La segnalazione arriva da un utente di Hugging Face che descrive un'interruzione improvvisa dei download: i trasferimenti si fermano, non riprendono e quando si torna alla pagina del modello il repository non c'è più. Nella lista compaiono nomi come dealignai/MiMo-V2.6-Pro-RL-UNCENSORED, audnai/penclaw-GLM-5.3-abliterated-for-offensive-cyber e huihui-ai/Huihui-Kimi-K2.7-Code-abliterated-GGUF. L'utente chiede anche se qualcuno sa dove trovare i modelli spariti, compresi quelli basati su DeepSeek-R1.

Per chi lavora in un contesto self-hosted, questo episodio è più di un disguido. Un repository pubblico non è un fornitore con SLA, ma una vetrina regolata da policy e decisioni dei singoli uploader. Se un modello sparisce, la pipeline di inference o il fine-tuning pianificato si ferma. I pesi non sono più scaricabili, e chi non ha una copia locale o un mirror privato perde l'accesso all'artefatto esatto su cui aveva costruito.

La scelta dei nomi non è neutra: 'uncensored', 'offensive cyber' e 'abliterated' segnalano modifiche che rimuovono o attenuano i filtri di sicurezza. È plausibile che tali modelli siano soggetti a segnalazioni e rimozioni più frequenti. In generale, le piattaforme di hosting pubblico applicano standard di moderazione che possono cambiare nel tempo, e i modelli non conformi vengono rimossi o resi privati.

La questione si intreccia con un nodo più ampio: la sovranità dei dati non coincide con la sovranità dei modelli. Un'organizzazione può tenere i dati in locale, ma se scarica i pesi da un hub esterno senza un catalogo interno versionato, resta esposta a una supply chain revocabile. Il Total Cost of Ownership di un deployment on-premise include anche i costi di gestione degli artefatti: mirroring, checksum, cache locale, procedure di fallback. Non si tratta solo di conformità o sicurezza, ma di continuità operativa.

Chi perde in questi casi sono i progetti individuali e i team che non hanno replicato i modelli su storage proprio. Chi guadagna sono i fornitori di registry privati, le soluzioni air-gapped e i cataloghi enterprise che offrono versioni persistenti e verificate. C'è anche un incentivo per le organizzazioni a fare self-hosting non solo dei dati ma anche dei modelli: mantenere una copia locale di ogni artefatto critico, con hash e licenza registrata.

Per chi valuta deployment on-premise, esistono trade-off tra dipendenza da hub pubblici e gestione di un catalogo interno: AI-RADAR offre framework analitici su /llm-onpremise per confrontare costi e rischi. La domanda dell'utente resta aperta: dove finiscono i modelli spariti? In molti casi, la risposta non è in un altro link pubblico, ma in un backup locale che non è stato fatto.