Il dettaglio che distingue Distribird da molti strumenti scientifici basati su LLM è silenzioso ma decisivo: ogni chiamata ai LLM avviene in locale. Non c'è un'API cloud che riceve descrizioni di parametri o dettagli di modelli non pubblicati. Verso i database bibliografici pubblici partono soltanto i termini di ricerca generati dal sistema. Per un'applicazione pensata per la calibrazione bayesiana di modelli di processo, questa scelta non è un accessorio: è la condizione perché un gruppo di ricerca possa usarla senza cedere il controllo sui propri dati.

Distribird è un'applicazione web agentica che automatizza la costruzione di distribuzioni a priori informative dalla letteratura scientifica. Dato un nome di parametro, una descrizione fisica e un contesto di dominio, una pipeline multi-agente cerca la letteratura, estrae e pondera i valori riportati in base alla rilevanza per il dominio e adatta una distribuzione di probabilità tramite selezione del modello AIC. Quando la letteratura non è disponibile, il sistema ripiega su alternative non informative e dichiara in modo esplicito sia le evidenze sia il livello di confidenza di ogni prior prodotto.

La valutazione pubblicata riguarda 24 parametri in 10 domini scientifici e confronta tre modelli open-weight — Qwen3.6 27B, Gemma 4 31B e Mistral Small 4 119B — con una baseline LLM a singolo prompt. Sul fronte della qualità del prior, la pipeline completa ottiene risultati in linea con la baseline. Ma il punto non è la precisione puntuale. Ogni prior è tracciato fino ai singoli articoli e valori da cui è stato costruito. Un livello di validità integrato rifiuta di produrre prior per richieste fuori ambito; la baseline a singolo prompt, negli stessi casi, restituisce con sicurezza prior infondati in 11 casi su 30 combinazioni modello-parametro. La differenza non è marginale: è la differenza tra uno strumento che può essere usato in un contesto scientifico e uno che produce risposte verosimili ma non verificabili.

C'è una tesi di fondo che emerge da questo lavoro, ed è più rilevante per chi segue le architetture on-premise che per chi cerca un ennesimo benchmark. Quando un sistema deve produrre decisioni basate su evidenze — come un prior bayesiano che condiziona un intero modello di processo — la tracciabilità, la validità e la sovranità dei dati contano più di un guadagno marginale nell'accuratezza puntuale. Non è una posizione ideologica: è una conseguenza operativa. Un laboratorio che lavora su modelli fisici non pubblicati non può spedire descrizioni sensibili a un provider LLM terzo. Un revisore o un ente regolatore non può accettare un prior senza sapere da quali articoli e valori derivi. Una pipeline che gira in locale con modelli open-weight consente di rispondere a entrambe le esigenze.

Questa scelta ha implicazioni di secondo ordine per chi progetta infrastrutture di calcolo. Eseguire localmente modelli open-weight fino a 119 miliardi di parametri non è gratuito: richiede VRAM adeguata, spesso più GPU e, in molti contesti, tecniche di quantization per contenere il footprint. Il TCO di una pipeline agentica di questo tipo non si misura solo in costo per token, ma in capacità di mantenere il dato sensibile dentro il perimetro aziendale o di laboratorio, riducendo al minimo l'esfiltrazione. Il fatto che verso l'esterno escano solo i termini di ricerca è un pattern architetturale che molti deployment self-hosted stanno adottando anche fuori dalla ricerca scientifica: non isolare il sistema, ma minimizzare la superficie dei dati che lasciano il perimetro.

Per chi valuta deployment on-premise di pipeline simili, AI-RADAR offre framework analitici su /llm-onpremise per mappare i trade-off tra VRAM, quantization e TCO senza trasformare la sovranità in uno slogan. Il caso Distribird mostra che la frontiera non è soltanto tra cloud e locale, ma tra sistemi che dichiarano la provenienza delle proprie decisioni e sistemi che la ignorano.