Nelle ultime settimane i laboratori di intelligenza artificiale hanno annunciato una raffica continua di nuovi sistemi, spesso presentati come i più capaci di sempre, eppure per chi guida un'azienda resta difficile distinguere le svolte reali dagli aggiornamenti di routine.

Alcuni dei modelli annunciati tra metà ottobre e il 16 novembre 2026: una selezione.
Il ritmo delle uscite toglie il fiato. Tra la metà di ottobre e l'inizio di novembre 2026 sono arrivati DeepSeek-V4.1-Flash-1017, Kimi K3.1 Pro, GPT-6.1 Terra, Gemini 4 Carbon e i pesi aperti di Mistral Large 4, seguiti da Claude Fable 5.2 e, il 16 novembre 2026, da Qwen4-Max di Alibaba. A leggere i titoli sembrerebbe una rivoluzione a giorni alterni. Eppure l'AI Index 2026 dell'Università di Stanford conta 102 modelli notevoli nel 2025[1], selezionati da Epoch AI per la loro rilevanza storica o tecnica: un numero inferiore rispetto all'anno precedente.
Il paradosso emerge aprendo le specifiche dei sistemi più recenti. Prendiamo Qwen4-Max: la sua struttura complessiva conta 2.400 miliardi di parametri, la stessa taglia del predecessore Qwen3.8-Max uscito il 3 agosto 2026. Eppure, secondo Alibaba, il nuovo modello attiva per ogni token 71 miliardi di parametri anziché 95, mentre sul test interno Work360 il costo medio per completare un'attività complessa è sceso da 4,43 a 1,67 dollari[2].
Come fanno due modelli con la stessa mole complessiva di numeri ad avere consumi e costi così diversi? La dimensione lorda, da sola, non spiega quasi nulla. Per capire cosa cambi davvero tra una versione e l'altra occorre aprire la scatola e seguire i passaggi che trasformano i numeri in risposte.
Indice
- I parametri: miliardi di numeri per non scrivere regole a mano
- Indovinare la parola successiva: come funziona la probabilità
- Il Transformer e l'attenzione: collegare i concetti senza perdersi
- Come impara un modello: dalla discesa del gradiente al ragionamento
- Cosa cambia davvero tra un modello e il successivo
- Come leggere il prossimo annuncio senza farsi abbagliare
- Come lo facciamo noi
- La sostanza oltre la frequenza dei rilasci
I parametri: miliardi di numeri per non scrivere regole a mano
Nessun programmatore potrebbe codificare a mano tutte le regole di una lingua: le eccezioni sommergerebbero qualunque software. Per aggirare l'ostacolo si usano le reti neurali, cioè strutture software composte da unità elementari interconnesse.
Il funzionamento di una singola unità è semplice: riceve numeri in ingresso, moltiplica ciascuno per un valore che ne determina l'importanza — detto peso o parametro, paragonabile a una manopola che regola la forza del legame —, somma i risultati e decide quanta parte del totale trasmettere in avanti. Queste unità sono disposte in strati, cioè livelli successivi di elaborazione: ciascuno compie i suoi calcoli e passa il segnale a quello dopo.
Nei sistemi attuali queste manopole sono sterminate. Nel modello a pesi aperti (open weights, cioè liberamente scaricabile) Qwen3.8, i pesi pubblicati da Alibaba sono esattamente 2.446.182.725.504 numeri, salvati in 213 file distinti; la rete è strutturata su 92 strati, attraverso i quali ogni singolo frammento di testo viaggia come una lista di 8.192 numeri[3]. All'interno non vi sono frasi o nozioni salvate in chiaro: vi sono solo serie numeriche che trattengono correlazioni statistiche.

Esempio illustrativo di un'unità e di una piccola rete; il numero è quello dei pesi pubblicati di Qwen3.8.
Se il programma dovesse azionare ciascuna manopola per ogni parola, i costi di calcolo ed elettricità risulterebbero insostenibili. Per risolvere questo problema si usa l'architettura Mixture-of-Experts (MoE, cioè una miscela di esperti specializzati), un'idea che un gruppo di Google Brain ha portato su larga scala nel 2017. Invece di far calcolare l'intera rete a ogni passaggio, i parametri vengono suddivisi in gruppi indipendenti governati da un router, ossia un algoritmo di smistamento rapido. In Qwen3.8 gli esperti totali sono 512: per ogni token il router ne attiva solo 10 più uno condiviso, mettendo al lavoro 95 miliardi di parametri sui 2.400 miliardi totali. Ma cosa calcola esattamente questa macchina, parola dopo parola?

La Mixture-of-Experts di Qwen3.8: 512 esperti, 10 più uno condiviso al lavoro per ogni token. Quali si accendono è un esempio.
Indovinare la parola successiva: come funziona la probabilità
Un modello linguistico, in fondo, svolge un solo compito a ripetizione: stimare quale elemento debba seguire un testo dato. I documenti vengono spezzati in token, cioè tasselli di testo: per i modelli di Google un token vale circa quattro caratteri, e 100 token corrispondono a circa 60-80 parole inglesi. L'elenco complessivo delle tessere forma il vocabolario del modello, che in Qwen3.8 comprende 248.320 token.
A ogni passaggio la rete assegna a ciascun token del vocabolario una stima di probabilità, la cui somma dà il 100%. Nella documentazione di Google, davanti alla frase in lingua inglese «When I hear rain on my roof, I _______ in my kitchen» (quando sento la pioggia sul tetto, io … in cucina), un modello assegna il 9,4% a «cook soup» (preparare una zuppa), il 5,2% a «warm up a kettle» (scaldare il bollitore) e il 2,5% a «nap» (schiacciare un pisolino)[4].
Se l'algoritmo scegliesse sempre l'opzione più probabile, le risposte risulterebbero monotone e ripetitive. Si ricorre perciò a un'estrazione guidata dalla temperatura: a zero il modello sceglie sempre l'opzione principale; man mano che il valore sale, la scelta si apre ad alternative meno frequenti. I parametri top-k e top-p tagliano la coda delle parole inverosimili: per Qwen3.8 la casa suggerisce temperatura 1, top-k a 20 e top-p a 0,95. Una risposta è la sequenza rapida di centinaia di queste estrazioni.

Esempio illustrativo: le probabilità del prossimo token, come le cambia la temperatura, e l'estrazione.
Perché la scelta sia coerente, il sistema deve mantenere nella propria finestra di contesto (cioè la memoria di lavoro a breve termine) quanto letto prima. Dai circa 8.000 token dei modelli passati, i modelli più recenti, come Qwen4-Max, arrivano a 1 milione di token: circa 50.000 righe di codice o 8 romanzi interi. Ma come fa la rete a capire quali parole passate pesano sulla successiva?
Il Transformer e l'attenzione: collegare i concetti senza perdersi
Prendiamo una frase d'esempio comune in ufficio: «Il cliente ha chiamato il tecnico perché il suo computer non partiva». Per noi è evidente che «suo» si riferisca al cliente, ma per una macchina sciogliere l'ambiguità richiede di misurare il legame logico tra parole distanti. Prima del Transformer molti modelli leggevano i testi in sequenza, parola per parola, e si prestavano poco al calcolo in parallelo.
La risposta è arrivata nel 2017 con l'articolo «Attention Is All You Need» dei ricercatori di Google, che ha introdotto l'architettura Transformer basata sul meccanismo dell'attenzione. Ogni token formula una richiesta a tutti gli altri elementi del testo; ciascun elemento presenta un'etichetta e un contenuto: più l'etichetta risponde alla richiesta, più quel contenuto viene assorbito. Questo confronto avviene su più canali paralleli, detti teste di attenzione, ognuno libero di cercare un legame diverso.

Esempio illustrativo: l'attenzione lega «suo» alla parola che conta, «cliente».
Poiché elabora tutti i termini insieme, il Transformer si addestra rapidamente sulle GPU (cioè processori grafici specializzati nel calcolo parallelo): il modello grande descritto nell'articolo originale fu addestrato in appena 3,5 giorni su 8 GPU[5].
Resta un problema: confrontare ogni elemento con tutti gli altri fa salire il calcolo con il quadrato della lunghezza del testo. Mantenere l'attenzione completa su contesti da un milione di token costerebbe moltissimo. Per questo alcuni modelli recenti combinano strati diversi: in Qwen4, per ogni livello di attenzione vera e propria sono presenti tre livelli più leggeri che condensano la cronologia precedente in uno spazio fisso, mentre lo strato di attenzione principale interviene in modo selettivo soltanto sulle porzioni di contesto giudicate rilevanti. Ma chi decide il valore di tutti questi parametri?
Come impara un modello: dalla discesa del gradiente al ragionamento
All'inizio dell'addestramento tutte le manopole sono regolate su valori casuali. Nel pre-training (cioè il pre-addestramento iniziale su enormi masse di dati grezzi), la rete legge testo reale; per ogni token si misura lo scarto tra la previsione e la parola reale, detto loss (cioè la funzione di errore). Per ciascun parametro si calcola la pendenza, detta gradiente, che indica se un leggero spostamento della manopola fa aumentare o diminuire l'errore. Ogni manopola viene quindi ruotata di un piccolo passo nella direzione che riduce lo sbaglio, ripetendo il ciclo un numero enorme di volte. È come scendere da una montagna nella nebbia tastando la pendenza sotto i piedi a ogni passo.

Esempio illustrativo: la discesa del gradiente su una sola manopola.
La tecnica che calcola tutte queste pendenze lungo l'intera rete, procedendo a ritroso dall'uscita verso l'ingresso, è la backpropagation, formalizzata da Rumelhart, Hinton e Williams su Nature nel 1986. Questo processo viene ripetuto su scala sterminata: Qwen3 è stato pre-addestrato su 36.000 miliardi di token in 119 lingue e dialetti. Su Qwen4-Max il team di sviluppo segnala che durante l'addestramento sui suoi 2.400 miliardi di parametri la curva della loss è scesa in modo continuo e regolare, senza picchi.
Le leggi di scala pubblicate nel 2020 mostrano che l'errore cala in modo prevedibile all'aumentare di parametri, dati e calcolo. Nel 2022 DeepMind ha dimostrato con Chinchilla che i dati contano quanto la taglia: a parità di calcolo, Chinchilla con 70 miliardi di parametri su 1.400 miliardi di token ha superato Gopher, fermo a 280 miliardi su 300 miliardi di token[6].
Questa crescita incontra due limiti: secondo Epoch AI il calcolo per addestrare i modelli di frontiera cresce di circa 5 volte l'anno, e uno studio di Cottier e colleghi stima che, se la crescita dei costi continua, i singoli addestramenti più grandi supereranno il miliardo di dollari entro il 2027; inoltre, secondo Epoch AI, l'archivio di testo pubblico umano di qualità ammonta a circa 300.000 miliardi di token e, se le tendenze proseguono, potrebbe essere usato tutto tra il 2026 e il 2032.
Soprattutto, una rete così sa solo proseguire testi. Per renderla utile serve il post-training, cioè l'addestramento successivo che insegna al modello a dialogare e rispondere. Una strada è l'apprendimento con preferenze umane (RLHF), basato su esempi di buone risposte scritte da persone e graduatorie espresse da revisori: nel 2022 InstructGPT da 1,3 miliardi fu preferito a GPT-3 da 175 miliardi pur avendo cento volte meno parametri. Un'altra è l'apprendimento per rinforzo con verifiche oggettive: premiando il modello solo se il risultato finale è esatto secondo regole o codice, e senza la consueta fase su esempi scritti da persone, DeepSeek-R1-Zero su Nature ha mostrato come la rete impari a riflettere più a lungo, salendo su AIME 2024 (una gara matematica statunitense) dal 15,6% al 77,9%[7].
Cosa cambia davvero tra un modello e il successivo
Negli annunci dei fornitori non c'è quasi mai una magia nuova, ma l'intervento su sei leve precise.
La prima leva è una nuova base pre-addestrata: una ricostruzione da zero, rara e costosa. In Qwen4-Max, secondo i test interni del team di Qwen, la nuova base sbaglia meno della precedente: il suo errore sul testo è più basso del 5-13% in tutti gli ambiti provati, con il 25% di parametri attivi in meno rispetto alla base di Qwen3.8-Max.
La seconda leva è l'architettura: far lavorare meglio gli esperti riduce il costo vivo per token. Ho e colleghi hanno stimato che tra il 2012 e il 2023 i progressi negli algoritmi hanno dimezzato circa ogni 8 mesi il calcolo necessario per ottenere le stesse prestazioni, anche se gran parte dei progressi è venuta da più calcolo e più dati.

Qwen3.8-Max e Qwen4-Max: stessa taglia, conto diverso, secondo Alibaba.
La terza leva è il post-training, l'addestramento che affina il comportamento di una base già esistente: a nostro avviso è la leva dietro molti dei rilasci più ravvicinati. Gli aggiornamenti con una data nel nome, come DeepSeek-V4.1-Flash-1017, presentato da DeepSeek come più veloce e con risposte più brevi della versione precedente, spesso non dicono se la base sia stata rifatta o solo affinata. Anche quando la base cambia, il post-training pesa: per Qwen3.8 gli sviluppatori hanno attribuito le capacità sui compiti lunghi soprattutto all'espansione degli ambienti di rinforzo.
La quarta leva è il ragionamento a richiesta (effort). Snell e colleghi hanno rilevato che, su problemi alla portata del modello più piccolo, concedere più riflessione può far superare un sistema 14 volte più grande; tuttavia i passaggi intermedi si pagano, e Alibaba segnala che su Work360, in modalità High effort, Qwen4-Max usa circa il 35% di token in meno di Qwen3.8-Max.
La quinta leva sono le versioni distillate: con la tecnica descritta da Hinton e colleghi nel 2015, modelli compatti imparano dalle probabilità prodotte da un modello grande (così Alibaba ha addestrato i modelli leggeri di Qwen3), offrendo risposte rapide a costi contenuti, di solito un po' meno precise dell'originale.
La sesta leva è l'involucro: API, contesto esteso e tariffe. Su questo piano i vantaggi sono misurabili: secondo Artificial Analysis, GPT-6.1 Terra costa per token la metà o meno di GPT-5.6 Terra; e il modello stesso, quando non sa la risposta, tira a indovinare nel 38% dei casi, contro l'88% del predecessore[8].
I progressi tecnici sono reali: l'organizzazione METR ha calcolato che la durata, misurata nel tempo che impiegherebbe una persona, dei compiti software che i modelli di frontiera completano una volta su due raddoppia ogni sette mesi circa dal 2019, e forse più in fretta dal 2024[9]. Nello stesso tempo le distanze si sono ridotte: su Arena, la graduatoria in cui le persone votano alla cieca tra due risposte anonime, nel marzo 2026 i primi quattro modelli risultavano racchiusi in appena 25 punti Elo, contro i 97 di un anno prima[10]. Quando l'intelligenza grezza si livella, la scelta deve guardare ai costi e all'aderenza ai processi aziendali.
Come leggere il prossimo annuncio senza farsi abbagliare
Davanti a un nuovo lancio promozionale, un'azienda non deve chiedersi quale sia il modello più intelligente nei grafici di marketing, ma cosa convenga davvero adottare. I passi pratici per orientarsi sono sette:
- Nuova base o ritocco. Verificate se l'annuncio descrive un pre-addestramento da zero o una semplice ottimizzazione di modelli già operativi.
- Chi ha certificato i numeri. I benchmark si saturano rapidamente: su GPQA Diamond (quesiti scientifici di livello dottorato) nel 2025 la precisione media ha toccato il 93%, oltre l'81,2% degli esperti umani, mentre la contaminazione (cioè domande dei test finite nei dati di addestramento) può gonfiare i punteggi. Inoltre, nello studio The Leaderboard Illusion si evidenzia come alcuni fornitori possano testare molte varianti private (27 nel caso di Meta prima di Llama 4) e scegliere quali punteggi rendere pubblici[11].
- Costo complessivo per attività. Non guardate solo il prezzo a milione di token: con il ragionamento attivo, per esempio nei modelli Gemini, i token di pensiero si pagano insieme a quelli della risposta, e diventa decisivo il costo per singola attività completata.
- Intensità di ragionamento. Dosate lo sforzo sul compito reale: come indicano le linee guida di Anthropic, per gran parte dei carichi di lavoro ordinari il livello massimo di riflessione aggiunge costi significativi per guadagni di qualità relativamente piccoli.
- Verifica sui propri casi d'uso. Allestite un banco di prova interno con poche decine di compiti aziendali reali; mantenendo invariati istruzioni e strumenti, annotate qualità, latenza, token consumati, costo per attività e fallimenti tecnici.
- Trattamento e riservatezza dei dati. Chiarite dove risiedono i server e verificate contrattualmente che i dati aziendali non vengano usati per addestrare modelli pubblici.
- Intercambiabilità tecnica. Tenete la conoscenza aziendale separata dal singolo fornitore di AI, così da poter cambiare modello man mano che i prezzi calano senza dover riscrivere le integrazioni.
Come lo facciamo noi
Nei progetti che curiamo con le aziende applichiamo questo principio di modularità attraverso la nostra piattaforma Snake.
Snake non è vincolata a un singolo fornitore di intelligenza artificiale: si collega ai modelli principali — tra cui Claude di Anthropic, GPT di OpenAI e Gemini di Google — e scegliamo di volta in volta quello più adatto al singolo progetto, soppesando qualità delle risposte, costo per interazione e requisiti di riservatezza. Il motore può cambiare nel tempo senza rifare il progetto da capo: «cambia il modello, non la tua conoscenza».
Per avere risposte verificabili, Snake risponde sulla base dei documenti aziendali e indica sempre il documento di riferimento; se non trova informazioni sufficienti, lo dichiara e passa la conversazione a una persona. I documenti restano su infrastruttura europea e non vengono utilizzati per addestrare modelli pubblici.
La sostanza oltre la frequenza dei rilasci
Con ogni probabilità continueranno a uscire modelli nuovi ogni pochi giorni, ma ciò che cambia è quasi sempre il modo in cui i parametri vengono addestrati, selezionati e fatturati. Per chi guida un'azienda la priorità non è rincorrere l'ultimo annuncio, ma misurare le prestazioni sui propri documenti e il costo reale per attività svolta.
Vuoi sapere come scegliamo noi i modelli per i nostri clienti? Parliamone.
Vuoi saperne di più? Lasciaci una mail qui sotto, ti ricontattiamo al più presto.
Fonti:
- Stanford HAI — “Artificial Intelligence Index Report 2026” – hai.stanford.edu
- Qwen Team — “Qwen4-Max: Your New Teammate Has Arrived” (16 novembre 2026) – qwen.ai
- Hugging Face / Qwen Team — “Qwen3.8-2.4T-A95B” (8 agosto 2026) – huggingface.co
- Google for Developers — “Introduction to Large Language Models” (9 gennaio 2026) – developers.google.com
- Google Research / arXiv — “Attention Is All You Need” (12 giugno 2017) – arxiv.org
- DeepMind / arXiv — “Training Compute-Optimal Large Language Models” (29 marzo 2022) – arxiv.org
- DeepSeek-AI / Nature — “DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning” (17 settembre 2025) – nature.com
- Artificial Analysis — “OpenAI has released GPT-6.1 Terra, pushing the cost efficiency frontier” (26 ottobre 2026) – artificialanalysis.ai
- METR / arXiv — “Measuring AI Ability to Complete Long Software Tasks” (10 luglio 2026) – arxiv.org
- Stanford HAI — “AI Index Report 2026, Chapter 2: Technical Performance” – hai.stanford.edu
- Cohere Labs / arXiv — “The Leaderboard Illusion” (29 aprile 2025) – arxiv.org