DeepSeek SuperAgent e notizie AI, 1 novembre 2026

In breve: il 1 novembre 2026 le notizie AI partono da DeepSeek, che pubblica dsh-superagent, un agente di coding proattivo che lavora da solo su un repository GitHub e ha superato le 3.500 stelle in un giorno. OpenAI annuncia che da dicembre i limiti di utilizzo di ChatGPT e Codex diventeranno un'unica quota misurata in token, e Qwen Code 0.26.5 attiva di default le interfacce generate. Andrej Karpathy costruisce in due ore con Claude un clone di YouTube basato sui consigli di Hacker News, e bootgpt fa girare un modello linguistico in un settore di avvio da 512 byte. Chiudono cinque paper arXiv, tre dei quali sulla sicurezza degli agenti.

Sei notizie dai laboratori e dalla comunità e cinque paper usciti tra il 27 e il 28 ottobre, dopo le notizie AI del 31 ottobre. La falla dei link condivisi di ChatGPT e l'infostealer che usa un LLM per scegliere le vittime sono nelle notizie cybersecurity di oggi, le cinque principali nel numero di oggi, l'archivio in Notizie AI e in Notizie tech. Per lasciare lavorare un agente su un repository senza perdere il controllo c'è la guida su come rivedere il codice scritto da un agente prima del merge, e per capire quando non serve affatto quella su quando un agente non serve.

Laboratori e modelli

DeepSeek pubblica dsh-superagent, un agente di coding proattivo

Fonte: GitHub, DeepSeek · 31 ottobre 2026

dsh-superagent è un agente di coding per un singolo repository GitHub, distribuito come pacchetto per DeepSeek Harness. Ascolta GitHub e, se configurato, Feishu: quando una persona autorizzata gli chiede un lavoro apre un elemento di lavoro, lo svolge in una sessione e in una cartella proprie e risponde nella conversazione d'origine, per esempio con una pull request, mentre un pannello web mostra cosa richiede l'intervento umano. Il README avverte che è un prototipo di ricerca "non un prodotto ufficiale DeepSeek", scritto in buona parte da agenti, con licenza MIT; il principio dichiarato è prendere meno attenzione umana possibile, agendo solo su richiesta o secondo regole scritte dal team.

Perché conta: è il primo esempio pubblico di DeepSeek di agente che lavora in modo continuativo su un progetto invece di rispondere a un singolo prompt. In un giorno ha superato le 3.500 stelle.

ChatGPT e Codex avranno un'unica quota di utilizzo da dicembre

Fonte: OpenAI Help Center · 31 ottobre 2026

OpenAI ha pubblicato una pagina che spiega come cambieranno i limiti: da dicembre, per i piani Plus, Pro e Business, l'utilizzo di ChatGPT e quello di Codex attingeranno a un'unica quota, misurata in token. Le chat con il modello Instant non verranno conteggiate, e in Impostazioni, alla voce Utilizzo, si vedrà quanto resta in totale. Chi raggiunge il limite potrà aspettare il rinnovo, passare a un piano superiore o acquistare crediti.

Perché conta: chi usa molto Codex per programmare consumerà la stessa quota delle conversazioni in ChatGPT, e viceversa. Conviene controllare i propri consumi prima di dicembre per capire se il piano attuale basta.

Qwen Code 0.26.5 attiva di default le interfacce generate

Fonte: GitHub, Qwen · 1 novembre 2026

La nuova versione dell'agente di coding di Qwen rende predefinita la Generated UI, con schede interattive i cui valori restano allegati come contesto alla conversazione. Arrivano un'installazione Helm sperimentale in un solo comando per il Managed Agent, una modalità --in-place per la skill PR-watch, un budget di tre tentativi per /autofix-pr prima di passare la mano a una persona e il conteggio degli agenti in background nella barra di stato di Web Shell e dell'app desktop.

Perché conta: il limite di tentativi automatici e il commento esplicito quando un fix è bloccato vanno nella direzione giusta, quella di agenti che sanno quando fermarsi.

Comunità e progetti

Karpathy costruisce HackerTube con Claude in due ore

Fonte: blog di Andrej Karpathy · 31 ottobre 2026

Stanco delle raccomandazioni di YouTube, Andrej Karpathy ha chiesto a Claude Opus 5.5 di costruire un clone basato sui video consigliati su Hacker News. Il modello ha scaricato i commenti, li ha filtrati con Sonnet in un workflow di Claude Code fino a 40.000 commenti che segnalano un video, e ne ha ricavato 6.454 video in 150 argomenti, dal 2007 al 2026. Il risultato è hackertube.org, con raccomandazioni personalizzate senza account, salvate solo nella sessione del browser, e un export dei dati per costruirne la propria versione.

Perché conta: mostra quanto si è accorciato il tempo tra un'idea e un sito pubblicato, ma anche che il valore viene dai dati scelti, non dal codice.

bootgpt: un modello linguistico in un settore di avvio

Fonte: GitHub · 31 ottobre 2026

bootgpt è un MBR da 512 byte scritto a mano in assembly che carica un modello int8 da 11,5 KB dai 23 settori successivi e lo esegue in modalità reale a 16 bit su un 386, senza sistema operativo né runtime C. Il modello, con 8 caratteri di contesto e un solo strato nascosto, è addestrato su 3 MB di log di avvio Linux sintetici e all'accensione "sogna" un dmesg con timestamp e dispositivi PCI mai esistiti. L'immagine si può copiare su una chiavetta e avviare su qualsiasi PC con BIOS.

Perché conta: è un esperimento, ma rende evidente quanto poco serva per generare testo plausibile in un dominio ristretto.

Simon Willison: datasette-llm usa il modello predefinito di LLM

Fonte: blog di Simon Willison · 31 ottobre 2026

La release 0.1a9 di datasette-llm, il plugin alla base di Datasette Agent, legge ora il modello predefinito configurato nello strumento LLM. Così Datasette Agent si avvia con un solo comando uvx, senza indicare a mano il modello nelle impostazioni del plugin.

Perché conta: abbassa la soglia per provare un agente che interroga database SQLite in linguaggio naturale, in locale.

Paper della settimana

Backdoor negli agenti avvelenando il pre-addestramento

Fonte: arXiv 2610.37741 · PDF

Gli autori, tra cui Nicholas Carlini, addestrano da zero modelli Qwen3 da 0,6, 1,7 e 4 miliardi di parametri e li trasformano in agenti da riga di comando con una pipeline pulita. Avvelenare solo lo 0,1% dei dati di pre-addestramento basta a impiantare una backdoor che fa eseguire all'agente un comando scelto dall'attaccante quando compare un innesco: il successo arriva a circa il 92% nel modello da 4B e resta positivo anche con lo 0,0005% di dati avvelenati.

Perché conta: è la prima dimostrazione che l'avvelenamento dei dati web può arrivare fino all'esecuzione di codice sul computer di chi usa l'agente, e l'effetto cresce con la dimensione del modello.

Le skill che dicono agli agenti di non chiedere

Fonte: arXiv 2610.37734 · PDF

Lo studio analizza 1,53 milioni di skill in inglese e trova che circa una su diciassette, quasi 88.000, contiene istruzioni che allentano la supervisione: procedere senza approvazione, saltare i controlli con --no-verify, continuare senza aggiornare l'utente. Il 70,1% di queste istruzioni vale sempre, non solo in contesti come la CI, e le skill che eseguono shell, installano pacchetti o usano sudo hanno 1,7-1,8 volte più probabilità di contenerle.

Perché conta: una riga copiata in una skill popolare toglie un controllo a ogni agente che la carica, proprio dove i comandi sono più rischiosi.

Scansionare le skill prima di installarle

Fonte: arXiv 2610.37901 · PDF

Il paper presenta uno scanner in sei moduli che cerca vulnerabilità involontarie nelle skill e quelle che nascono dalla combinazione di più skill. Su SkillTrustBench raggiunge il 95,9% di richiamo con il 4,22% di falsi positivi e su MalSkillBench un F1 di 0,947, meglio degli scanner di Cisco e NVIDIA; nelle skill dei 75 repository più stellati gli analisti hanno confermato 53 problemi su 59 in 23 repository, e 10 casi sono stati segnalati ai maintainer.

Perché conta: le skill hanno accesso a file, shell e rete, e finora gli strumenti cercavano solo quelle apertamente malevole.

CARI: istruzioni nascoste nei feedback di runtime degli agenti

Fonte: arXiv 2610.38799 · PDF

Quando un agente di coding lavora con componenti di altri team, come un backend, un test harness o un job di CI, un componente compromesso può inserire istruzioni malevole nei messaggi di errore e di diagnostica che l'agente legge per correggere il codice. Gli autori costruiscono dieci attacchi di questo tipo, dall'esaurimento delle risorse all'esposizione di informazioni, e li provano su quattro linguaggi e cinque modelli.

Perché conta: l'output di un test o di un log è una fonte di prompt injection spesso trascurata, perché sembra un dato tecnico e non un testo da cui difendersi.

GAAC: compressione senza perdita della cache KV

Fonte: arXiv 2610.38210 · PDF

GAAC comprime la cache KV in BF16 sfruttando la ridondanza degli esponenti, senza alterare nessun valore, e la ricostruisce al volo dentro un kernel di attenzione. Ottiene una compressione di circa 1,4 volte su cinque modelli; su NVIDIA DGX Spark accelera l'attenzione in decodifica con 64K token di contesto di 1,19-1,27 volte, riduce del 26% circa la memoria KV residente e su Apple M4 dà accelerazioni fino a 1,25 volte.

Perché conta: sui computer personali il collo di bottiglia dei contesti lunghi è la memoria della cache KV, e qui si guadagna spazio senza perdere qualità.