MiniMax, un nome che circola poco fuori dai radar della scena tech cinese, sta per cambiare scala. Il team ha in programma di rilasciare entro il terzo trimestre di quest’anno un nuovo Large Language Model, nome in codice M3 Pro, che con i suoi 2.700 miliardi di parametri si candida a diventare uno dei modelli pubblici più grandi mai messi a disposizione in open source. La notizia, riportata da The Information, racconta di un salto dimensionale netto rispetto all’attuale M3 (428 miliardi di parametri) e promette un balzo in avanti nella gestione di compiti complessi, come il ragionamento multi-step e le istruzioni articolate.

Sulla carta è un annuncio che segue la narrativa ormai abituale del «più grande è meglio». Ma la dimensione quasi triplicata rispetto ai rivali più noti – e la scelta di aprirne il codice – sposta il baricentro dell’industria su un crinale inesplorato. Perché un modello di queste proporzioni non è solo una dimostrazione di forza bruta: è un oggetto che mette in tensione l’intero ecosistema dell’inference, dal cloud ai rack aziendali.

Il nodo hardware è immediato. Anche assumendo una quantization a 16 bit, i soli pesi del modello superano i 5 terabyte di VRAM. Significa che nessuna singola GPU oggi in commercio può ospitarne una copia completa. Servono cluster con interconnessioni velocissime, memoria distribuita e un parco macchine che pochi operatori possono permettersi. L’open source, in questo caso, non equivale a «portabile sul proprio server»: l’M3 Pro nasce per chi ha accesso a infrastrutture paragonabili a quelle dei grandi fornitori cloud, oppure per chi intende distillarlo in versioni più leggere. È uno scenario che ribalta la retorica della democratizzazione dell’AI: il codice è pubblico, ma l’esecuzione resta un privilegio.

Eppure la mossa di MiniMax ha una logica precisa. Rilasciare un modello fondazionale di taglia estrema in open source significa innanzitutto alzare il costo competitivo per chiunque operi a livelli inferiori. Se un attore non occidentale mette sul tavolo una base da 2.700 miliardi di parametri, i laboratori che lavorano su modelli proprietari saranno costretti a giustificare il valore aggiunto dei loro sistemi closed, siano essi performance, latenza o integrazione. In secondo luogo, la disponibilità pubblica accelera la ricerca su tecniche di compressione, potatura e quantization aggressiva: in uno o due anni potremmo vedere versioni «ridotte» dell’M3 Pro girare su hardware molto più modesto, proprio perché il materiale grezzo su cui sperimentare esiste già.

Per chi valuta deployment on-premise, il messaggio è duplice. Da un lato, modelli così estremi sembrano allontanare la possibilità di un’AI di frontiera totalmente self-hosted, spingendo verso soluzioni ibride in cui l’inference pesante resta in cloud e solo modelli derivati finiscono on-premise. Dall’altro, l’open sourcing accende la competizione sull’efficienza: se il modello c’è e può essere sezionato, diventa una base di partenza per distillare varianti da centinaia di miliardi di parametri – quelle sì addomesticabili su infrastrutture locali.

La tempistica indicata (terzo trimestre 2025) è ambiziosa, e nel frattempo il panorama potrebbe già essere mutato. Ma se MiniMax rispetterà la tabella di marcia, l’M3 Pro non sarà solo un record da manuale dei primati. Sarà un banco di prova per misurare quanto il settore sia pronto a maneggiare modelli aperti di taglia colossale, e quanto la via cinese all’open AI stia ridefinendo le regole del gioco. L’asticella si è spostata, e questa volta la sfida non è soltanto per chi costruisce modelli, ma per chi deve farli funzionare.