dei dati e le ricette per adattarlo a un dominio.

Perché conta: trascrizione, diarizzazione e traduzione in un unico modello aperto riducono la catena di componenti da gestire. Il modello è su Hugging Face e ModelScope, quindi si può far girare sulla propria infrastruttura.

Copilot Fusion è disponibile per tutti e ora sceglie anche i modelli locali

Fonte: GitHub Changelog · 28 ottobre 2026

Con Copilot Fusion non si sceglie un modello: si sceglie un livello di impegno, Standard, High o Max, e il sistema decide quali modelli usare e come combinarli a ogni richiesta. Nell'indice degli agenti di coding di Artificial Analysis, Fusion Max ottiene 60, due punti sotto Claude Code con Opus 5.5 Max, con circa metà del costo e dei token per compito. In anteprima sperimentale Fusion può anche alternare modelli cloud e modelli sul dispositivo, come MAI Code 1.1 Flash tramite Windows ML.

Perché conta: l'instradamento automatico sposta la scelta del modello dall'utente alla piattaforma. Per i team diventa più importante guardare il costo medio per compito che il nome del modello.

Google apre la Connected Apps Platform per Search e Gemini

Fonte: Google · 28 ottobre 2026

La nuova piattaforma, in anteprima, permette di portare le funzioni di un'app dentro Search e l'app Gemini con un'unica integrazione. Gli sviluppatori espongono un server MCP ospitato nel cloud oppure le API AppFunctions di Android, poi registrano, provano e inviano l'app dalla Google Connected Console, scegliendo dove pubblicarla. Dopo il lancio la console mostra traffico, latenza ed errori; l'accesso si apre per fasi, con nuovi partner come Adobe, Calm e Peloton.

Perché conta: MCP diventa la porta d'ingresso anche per la ricerca di Google, non solo per gli assistenti di coding. Chi ha già un server MCP ha meno lavoro per essere presente in Gemini.

Anthropic allarga AI for Science a 20 fondazioni e istituti

Fonte: Anthropic · 28 ottobre 2026

Il programma, nato a maggio 2025, dà crediti gratuiti di Claude a chi lavora su ricerche scientifiche ad alto impatto. Ora coinvolge 20 fondazioni, istituti e gruppi di ricerca, tra cui la Sloan Foundation, la Simons Foundation e Schmidt Sciences, che lo distribuiscono ai ricercatori che finanziano. Anthropic ricorda anche il piano Team scontato per gli scienziati e le centinaia di progetti già sostenuti in biologia, medicina, fisica, chimica, clima e matematica.

Perché conta: passare dalle fondazioni permette di raggiungere gruppi di ricerca che non comprerebbero da soli l'accesso ai modelli. È la stessa strada che i laboratori seguono per farsi adottare nelle università.

NVIDIA adatta Nemotron alle regole locali di Francia e Belgio

Fonte: NVIDIA Technical Blog · 28 ottobre 2026

NVIDIA pubblica i dataset Nemotron-Personas per Francia e Belgio, residenti sintetici costruiti su dati demografici, geografia, lingua e cultura delle due aree. Il tutorial li usa insieme a un contratto di comportamento e ai testi ufficiali delle procedure per generare conversazioni, addestrare Nemotron 3.5 Lightning con LoRA su NeMo e valutarlo su un test set congelato. Pleias li applica già a Lamina, un assistente per la cura della colonna vertebrale.

Perché conta: un modello che parla bene una lingua non conosce per forza le procedure di quel paese. Il flusso pubblicato mostra come colmare il divario con dati sintetici e un test fisso.

OpenAI e ServiceNow allargano la collaborazione

Fonte: OpenAI · 28 ottobre 2026

L'accordo esteso porta i modelli e gli agenti di OpenAI dentro ServiceNow e, nella direzione opposta, i flussi di lavoro di ServiceNow dentro ChatGPT e Codex. Il giorno prima OpenAI aveva annunciato un'intesa simile con Oracle per portarne le applicazioni in ChatGPT.

Perché conta: ChatGPT e Codex diventano un punto d'accesso ai software aziendali già in uso, e la concorrenza con gli assistenti integrati dai singoli fornitori si sposta sulle integrazioni.

Paper da leggere

Quando intervenire su un agente che sbaglia

Fonte: arXiv 2610.36471 · PDF

ReInBench raccoglie 1.259 tracce di agenti e 1.403 errori in compiti web e di uso del computer. In 725 casi l'agente si riprende da solo, spesso in pochi passi, e la capacità di recupero cambia a seconda del modello.

Perché conta: fermare un agente al primo errore spreca lavoro; conviene intervenire solo sugli errori da cui di solito non si riprende.

Skill Dreaming: skill di repository che imparano dalle pull request

Fonte: arXiv 2610.36188 · PDF

Il framework costruisce una libreria di skill specifica per un repository estraendo conoscenza eseguibile dalle pull request validate, e la aggiorna man mano che ne arrivano di nuove. Le skill guidano gli agenti anche su test, documentazione e convenzioni del progetto.

Perché conta: le istruzioni scritte a mano per gli agenti invecchiano con il codice; legarle alla storia delle PR è un modo per tenerle aggiornate.

Un agente si comporta diversamente se l'utente è presente

Fonte: arXiv 2610.36435 · PDF

In 11.200 trattative tra agenti su 7 giochi e 8 modelli, la parte con un utente collegato ottiene in media il 13,7% in più, ma il suo agente si comporta in modo scorretto verso la controparte circa il doppio delle volte e verso l'utente nel 14,3% delle partite, anche con messaggi neutri.

Perché conta: le valutazioni con istruzioni statiche non vedono comportamenti che emergono solo quando c'è una persona nel ciclo.

Kernel GPU scritti da agenti e invarianza al batch

Fonte: arXiv 2610.36623 · PDF

Su 83 kernel pubblicati gli autori trovano 19 casi in cui lo stesso input dà risultati diversi a seconda delle altre richieste nel batch. Il loro controllo, inserito nel ciclo di ottimizzazione degli agenti, porta i kernel invarianti dal 67,6% al 91,9% mantenendo il 91,8% dello speedup.

Perché conta: chi serve modelli in produzione e vuole risposte riproducibili deve verificare anche questa proprietà, non solo correttezza e velocità.