Chi segue la scena dei modelli cinesi sa che fino a pochi mesi fa Qwen rappresentava una certezza per l'open source. Poi è arrivato il silenzio. L'allontanamento di Junyang Lin, figura chiave del laboratorio, ha coinciso con una brusca frenata: i modelli della famiglia 3.7 restano completamente chiusi, senza pesi pubblici, senza repository, senza quella trasparenza che aveva caratterizzato le release precedenti.

L'addio di Junyang Lin e il vuoto attorno a Qwen 3.7

La notizia del licenziamento ha fatto rumore, ma il dato più concreto è ciò che non è successo dopo. Nessun checkpoint, nessuna scheda tecnica accessibile, nessuna possibilità per un'azienda di scaricare il modello ed eseguirlo sui propri server. Qwen 3.7 esiste, ma solo dietro API. Per un laboratorio che aveva costruito la propria reputazione anche sulla disponibilità dei pesi, è un cambio di rotta che molti osservatori interpretano come una scelta di campo: monetizzare l'inference anziché abilitare l'ecosistema.

La mappa dell'open source cinese: tutti tranne uno

Basta guardare il calendario delle release per accorgersi dell'anomalia. GLM ha pubblicato la versione 5.2 a metà giugno, Kimi ha reso open il suo K2.7-Code pochi giorni prima, MiniMax ha seguito con M3, Step con 3.7-Flash a fine maggio, MiMo con V2.5-Pro ad aprile e DeepSeek ha piazzato la coppia V4-Pro e V4-Flash il 24 aprile. Tutti modelli aperti, tutti disponibili per chi vuole fare self-hosting. Qwen, al momento, è l'unico grande laboratorio cinese a non aver tenuto il passo.

Cosa perde chi punta su deployment on-premise

Per chi opera in ambienti regolamentati, con obblighi di residenza dei dati o semplicemente con una strategia zero-cloud, l'assenza di un LLM open source da un fornitore di peso non è una nota a margine. I modelli chiusi costringono a chiamate API verso datacenter esterni, moltiplicano i rischi sul fronte privacy e impediscono qualsiasi forma di fine-tuning su dati proprietari. Inoltre, il Total Cost of Ownership di un approccio basato su API può diventare rapidamente insostenibile quando i volumi di inference crescono. Avere a disposizione un modello come Qwen 3.7 in locale, con la possibilità di quantization e ottimizzazione per GPU consumer o server on-premise, avrebbe rappresentato un'alternativa concreta. La sua assenza spinge invece verso soluzioni che, per quanto performanti, rinunciano al controllo diretto sull'infrastruttura.

Un mercato che chiede trasparenza

La decisione di Qwen segnala una tensione sempre più visibile tra la logica commerciale dei laboratori e le esigenze di un'adozione enterprise matura. Il paradosso è che, mentre le regolamentazioni globali premono per auditability e sovranità digitale, alcuni dei player più avanzati ritirano l'accesso diretto ai modelli. Non è una dinamica isolata, ma un segnale che la governance dell'AI passa anche dalla disponibilità del codice. Per chi valuta oggi il proprio stack, la lezione è chiara: la dipendenza da un singolo fornitore, soprattutto se privo di impegni pubblici sull'open source, è un rischio da calibrare con attenzione. L'ecosistema cinese resta ricco di alternative, ma la scomparsa di Qwen dal tavolo dell'open source è un campanello d'allarme che nessuna strategia di deployment dovrebbe ignorare.