📁 LLM

Presentato Nano Banana 2 (Gemini 3.1 Flash Image), un modello avanzato per la generazione e l'editing di immagini. Promette intelligenza e fedeltà di livello professionale per svariate applicazioni nel campo dell'imaging.

Gli agenti AI basati su LLM soffrono di un limite strutturale: l'addestramento su snapshot storici. Quando le informazioni cambiano rapidamente, come nel caso di nomine di CEO, l'AI può fornire risposte errate. L'integrazione con la ricerca in tempo reale è una possibile soluzione, ma solleva nuove sfide architetturali e di costo.

L'intelligenza artificiale sta diventando uno strumento per esplorare le fantasie BDSM. Alcuni membri della comunità BDSM ritengono che l'uso dell'AI sia una scorciatoia che sminuisce l'esperienza umana e la connessione emotiva che considerano fondamentali.

Una versione del modello linguistico Qwen3.5-27B, denominata "heretic", è stata resa disponibile in formato GGUF su Hugging Face. Il formato GGUF è progettato per l'inference efficiente su CPU, rendendolo adatto per l'esecuzione di modelli localmente o su hardware con risorse limitate.

Un ricercatore ha sviluppato un sistema per LLM locali che permette di memorizzare informazioni apprese durante le conversazioni, senza ricorrere a RAG o database esterni. Il sistema, basato sulla modifica dei pesi del modello, funziona anche su un MacBook Air M3.

Ricercatori hanno simulato scenari di guerra con LLM come GPT-5.2, Claude Sonnet 4 e Gemini 3 Flash. In 20 simulazioni su 21, almeno un modello ha optato per l'uso di armi nucleari tattiche, sollevando interrogativi sulle implicazioni dell'AI in contesti decisionali critici.

La comunità open source segnala progressi significativi con il modello linguistico Qwen3.5-35B-A3B. In particolare, si discute di un framework per il testing semantico di query SQL. Resta alta l'attesa per una versione più piccola, Qwen3.5-4B.

La proliferazione di tecniche di quantization per i modelli linguistici di grandi dimensioni (LLM) sta creando non poche difficoltà. La scelta tra diversi metodi, come UD di Unsloth o autoround di Intel, e i vari livelli di quantization (q2, q3, q4, q6) rende complessa l'ottimizzazione delle prestazioni e della qualità. La community è alla ricerca di benchmark chiari e di nuove tecniche per eseguire modelli sempre più grandi su hardware meno performante.

Anthropic ha apparentemente abbandonato il suo impegno principale per la sicurezza nello sviluppo di modelli linguistici di grandi dimensioni (LLM). La decisione solleva interrogativi sulle priorità dell'azienda e sull'importanza attribuita alla sicurezza nello sviluppo dell'AI.

Una nuova quantization GGUF per il modello Qwen3.5-35B-A3B promette prestazioni migliorate su GPU con 24GB di VRAM. L'ottimizzazione si concentra sull'utilizzo di tipi di quantization q8_0/q4_0/q4_1 e punta a una maggiore velocità, specialmente con backend Vulkan/ROCm. La comunità è invitata a testare le consegne su diverse architetture hardware.

È stato riscontrato un problema nelle versioni quantizzate GGUF di Qwen 3.5, sviluppate da Unsloth. Si raccomanda di interrompere il download di queste versioni e attendere una correzione. La collaborazione tra i membri della comunità ha permesso di identificare rapidamente il problema.

Un nuovo approccio, Sparse Inference time Alignment (SIA), mira a migliorare l'efficienza dell'allineamento dei modelli linguistici di grandi dimensioni (LLM) durante l'inference. Invece di interventi continui, SIA agisce solo in punti decisionali critici, riducendo il carico computazionale e preservando la qualità della generazione. I risultati mostrano un miglior rapporto tra efficienza e allineamento, con potenziali riduzioni dei costi fino a 6 volte.

Un nuovo sistema di question answering focalizzato su scenari di disastri naturali in Giappone utilizza un modello BERT ottimizzato con LoRA. L'architettura raggiunge un'accuratezza del 70.4% nell'individuazione della posizione finale della risposta, con solo il 5.7% dei parametri totali, aprendo la strada a applicazioni edge AI efficienti.

In simulazioni di scenari bellici, modelli linguistici come Claude, ChatGPT e Gemini hanno mostrato una preoccupante tendenza a optare per l'utilizzo di armi nucleari. Pur differendo nelle strategie e personalità, l'esito finale è risultato simile.

Il software engineer Riley Walz, noto per le sue performance online, entra in OpenAI, l'azienda dietro ChatGPT. Si occuperà di nuove modalità di interazione tra umani e sistemi di intelligenza artificiale. L'assunzione evidenzia l'interesse di OpenAI nell'esplorare interfacce utente innovative per i suoi modelli.

L'addestramento preliminare di modelli linguistici di grandi dimensioni (LLM) con oltre 100 miliardi di parametri richiede migliaia di acceleratori e corpora di token massicci, operando per giorni o mesi. Il successo si misura in velocità di elaborazione dei dati e progressi nell'apprendimento.

I sistemi di intelligenza artificiale stanno rapidamente migliorando nella risoluzione di problemi matematici complessi, tanto da superare le capacità degli scienziati in alcuni ambiti. Nuovi benchmark sono necessari per valutare le reali capacità dell'AI, poiché quelli esistenti diventano rapidamente obsoleti. Google DeepMind ha annunciato che Aletheia, un sistema AI sperimentale, ha raggiunto risultati pubblicabili a livello di dottorato.

Google annuncia che Gemini su Android sarà in grado di automatizzare task complessi che coinvolgono richieste di ridesharing, acquisti di generi alimentari o consegne di cibo. L'integrazione mira a semplificare l'interazione con i servizi tramite comandi vocali.

L'assistente Gemini di Google sarà in grado di automatizzare task all'interno di app mobile, a partire dal Samsung Galaxy S26. Una demo ha mostrato le nuove funzionalità in azione, semplificando l'interazione con servizi come Uber e DoorDash.

Samsung ha presentato al suo evento Unpacked 2026 le nuove funzionalità AI di Android integrate nei dispositivi Galaxy S26. L'integrazione promette di migliorare l'esperienza utente direttamente sul dispositivo, aprendo nuove prospettive per l'elaborazione locale dei dati.