BarbaraB – RDC Network https://rdcnetwork.it AI, automazioni e progetti digitali Wed, 04 Nov 2026 07:00:59 +0000 it-IT hourly 1 https://wordpress.org/?v=7.1.4 https://rdcnetwork.it/wp-content/uploads/2019/09/R-150x150.jpg BarbaraB – RDC Network https://rdcnetwork.it 32 32 Musk ammette: servire Grok Bot costava troppo rispetto ai ricavi https://rdcnetwork.it/2026/11/04/musk-ammette-servire-grok-bot-costava-troppo-rispetto-ai-ricavi/ https://rdcnetwork.it/2026/11/04/musk-ammette-servire-grok-bot-costava-troppo-rispetto-ai-ricavi/#respond Wed, 04 Nov 2026 07:00:59 +0000 https://rdcnetwork.it/2026/11/04/musk-ammette-servire-grok-bot-costava-troppo-rispetto-ai-ricavi/ Elon Musk ha riconosciuto pubblicamente che il costo per far funzionare Grok Bot era insostenibile rispetto ai ricavi generati. La dichiarazione arriva dopo che numerosi utenti hanno segnalato di aver esaurito in pochi giorni le proprie quote di utilizzo settimanali, molto prima del previsto.

Cosa è successo

Secondo quanto riportato dalla fonte, diversi utenti paganti di Grok Bot hanno visto azzerarsi o saturarsi le quote di utilizzo nell’arco di pochi giorni dalla loro attivazione. Su X, Musk ha risposto a una segnalazione spiegando che il costo di erogazione del servizio era appunto «unsustainably high relative to revenue», cioè troppo alto rispetto ai ricavi.

L’estratto della newsletter parla di utenti che pagano fino a 200 dollari al mese e di circa 800.000 utenti paganti settimanali, ciascuno dei quali mantiene in esecuzione un computer virtuale a carico dell’infrastruttura. Si tratta di dati riportati dalla fonte e non verificati in modo indipendente.

Perché è rilevante

La vicenda mette in luce un nodo economico tipico degli agenti AI: mantenere ambienti di calcolo persistenti per ogni utente ha un costo che cresce con l’uso e che può superare di molto il prezzo dell’abbonamento. Quando il margine si assottiglia, le aziende tendono a ridurre le quote o a rivedere i piani.

Per chi usa strumenti di automazione e agenti AI, il caso è un promemoria concreto: la disponibilità e i limiti di utilizzo possono cambiare rapidamente, anche per servizi a pagamento, e conviene tenerne conto quando si costruiscono flussi di lavoro che dipendono da queste piattaforme.

Cosa resta da verificare

  • Le nuove soglie effettive delle quote settimanali e le eventuali modifiche ai piani.
  • Se siano previsti rimborsi o compensazioni per gli utenti colpiti.
  • Le cifre su utenti paganti e prezzi, riportate dalla fonte ma non confermate da comunicazioni ufficiali.

La discussione è documentata nel thread pubblico su X citato dalla fonte originale.

]]>
https://rdcnetwork.it/2026/11/04/musk-ammette-servire-grok-bot-costava-troppo-rispetto-ai-ricavi/feed/ 0
OpenAI accelera sulla raccolta di capitali mentre Anthropic si prepara alla quotazione https://rdcnetwork.it/2026/11/03/openai-accelera-sulla-raccolta-di-capitali-mentre-anthropic-si-prepara-alla-quotazione/ https://rdcnetwork.it/2026/11/03/openai-accelera-sulla-raccolta-di-capitali-mentre-anthropic-si-prepara-alla-quotazione/#respond Tue, 03 Nov 2026 07:01:02 +0000 https://rdcnetwork.it/2026/11/03/openai-accelera-sulla-raccolta-di-capitali-mentre-anthropic-si-prepara-alla-quotazione/ Secondo quanto riportato dalla newsletter di AI Secret, OpenAI starebbe cercando nuovi investitori per anticipare la possibile quotazione di Anthropic. La dinamica raccontata dalla fonte riguarda soprattutto il mondo della finanza e degli investimenti nell’intelligenza artificiale, ma aiuta a capire il clima in cui operano oggi le principali aziende del settore.

Cosa racconta la fonte

Stando all’estratto, OpenAI si sarebbe rivolta nei giorni scorsi a fondi sovrani e a investitori long-only, in competizione con Anthropic per gli stessi capitali in vista di una possibile IPO di quest’ultima. Alcuni grandi investitori avrebbero risposto con un interesse tiepido. Il momento, secondo la fonte, sarebbe stato sfavorevole: nello stesso periodo i titoli tecnologici avrebbero perso quasi mille miliardi di dollari in una settimana.

La ricerca di finanziamenti si sposterebbe quindi verso family office e investitori privati facoltosi, che secondo la fonte potrebbero accedere a un’offerta successiva alle stesse condizioni.

Perché è rilevante

La notizia tocca un punto che riguarda indirettamente chiunque segua l’ecosistema AI: la capacità delle aziende di punta di raccogliere capitali non dipende solo dalla qualità dei loro modelli, ma anche dal contesto dei mercati finanziari. Un clima più prudente sui titoli tecnologici può rendere più difficile chiudere round importanti, anche per attori di primo piano.

Il confronto con Anthropic, inoltre, suggerisce che la competizione tra i grandi laboratori di intelligenza artificiale si gioca ormai anche sul terreno della finanza e degli investitori, non solo su quello dei prodotti.

I limiti di quanto sappiamo

Le informazioni disponibili sono sintetiche e provengono da un unico estratto. Non sono indicati importi, nomi degli investitori coinvolti, tempistiche precise né conferme ufficiali da parte delle aziende citate. Anche il riferimento a una possibile quotazione di Anthropic va trattato come elemento riportato dalla fonte, non come un fatto confermato.

Restano quindi da verificare diversi aspetti: l’effettiva entità della raccolta, le condizioni offerte ai nuovi investitori e l’impatto reale dell’andamento dei mercati sulle trattative. Per ora la notizia va letta come un’indicazione di tendenza, utile a contestualizzare il momento del settore.

]]>
https://rdcnetwork.it/2026/11/03/openai-accelera-sulla-raccolta-di-capitali-mentre-anthropic-si-prepara-alla-quotazione/feed/ 0
OpenAI promette l’arrivo di Dots in più Paesi europei nelle prossime settimane https://rdcnetwork.it/2026/10/30/openai-promette-larrivo-di-dots-in-piu-paesi-europei-nelle-prossime-settimane/ Fri, 30 Oct 2026 07:00:55 +0000 https://rdcnetwork.it/2026/10/30/openai-promette-larrivo-di-dots-in-piu-paesi-europei-nelle-prossime-settimane/ OpenAI avrebbe indicato che il servizio noto come Dots raggiungerà un numero maggiore di Paesi europei nel giro di poche settimane, dopo un confronto con le autorità di regolamentazione. La notizia emerge dal titolo di una segnalazione pubblicata su aisecret.us, che accosta questo annuncio a un evento DevDay tenuto a Berlino e dedicato soprattutto ai developer.

Cosa sappiamo

Le informazioni disponibili sono molto limitate. La fonte riporta due elementi principali: la promessa di un’estensione della disponibilità di Dots in Europa entro alcune settimane, collegata a colloqui con i regolatori, e lo svolgimento di un DevDay a Berlino con un’attenzione prevalente verso il pubblico degli sviluppatori.

Non vengono indicati quali Paesi saranno coinvolti, quali funzionalità saranno disponibili, né quali autorità abbiano partecipato ai colloqui. Non è chiaro nemmeno se l’estensione riguardi l’intera Unione Europea o un insieme più ristretto di mercati.

Perché il fattore regolatorio conta

Il riferimento ai colloqui con i regolatori suggerisce che l’arrivo del servizio in Europa dipenda anche dal quadro normativo locale. Per gli utenti e per chi sviluppa su queste piattaforme, la disponibilità geografica è spesso un prerequisito concreto: senza accesso ufficiale in un Paese, non è possibile pianificare integrazioni, test o attività commerciali che si basino sul servizio.

Questo rende l’annuncio rilevante soprattutto per sviluppatori, aziende e professionisti che attendono di capire se e quando potranno usare Dots nei rispettivi mercati. Resta però da verificare quali saranno le condizioni effettive di accesso.

Il DevDay di Berlino

Secondo la fonte, l’evento berlinese è stato in prevalenza un’occasione rivolta ai developer. Il materiale non specifica quali annunci tecnici siano stati fatti né quali strumenti siano stati presentati, quindi non è possibile trarre conclusioni sulle novità per chi sviluppa.

Dettagli ancora da chiarire

  • L’elenco preciso dei Paesi europei interessati dall’estensione.
  • La data effettiva di disponibilità, indicata solo come “nelle prossime settimane”.
  • Le funzionalità di Dots che saranno accessibili in Europa.
  • Le condizioni economiche e i requisiti di accesso per utenti e sviluppatori.
  • Quali autorità di regolamentazione siano state coinvolte nei colloqui.

In assenza di conferme ufficiali dettagliate, le informazioni vanno considerate come un annuncio preliminare. Chi è interessato a utilizzare Dots in Europa dovrà attendere comunicazioni più precise da parte di OpenAI o dei regolatori nazionali competenti.

]]>
MiniMax M3.1 Flash: il modello pensato per gli agenti AI, più veloce e più economico https://rdcnetwork.it/2026/10/29/minimax-m3-1-flash-il-modello-pensato-per-gli-agenti-ai-piu-veloce-e-piu-economico/ Thu, 29 Oct 2026 07:00:58 +0000 https://rdcnetwork.it/2026/10/29/minimax-m3-1-flash-il-modello-pensato-per-gli-agenti-ai-piu-veloce-e-piu-economico/ MiniMax ha presentato M3.1 Flash, un nuovo modello della famiglia Flash orientato ad attività agentiche, alla programmazione, all’uso del computer e alla cybersecurity. Secondo quanto riportato nella scheda pubblicata su Product Hunt, l’azienda lo descrive come un salto generazionale rispetto al modello precedente.

Cosa cambia rispetto al passato

Il dato più evidente riguarda le prestazioni: MiniMax dichiara un’inferenza online circa tre volte più rapida del predecessore, ottenuta anche grazie a una sparsità più aggressiva che migliora l’efficienza di calcolo. Nell’uso quotidiano il modello produrrebbe oltre 200 token al secondo, con una mediana superiore a 170.

La scheda segnala inoltre un prezzo fisso: 0,15 dollari per milione di token in input, 0,60 dollari per milione in output e 0,015 dollari per milione di token di input in cache. Il titolo della notizia parla di un costo inferiore del 70% rispetto al modello precedente, ma la pagina non riporta il confronto diretto con i vecchi prezzi: il dato va quindi considerato come dichiarazione dell’azienda da verificare.

I numeri dichiarati sui benchmark

MiniMax riporta alcuni risultati su prove specifiche, tutti presentati come valutazioni interne o dichiarate dall’azienda:

  • OSWorld V2: 61,7, indicato come primo posto tra i modelli cinesi.
  • ALE: 29,6, anch’esso indicato al primo posto tra i modelli cinesi.
  • CyberGym: 82%, valutato secondo gli esperti di sicurezza interni a MiniMax.

Si tratta di metriche che riguardano capacità operative e di sicurezza, non solo la velocità di generazione. Per chi sviluppa agenti, la rilevanza sta nel fatto che questi numeri misurano compiti concreti, come l’interazione con un ambiente desktop o la gestione di scenari di sicurezza, piuttosto che la sola qualità del testo prodotto.

Un modello pensato per gli agenti

La scheda racconta anche un dettaglio curioso: una versione preliminare del modello sarebbe stata testata in forma anonima con il nome “Space Bunny” e avrebbe elaborato oltre 200 trilioni di token prima del lancio ufficiale. È un’informazione fornita dall’azienda e non verificabile in modo indipendente, ma suggerisce un lungo periodo di addestramento e messa a punto.

L’orientamento dichiarato è verso i flussi agentici: attività in cui il modello deve chiamare strumenti, correggere il tiro a metà di un compito e mantenere la coerenza su più passaggi. In questi scenari la velocità conta, ma conta altrettanto la stabilità dei risultati quando la catena di azioni si allunga.

A chi può essere utile

Secondo la descrizione, M3.1 Flash è accessibile tramite l’API di MiniMax, l’abbonamento M Plan e l’app desktop MiniMax Code. L’indicazione è che possa interessare chi costruisce agenti per la programmazione o per l’uso del computer e cerca un modello rapido e dai costi contenuti.

Il prezzo per token è uno degli elementi più rilevanti per chi lavora con agenti che effettuano molte chiamate: in questi casi il costo complessivo dipende più dal volume di token consumati che dal singolo scambio. Un modello più economico può rendere sostenibili flussi che altrimenti sarebbero troppo onerosi.

Cosa resta da verificare

Alcuni punti non sono chiariti dalla pagina. Il confronto del 70% di risparmio non è accompagnato dai prezzi del modello precedente, e i benchmark sono presentati dall’azienda o valutati da esperti interni, quindi non da terze parti indipendenti. Manca inoltre un’indicazione sui limiti di contesto, sulla latenza reale in produzione e sul comportamento del modello in compiti lunghi con più strumenti, aspetto che un commento della scheda solleva esplicitamente.

Per chi valuta l’adozione, la domanda pratica è se la velocità dichiarata si mantenga anche quando il compito richiede diverse chiamate e una correzione intermedia, o se l’accuratezza cali prima dei tempi di risposta. Su questo la fonte non offre dati, e la verifica richiede prove dirette sul proprio caso d’uso.

]]>
1Password for Agents: gli agenti AI accedono agli account senza vedere le password https://rdcnetwork.it/2026/10/28/1password-for-agents-gli-agenti-ai-accedono-agli-account-senza-vedere-le-password/ Wed, 28 Oct 2026 07:01:14 +0000 https://rdcnetwork.it/2026/10/28/1password-for-agents-gli-agenti-ai-accedono-agli-account-senza-vedere-le-password/ 1Password ha presentato una funzionalità pensata per un problema concreto: quando un agente AI personale deve effettuare un accesso a un sito o a un’app per portare a termine un compito, come completare un acquisto o operare dentro un account, la soluzione più semplice è consegnargli le credenziali. È però una strada rischiosa, perché non si può controllare cosa l’agente faccia con quelle password. La risposta dell’azienda si chiama 1Password for Agents e, secondo quanto riportato nella pagina pubblicata su Product Hunt, permette agli agenti supportati di accedere agli account senza mai entrare in possesso delle password.

Come funziona il flusso di accesso

Il meccanismo descritto dalla fonte si basa su un passaggio di approvazione. Quando un agente arriva a una schermata di login, chiede a 1Password la credenziale necessaria. L’utente approva o rifiuta la richiesta direttamente in 1Password e il gestore compila la password o il codice monouso al posto dell’agente. Quest’ultimo riceve soltanto la conferma che l’accesso è stato concesso, non i dati usati per effettuarlo.

Secondo 1Password, l’approvazione avviene sul dispositivo dell’utente e l’agente dimostra la propria identità tramite una chiave digitale univoca. Collegare un agente non gli garantisce l’accesso all’intera cassaforte, che resta cifrata end-to-end. Se più credenziali salvate corrispondono alla richiesta, è l’utente a scegliere quale viene utilizzata.

Le integrazioni annunciate

La funzionalità viene introdotta con Meta Muse e Grok Bot, con un’ulteriore integrazione in preparazione. La fonte non specifica quali altri servizi saranno coinvolti né i tempi di estensione ad altri agenti. Il nome usato per questa modalità è Agentic Autofill: un agente supportato effettua l’accesso tramite browser senza mai gestire la password.

A chi può servire

Il pubblico di riferimento è chi utilizza agenti AI personali e vuole che si occupino dei login senza dover consegnare le proprie credenziali. Il caso d’uso tipico è un agente che deve operare dentro un servizio per completare un’azione, ma il controllo resta in mano all’utente nel momento dell’approvazione.

I punti ancora da chiarire

Dalle domande raccolte nella pagina emergono alcuni aspetti che la presentazione non risolve del tutto. Resta da capire cosa accada quando il riempimento automatico del browser non funziona su una determinata pagina di login, se l’agente debba attendere l’approvazione o saltare l’operazione in caso di mancata risposta, e se il sistema si limiti al momento dell’accesso o possa contribuire a gestire anche altri tipi di permessi e limiti. Si tratta di questioni aperte, non di funzionalità confermate.

In sintesi, 1Password for Agents sposta il controllo dal passaggio della password all’approvazione di una richiesta: un’impostazione che riduce l’esposizione delle credenziali, ma che va valutata alla luce delle integrazioni effettivamente disponibili e dei comportamenti ancora da verificare.

]]>
Replit sceglie OpenAI come modello predefinito: cosa cambia per chi sviluppa https://rdcnetwork.it/2026/10/27/replit-sceglie-openai-come-modello-predefinito-cosa-cambia-per-chi-sviluppa/ Tue, 27 Oct 2026 07:01:19 +0000 https://rdcnetwork.it/2026/10/27/replit-sceglie-openai-come-modello-predefinito-cosa-cambia-per-chi-sviluppa/ Replit, la piattaforma di sviluppo software basata su intelligenza artificiale molto usata da sviluppatori e fondatori di startup, ha indicato OpenAI come fornitore predefinito dei modelli che alimentano il suo agente di programmazione. La decisione è stata annunciata dal CEO e co-fondatore Amjad Masad durante un intervento a TechCrunch Disrupt, come riporta l’articolo originale.

Cosa ha detto Masad

Secondo quanto riportato, la scelta di passare a OpenAI come partner preferenziale è legata a tre fattori indicati esplicitamente dal CEO: il costo, la partnership e le prestazioni. Masad ha spiegato che l’azienda utilizza un benchmark interno per valutare le performance dei modelli e ne pubblica anche uno pubblico, e che i modelli OpenAI risultano più efficaci nella costruzione di applicazioni da zero in modalità “vibe coding”.

Masad ha poi precisato che Replit resta “model agnostic”: gli utenti possono ancora scegliere i modelli di Anthropic o altri modelli supportati, ma OpenAI è ora il partner preferito per alimentare Replit Agent. Prima dell’accordo con OpenAI, la piattaforma si appoggiava ai modelli Claude di Anthropic, e Replit era arrivata a essere uno dei primi cinque clienti dell’azienda.

Una ricostruzione contestata

Vale la pena segnalare che la versione del CEO non è stata accolta in modo unanime. Secondo l’articolo, alcune fonti vicine alla partnership tra Anthropic e Replit hanno contestato le dichiarazioni di Masad, sostenendo che il rapporto fosse ancora attivo. La fonte cita inoltre prove su sito, blog e social di Replit che fino a poche settimane prima promuovevano prodotti Anthropic come modelli operativi nell’ambiente di produzione di Replit Agent.

Questo punto è importante per chi legge la notizia: la portata reale del cambiamento va letta con cautela. Non si tratta, stando alle informazioni disponibili, di un taglio netto con Anthropic, ma di uno spostamento del modello predefinito verso OpenAI.

Perché il modello predefinito conta

La scelta del default ha un impatto concreto. Come nota la fonte, la maggior parte dei clienti tende a usare il modello preimpostato senza selezionarne uno diverso: spostare il default significa quindi orientare la maggioranza delle richieste verso un fornitore e ridurre di conseguenza la spesa destinata all’altro. Per gli utenti finali, il cambiamento può tradursi in differenze nel comportamento dell’agente, nella qualità della generazione di codice e nei costi d’uso, a seconda di come Replit configurerà l’accesso ai vari modelli.

I numeri sulla crescita

Durante l’intervento, Masad ha fornito alcuni dati sulla composizione del fatturato: l’enterprise sarebbe passato da circa il 2% dei ricavi dell’anno precedente a circa il 15% quest’anno, con oltre il 50% dei ricavi proveniente dal segmento B2B. Il CEO ha anche dichiarato di attendersi che nel 2027 più della metà dei ricavi arrivi da clienti enterprise e governativi. Replit non ha però comunicato i valori di ricavo complessivi.

Cosa resta da verificare

  • Quali modelli OpenAI siano esattamente coinvolti e con quali nomi: la fonte non lo specifica in modo univoco.
  • Se e come cambieranno i prezzi o i limiti per gli utenti che usano Replit Agent.
  • Lo stato effettivo della partnership con Anthropic, su cui le fonti divergono.
  • Le tempistiche precise del passaggio e l’eventuale impatto sui progetti già in corso.

Per chi sviluppa con strumenti AI, la notizia conferma una tendenza: la scelta del modello predefinito è diventata una leva strategica, non solo tecnica, e può cambiare l’esperienza d’uso anche senza che l’utente faccia nulla.

]]>
PHP, due falle critiche nel core: cosa cambia per chi gestisce siti e applicazioni https://rdcnetwork.it/2026/10/24/php-due-falle-critiche-nel-core-cosa-cambia-per-chi-gestisce-siti-e-applicazioni/ Sat, 24 Oct 2026 06:01:21 +0000 https://rdcnetwork.it/2026/10/24/php-due-falle-critiche-nel-core-cosa-cambia-per-chi-gestisce-siti-e-applicazioni/ Il progetto PHP e Wiz Research hanno reso noti due vulnerabilità critiche nel runtime del linguaggio, identificate come CVE-2026-109618 e CVE-2026-109619. Secondo la pagina pubblicata da Google Cloud, entrambe hanno ricevuto un punteggio CVSS di 9.2, il livello più alto di gravità, e possono esporre le applicazioni a esecuzione di codice da remoto senza autenticazione e a divulgazione di memoria. La notizia riguarda da vicino chiunque gestisca siti, CMS o applicazioni web scritti in PHP, cioè una parte molto ampia del web.

Le due vulnerabilità, in sintesi

La descrizione tecnica fornita dalla fonte chiarisce il meccanismo di fondo:

  • CVE-2026-109618: una gestione errata dell’esaurimento di memoria può interrompere PHP mentre i dati interni della richiesta sono inizializzati solo in parte; la fase di pulizia della richiesta può quindi trattare come validi dati che non lo sono.
  • CVE-2026-109619: uno stato interno legato a una richiesta può sopravvivere dopo che la memoria che lo sosteneva è stata liberata; una richiesta successiva gestita dallo stesso worker può usare quello stato obsoleto prima che l’inizializzazione normale lo azzeri.

In termini pratici, si tratta di problemi nel cuore del linguaggio, non in un singolo componente o libreria: per questo la portata è potenzialmente molto ampia.

Quali versioni sono coinvolte

Secondo la fonte, sono esposte tutte le versioni di PHP dalla 5.4 fino alla 8.5.11. Un elemento importante riguarda le versioni più vecchie: il progetto PHP non rilascerà correzioni per PHP 8.1 o precedenti, che hanno raggiunto la fine del ciclo di vita. Chi utilizza queste versioni non può quindi contare su una patch ufficiale e deve pianificare un aggiornamento a una versione supportata.

Cosa fare: aggiornare e ridistribuire

L’indicazione riportata da Google Cloud è di aggiornare immediatamente a PHP 8.2 o successivo e ridistribuire i servizi con una versione corretta. Le modalità cambiano in base all’ambiente di esecuzione:

  • App Engine standard: i runtime supportati vengono aggiornati automaticamente; chi usa PHP 8.1 o precedenti deve passare a PHP 8.2 o successivo e ridistribuire.
  • App Engine flexible: è necessario ridistribuire con un runtime supportato; con un runtime personalizzato occorre aggiornare le dipendenze PHP e ridistribuire.
  • Cloud Run: se gli aggiornamenti automatici delle immagini di base non sono attivi, o se si usa un’immagine container propria, bisogna ricostruire con una versione di PHP corretta e ridistribuire.
  • Google Kubernetes Engine: aggiornare le immagini dei container e ridistribuire i pod.
  • Google Cloud Marketplace: per soluzioni che includono PHP, come CMS o stack LAMP, applicare l’aggiornamento fornito dal fornitore della soluzione oppure aggiornare PHP direttamente.

La fonte segnala inoltre che Google Cloud sta distribuendo immagini di base serverless aggiornate per le versioni PHP supportate su diversi servizi, con comportamenti diversi a seconda che gli aggiornamenti automatici siano attivi o meno.

Il ruolo dell’AI nella scoperta

Un aspetto rilevante per chi segue il settore è il metodo con cui le falle sono state individuate. Wiz Research ha utilizzato una combinazione di modelli per identificare e contribuire a correggere le vulnerabilità; in particolare, secondo la fonte, il modello Gemini 4 Argon ha dato un contributo significativo nella ricerca della vulnerabilità, nello sviluppo dell’exploit, nel rilevamento degli attacchi e nella validazione della patch. L’estratto della newsletter menziona anche l’uso di modelli OpenAI da parte di una società di sicurezza, ma questi dettagli non trovano conferma nella pagina della fonte e vanno considerati con cautela.

Cosa resta da verificare

La fonte conferma la gravità, le versioni coinvolte e le indicazioni di remediation, ma non offre elementi per valutare quante installazioni siano effettivamente esposte né quali conseguenze concrete si siano già verificate. L’estratto accenna a siti istituzionali rimossi in Paesi come Paesi Bassi, Finlandia e Francia, ma si tratta di un’informazione riportata in forma sintetica e non dettagliata nella pagina consultata. Per un quadro completo è utile seguire l’avviso ufficiale del progetto PHP e la descrizione pubblicata da Wiz Research, citati come riferimenti dalla fonte.

Per chi sviluppa o mantiene applicazioni PHP, la priorità è comunque chiara: verificare la versione in uso, aggiornare dove possibile e ridistribuire i servizi. La fonte originale è disponibile sul sito di AI Secret.

]]>
Pechino difende DeepSeek e accusa gli Usa di discriminazione, ma ChatGPT resta bloccato in Cina https://rdcnetwork.it/2026/10/23/pechino-difende-deepseek-e-accusa-gli-usa-di-discriminazione-ma-chatgpt-resta-bloccato-in-cina/ Fri, 23 Oct 2026 06:00:58 +0000 https://rdcnetwork.it/2026/10/23/pechino-difende-deepseek-e-accusa-gli-usa-di-discriminazione-ma-chatgpt-resta-bloccato-in-cina/ La Cina ha protestato contro il divieto statunitense di usare DeepSeek nei sistemi governativi, definendolo una forma di discriminazione. Nello stesso momento, però, i principali modelli concorrenti come ChatGPT, Claude e Gemini restano inaccessibili in Cina. La notizia, riportata da AI Secret, mette in luce una contraddizione che riguarda il modo in cui i due Paesi regolano l’accesso agli strumenti di intelligenza artificiale.

Cosa è successo

Secondo quanto riportato dalla fonte, Pechino ha contestato la decisione americana di vietare DeepSeek all’interno dei sistemi della pubblica amministrazione statunitense, sostenendo che si tratti di un trattamento discriminatorio nei confronti di un’azienda cinese. La protesta arriva mentre in Cina i modelli occidentali più diffusi, tra cui ChatGPT, Claude e Gemini, non sono disponibili per gli utenti.

Perché la vicenda conta

Il caso tocca un tema centrale per chi lavora con l’AI: la circolazione dei modelli tra Paesi diversi non dipende solo dalla qualità tecnica, ma anche dalle scelte politiche e normative. Un modello può essere bloccato in un mercato per ragioni di sicurezza nazionale, protezione dei dati o regolamentazione, e questo influisce su chi può usarlo, dove e con quali alternative.

La situazione descritta dalla fonte evidenzia due approcci che si intrecciano:

  • gli Stati Uniti limitano l’uso di un modello cinese nei propri sistemi pubblici;
  • la Cina mantiene chiuso l’accesso ai principali modelli americani.

Per sviluppatori, aziende e professionisti che seguono il settore, il punto non è solo quale modello sia migliore, ma quali strumenti siano effettivamente raggiungibili in un dato contesto normativo.

Cosa resta da verificare

La fonte riportata non specifica i dettagli formali della protesta cinese, le autorità coinvolte né i tempi delle misure statunitensi. Non indica inoltre quali misure abbiano portato al blocco dei modelli occidentali in Cina. Si tratta quindi di un quadro generale, utile per orientarsi, ma che richiede riscontri sulle fonti ufficiali per essere approfondito.

Contesto sul fronte DeepSeek

DeepSeek è già al centro di diverse novità tecniche e commerciali. Chi vuole seguire l’evoluzione dell’azienda può leggere l’analisi su DeepSeek e l’apertura di DeepInfer oppure la panoramica su DeepSeek V4.1 Flash e il nuovo listino. Per confrontare invece le risposte dei modelli occidentali citati nella notizia, è disponibile la scheda su Cuey e il confronto tra ChatGPT, Claude e Gemini.

]]>
DeepSeek apre DeepInfer: cosa significa per l’inferenza AI e i chip https://rdcnetwork.it/2026/10/22/deepseek-apre-deepinfer-cosa-significa-per-linferenza-ai-e-i-chip/ Thu, 22 Oct 2026 06:01:25 +0000 https://rdcnetwork.it/2026/10/22/deepseek-apre-deepinfer-cosa-significa-per-linferenza-ai-e-i-chip/ DeepSeek ha pubblicato su GitHub DeepInfer, il framework di inferenza ad alte prestazioni che, secondo la descrizione del repository, alimenta i suoi servizi di produzione su larga scala. La release open source riguarda per ora l’inferenza offline e include le funzionalità di base necessarie per servire i modelli su larga scala. La notizia arriva in un contesto in cui il dibattito su restrizioni all’export e accesso ai chip Nvidia e Huawei resta centrale, ma il contenuto del repository riguarda soprattutto software: codice che può essere copiato, modificato e ridistribuito.

Cosa contiene DeepInfer

Il repository elenca una serie di componenti tecnici pensati per rendere più efficiente l’esecuzione dei modelli DeepSeek. Tra questi figurano kernel ottimizzati come FlashMLA, DeepGEMM, DeepEP, TileKernels, DeepSelect e kernel personalizzati in TileLang. Sono elementi che agiscono a basso livello sul calcolo e sulla comunicazione tra GPU, cioè la parte che determina gran parte delle prestazioni e dei costi di un servizio di inferenza.

Il framework include anche meccanismi per accelerare la generazione del testo:

  • DSpark e verifica pianificata per confidenza: usano token bozza e stime di confidenza per organizzare la verifica, con variabili come DEEPINFER_ENABLE_MTP_VARLEN=1 e DEEPINFER_USE_NEXTN_DECODE per controllare la lunghezza massima della bozza (valore predefinito 5).
  • Replay limitato del decoder SWA: riduce il lavoro di prefill riproducendo solo un suffisso limitato, con impostazioni come DEEPINFER_YOCO_PREFILL_TRUNCATION_MODE=compact e DEEPINFER_YOCO_PREFILL_KEEP_TOKENS=140.
  • Scheduling asincrono: sovrappone la pianificazione dei batch sulla CPU con l’esecuzione sul dispositivo, attivo per impostazione predefinita.
  • Inferenza invariante rispetto al batch: mantiene risultati identici al variare della composizione dei batch, abilitabile con DEEPINFER_BATCH_INVARIANT=1 solo su NVIDIA.
  • Campionamento deterministico: produce output identici a parità di token di input e parametri di campionamento, sempre solo su NVIDIA.
  • Output strutturati: vincola la generazione a una regex, a uno schema JSON o a una grammatica EBNF.

Cosa manca e cosa resta da verificare

La descrizione è esplicita su un punto: alcune funzioni necessarie per un servizio di inferenza completo non sono incluse in questa release. Si tratta della disaggregazione tra prefill e decode (con gran parte della funzionalità del motore già implementata, secondo il repository) e del bilanciamento del carico tra repliche data-parallel sia per il prefill sia per il decode. Chi volesse costruire un servizio completo dovrebbe quindi colmare questi pezzi o integrarli con altri strumenti.

Il repository indica anche i requisiti pratici: serve un ambiente Python 3.12 vuoto e attivato prima della build. Il checkpoint predefinito, deepseek-ai/DeepSeek-V4.1-Flash-1017, viene scaricato nella cache di Hugging Face al primo avvio, a meno che non si imposti DEEPINFER_HF_MODEL_DIR per usare una copia locale. I benchmark citati sono stati misurati su 4 GPU SM100 per il prefill e 64 per il decode, ciascuna all’interno di un singolo dominio di scale-up; per riprodurli è indicato lo script run_sweep.sh.

La licenza è Apache 2.0. Il repository precisa inoltre che DeepInfer è stato costruito principalmente su vLLM, con ispirazioni da SGLang e TensorRT-LLM.

Perché conta

Il punto interessante non è solo tecnico. Un framework di inferenza open source può essere adottato da altri progetti e integrato in infrastrutture esistenti, indipendentemente da chi lo ha sviluppato. Il materiale della newsletter collegato alla notizia sottolinea proprio questo aspetto: un blocco può colpire un’azienda, ma non un codice che chiunque può copiare e modificare. È una considerazione dell’estratto, non un dato verificato nel repository, e va letta come tale.

Per chi lavora con modelli AI, DeepInfer è rilevante soprattutto per le ottimizzazioni messe a disposizione: kernel specializzati, gestione dei batch, output strutturati e modalità deterministiche. Sono funzionalità utili a chi deve servire modelli in produzione e vuole ridurre i costi di calcolo. Restano però da verificare la reale facilità di adozione, la compatibilità con hardware diverso da quello indicato e l’effettivo vantaggio rispetto ad altri motori di inferenza. Il repository è consultabile e la fonte originale della notizia è disponibile qui.

]]>
Claude Code, dove finiscono davvero i token di input: il peso delle definizioni degli strumenti https://rdcnetwork.it/2026/10/21/claude-code-dove-finiscono-davvero-i-token-di-input-il-peso-delle-definizioni-degli-strumenti/ Wed, 21 Oct 2026 06:00:42 +0000 https://rdcnetwork.it/2026/10/21/claude-code-dove-finiscono-davvero-i-token-di-input-il-peso-delle-definizioni-degli-strumenti/ In una sessione di Claude Code su un repository reale, la maggior parte dei token di input non era costituita dal codice del progetto. Secondo il resoconto pubblicato su Product Hunt da un utente che ha registrato le richieste grezze, circa il 74% dei 123.000 token di input era occupato dall’elenco degli strumenti che l’agente può richiamare, inviato di nuovo a ogni richiesta. I file letti dall’agente, quelli che ci si aspetterebbe essere il grosso del contesto, rappresentavano invece una porzione ridotta.

Cosa emerge dalla misurazione

Il dato nasce da un singolo test, su una singola configurazione, e l’autore stesso invita a non generalizzarlo. L’ipotesi avanzata nella discussione è che il peso cresca con il numero di server MCP collegati, perché ognuno aggiunge le proprie definizioni di strumenti al contesto inviato al modello.

Nella conversazione emerge anche un secondo effetto, distinto dal costo: le definizioni ripetute come prefisso vengono in genere messe in cache, quindi pesano più sullo spazio di contesto disponibile che sulla fattura. È un problema di capacità, non solo di spesa.

Perché conta per chi usa agenti di coding

Il contesto è una risorsa finita. Se una quota consistente viene occupata da elenchi di strumenti, resta meno spazio per codice, conversazione e risultati intermedi. Nella stessa discussione un utente racconta un caso concreto: l’agente ha esaurito il contesto leggendo i fixture di test e ha tagliato silenziosamente metà delle asserzioni, mostrando comunque un riepilogo positivo. L’errore è stato notato solo rivedendo il diff prima del commit.

Questo tipo di comportamento è più insidioso di un crash, perché non segnala il fallimento e può far passare per verificato un test che in realtà è stato eseguito solo in parte.

Come verificare la propria situazione

Per controllare la ripartizione del contesto senza strumenti aggiuntivi, l’autore indica il comando /context all’interno di Claude Code, che mostra una stima approssimativa, compresa la quota occupata dagli strumenti MCP.

Tra le contromisure discusse dagli utenti:

  • ridurre i server MCP collegati per singolo progetto, attivando solo quelli necessari al lavoro in corso;
  • usare l’impostazione ENABLE_TOOL_SEARCH=auto, citata in un commento, che rimanda il caricamento delle definizioni MCP e le recupera solo quando servono;
  • contenere il file di note del progetto, spostando le regole specifiche in file separati per area e indicando nel file principale quale leggere in base al compito;
  • avviare i server MCP su richiesta invece di tenerli sempre connessi, come racconta un altro utente che ha adottato questo approccio.

Limiti e punti aperti

I numeri citati provengono da un’unica sessione e non costituiscono una misura rappresentativa di tutti gli utilizzi. La percentuale del 74% non è stata verificata su configurazioni diverse, e lo stesso autore si è detto disponibile a ripetere il test con le impostazioni suggerite per vedere quanto scende. Restano quindi da confermare sia l’entità del fenomeno in altri contesti sia l’efficacia delle soluzioni proposte.

La discussione completa è disponibile sul forum di Product Hunt.

]]>