Articolo di ricerca del **Frontier Red Team** di Anthropic (autori: **Andrew Fasano**, **Marius Fleischer**, Cole McFaul, Robert Xiao, Tripp Gallagher), pubblicato il **29 settembre 2026**; circa **2.300 parole**, sei figure. Analizza **GLM-5.3** di **Zhipu AI (Z.ai)**, un modello open-weight, cinque mesi dopo l'annuncio di Claude Mythos Preview. **(A)** Capacità: su ExploitBench (41 bug di Chrome V8), GLM-5.3 costruisce un exploit completo in **50 casi su 410**, contro **56 su 410** per Mythos Preview; sul benchmark interno di corruzione della memoria, dirottamento del flusso di controllo nel **4%** dei casi contro il **6%**; Claude Opus 4.6 e GLM-5.2: 0. **(B)** Prove con esperti umani: una catena di vulnerabilità 0-day del browser che culmina nella lettura dei file del visitatore; con **GLM-5.3-Flash**, una catena di exploit N-day (CVE-2026-11645) che bypassa PAC su ARM64, **20 minuti** di attenzione umana, otto ore di calcolo, **20,40 $** ai prezzi API. **(C)** Misure di sicurezza: eluse nel **64%** dei casi tramite un falso contesto di red-team, nel **92%** tramite reasoning prefill, nel **100%** tramite *abliteration* (circa 2.200 ore-GPU, 4.400 $); i modelli Claude testati restano allo 0%. **(D)** Raccomandazioni: ampliare l'accesso dei difensori ai modelli frontier, test governativi indipendenti. Cita la valutazione CAISI del NIST (17 settembre): "il modello open-weight più capace in ambito cyber mai rilasciato finora", circa quattro mesi dietro la frontiera statunitense. Estende le note del corpus su Mythos e Glasswing.
#GLM-5.3#Zhipu AI#Z.ai
Andrew Fasano · Marius Fleischer · Cole McFaul · Robert Xiao · Tripp Gallagher ; Frontier Red Team · Anthropic (billet de recherche du site anthropic.com).
Post X di **Yann LeCun** (fondatore e presidente di **AMI Labs**, professore alla NYU, ex Chief AI Scientist di Meta, premio Turing), 25 settembre 2026, ~110 parole. Risponde a **Noah Smith**, che aveva giudicato un video *« già falsificato »*, in cui LeCun qualifica l'idea di un *« paese di geni in un data center »* come *« una completa stronzata »*. (A) Quattro domande test: dov'è il robot domestico, la voiture autonome de **niveau 5**, l'auto che impara a guidare *« in poche ore di pratica come qualsiasi diciassettenne »*, il sistema che comprende il mondo reale e apprende rapidamente *« come un gatto domestico »*? (B) Una concessione: l'IA raggiungerà gli esseri umani in ogni ambito, e la tecnologia **li supera già in un numero crescente di compiti**. (C) Due avvertenze: *« Siamo ancora lontani da questo »*, e non sarà costruita sugli **LLM**, confinati a un ruolo di interfaccia testuale. Un secondo post rimanda alla sua formulazione del 20 settembre: gli LLM autoregressivi, *« di per sé »*, non porteranno a un'IA di livello umano. Fino a ora, il corpus citava LeCun solo come riferimento menzionato da altri ([[deanwball-open-weights-decelerationnistes-kimi-2026-07-17]]), non come fonte; il testo si inserisce accanto allo scetticismo in [[luc-julia-ai-controversy-statements-media-2025-08-22]].
#Yann LeCun#AMI Labs#NYU
Yann LeCun — fondateur et président d'AMI Labs · professeur à NYU · ex-Chief AI Scientist de Meta · prix Turing. Post X.
Comunicazione di prodotto di **Anthropic** pubblicata il **1° settembre 2026** su anthropic.com (~4.000 parole, sei sezioni, 22 testimonianze di partner ad accesso anticipato). Annuncia **Claude Fable 5.1** (disponibilità generale) e **Claude Mythos 5.1** (accesso verificato): *lo stesso modello, ma con livelli di salvaguardie differenti*.
#Claude Fable 5.1#Claude Mythos 5.1#foundation model
Anthropic — communication produit publiée sur anthropic.com · sans signature individuelle.
Voce di **Jeremy Norman** su **HistoryofInformation.com** (cronologia "Exploring the History of Information and Media"), datata "circa **370 a.C.**" per il testo commentato, sito aggiornato l'ultima volta il **27 agosto 2026** (~600 parole, incluso un lungo estratto). Riproduce il passaggio del *Phèdre* di **Platon** (274c-275b) in cui **Socrate** racconta il mito egizio di **Theuth** e del re **Thamus** sull'invenzione della scrittura.
#Socrate#Platon#Phèdre
Jeremy Norman — historien et éditeur de HistoryofInformation.com ; notice de frise chronologique citant Platon (*Phèdre*, v. 370 av. J.-C.).
Post X di **Andrew Ng** del **14 agosto 2026** (16:29 UTC), ripreso dalla lettera "Dear friends" di ***The Batch* #366** (DeepLearning.AI, stessa data), ~900 parole. Ng presenta **The AI Engineering Skills Map** e pubblica **quattro competenze** ritenute le più importanti. **(1) Costruire e distribuire applicazioni IA** — la specificità viene nominata: *« The key difference between AI and non-AI applications is that the former has unpredictable outputs »*, da cui l'enfasi su *evals* e cicli di error-analysis. **(2) Fondamenti di ingegneria del software**, perché *« Understanding software fundamentals allows you to recognize what tradeoffs even exist »* — lo sviluppatore inesperto fallisce *« because they don't know what context to give their coding agent »*, da cui l'obiettivo di *« steering coding agents using the precise language of software engineering »*. **(3) Uso di agenti di coding**, in una formulazione operativa: *« help the agent autonomously close loops by providing verifiers or evals »*, e *« knowing how much to intervene and how much to leave them alone »*. **(4) *Shaping the build***: *« Given a clear spec, coding agents are rapidly improving at delivering to it. Thus, our work as engineers is shifting toward deciding what should be in the spec »*, accostato a *« Engineers should no longer expect to be given a pixel-perfect design and asked only to implement it. »* Una **nota terminologica** porta la maggior parte dell'inquadramento: Ng parla di **competenze** nell'ingegneria IA e **non del ruolo** "AI Engineer", con un'analogia esplicita — *« All developers today should know how to work with the cloud, and only a smaller number have a "Cloud engineer" title. »* Il tutto è sostenuto da *« an analysis of more than 10,000 job postings, dozens of structured interviews with experts, hiring managers, and recruiters, surveys, and other online data »*, di cui **non viene pubblicato alcun risultato numerico**: Ng descrive il proprio processo come *« informally… akin to running clustering »* e annuncia una mappa dettagliata in post futuri. Egli enuncia l'interesse nella penultima frase: *« DeepLearning.AI's principal focus is to help developers gain these AI engineering skills. »*
#AI Engineering Skills Map#skills map#Andrew Ng
**Andrew Ng** — fondateur de **DeepLearning.AI** · general partner d'**AI Fund** · cofondateur de **Coursera** et de **Google Brain** · ancien chief scientist de Baidu. Texte signé · à la première personne · écrit *« with my team »* sans qu'aucun collaborateur soit nommé. Publié le **14 août 2026** sur X et dans ***The Batch* n°366** — même texte aux deux endroits ; préférer *The Batch* pour toute citation durable. Quatrième fiche Ng du corpus · après les lettres n°350 (24 avril) · n°352 (8 mai) et n°359 (26 juin).
Post e report di **OpenAI Economic Research** pubblicato il **27 luglio 2026**, primo numero della serie **Work at the Frontier**, che analizza **oltre 800.000 messaggi di utenti ChatGPT statunitensi**. **Concetto coniato**: ***task crossover*** — *« lavoro storicamente associato a un'occupazione che compare nell'uso dell'IA di persone di un'altra »*. **La cifra di apertura è in realtà due cifre, ed è questo il punto che la copertura mediatica perde**: il **16,8% dei messaggi legati al lavoro** riguarda compiti associati a un'altra occupazione, e il **43,5% dei messaggi specifici a un'occupazione**. L'imbuto metodologico spiega lo scarto: il **61,5% dell'uso è generico** (scrivere, riassumere, pianificare — troppo condiviso per contare come prova di crossover) ed è escluso; del **restante 38,5%**, il **43,5% è esterno all'occupazione** e il 56,5% è *« interno **o vicino** »* — l'estremo superiore è quindi calcolato su una base ridotta, mentre l'estremo inferiore è calcolato sull'intero uso professionale. **Per occupazione** (quota di messaggi specifici a un'occupazione che rimandano a un compito esterno): esperienza cliente **77%**, design **75%**, HR **69%**, legale **56%**, marketing **53%**, vendite **40%**, finanza **40%**, ingegneria **28%** — *« una maggioranza in cinque degli otto gruppi »*. **Due direzioni distinte di circolazione**: il design **importa** (35,2%) e **non esporta** quasi nulla (1,7%); l'ingegneria fa l'opposto (importa 18,5%, esporta 7,4%); **il marketing fa entrambe le cose** (importa 24,3%, esporta **8,9%**, la quota d'uscita più alta del campione). **Due compiti compaiono nella top 3 dei prestiti per gli altri sette gruppi**: **calcolo finanziario** e **risoluzione di problemi tecnologici**. **La heatmap, assente dalla copertura mediatica, è l'oggetto più ricco**: fornisce la distribuzione completa dei compiti per occupazione dell'utente, e la sua diagonale è sorprendente — l'ingegneria conserva il **53%** del proprio lavoro mentre l'esperienza cliente ne conserva solo l'**11%**, l'HR il **10%** e il design il **12%**. **Effetto dimensione**: la quota esterna all'occupazione scende dal **18,9%** (2-5 dipendenti) al **16,3%** (>100 dipendenti) — **ma solo « tra gli utenti medi »**, precisando OpenAI che *« tra gli utenti più intensivi, non osserviamo lo stesso andamento monotono »*, e concludendo in modo condizionale: *« l'IA **potrebbe essere** particolarmente utile come strumento generalista dove le risorse specializzate scarseggiano. »* **Statuto rivendicato**: un **segnale precoce**, visibile *« prima che le aziende riscrivano le job description o creino nuovi titoli di lavoro »*. **Riserva strutturale**: OpenAI misura l'uso del proprio prodotto, solo su utenti ChatGPT statunitensi, e presenta questa posizione come un vantaggio — *« la nostra finestra unica su come sta cambiando il mondo del lavoro »*.
#OpenAI Economic Research#Work at the Frontier#task crossover
**OpenAI Economic Research** — équipe de recherche économique d'OpenAI ; la page crédite simplement *« OpenAI »* et la classe sous les tags *Economic Research* et *2026*. Le billet est la porte d'entrée d'un **rapport PDF** (`work-at-the-frontier-report.pdf`) et s'adosse à un cadre antérieur de la même équipe · l'**AI Jobs Transition Framework** · dont il reprend la thèse que de nombreux métiers vont **se réorganiser** plutôt que disparaître.
Un articolo pedagogico di **MindStudio Team** (il blog della piattaforma MindStudio, orchestrazione di workflow multi-modello) che spiega i **modèles de langage par diffusion** (*Diffusion Language Models*) attraverso il caso di **Diffusion Gemma**, la prima implementazione **open weights** di Google (2 miliardi di parametri, derivata da Gemma 2). La tesi: mentre i modelli **autoregressivi** (GPT-4, Claude, Gemma standard) generano testo **token per token, da sinistra a destra** (attenzione causale, ogni token congelato una volta prodotto), i modelli a **diffusione** partono da una sequenza **mascherata/rumorosa** e la **raffinano iterativamente** (masked diffusion / *absorbing diffusion*), con **attenzione bidirezionale**: il modello può **rivedere qualsiasi posizione in qualsiasi fase**. Conseguenze: elevato **parallelismo** (un testo di 500 token richiederebbe 50-100 passaggi di denoising invece di 500 passaggi sequenziali), **infilling** naturale e **generazione vincolata** (riempimento di template, completamento di codice con contesto circostante), e capacità di **revisione** integrata. Ma alla scala attuale (2B), Diffusion Gemma **non raggiunge** i grandi modelli autoregressivi (GPT-4o, Gemini 1.5 Pro) su ragionamento, seguimento delle istruzioni e conoscenza generale: il divario si sta "chiudendo" senza essere chiuso. L'ispirazione viene dalla generazione di immagini (Stable Diffusion, DALL-E ha abbandonato la generazione autoregressiva anni fa); se lo stesso principio valga anche per il testo resta una domanda aperta. Diffusion Gemma è distribuito su Hugging Face (Google DeepMind), AI Studio e Vertex AI.
#modèles de langage par diffusion#Diffusion Gemma#Google DeepMind
Case study di **Surya Narreddi** (con **Cameron Franz** e **Alex Wang**) sul suo sito personale, datato **marzo 2026** (giorno non specificato; ~1.500 parole), intitolato *Training AI to Paint with Code*. Gli autori addestrano un modello linguistico (**Qwen 3.5 35B**) tramite reinforcement learning (**GRPO**) a produrre acquerelli come codice JavaScript **p5.brush**, con il codice stesso che funge da artefatto modificabile. La domanda di fondo: come fare RL quando la reward — estetica — non è verificabile.
#reinforcement learning#GRPO#funzione di reward
Surya Narreddi — designer et développeur · auteur du projet (site personnel) ; collaborateurs Cameron Franz (infrastructure d'entraînement) et Alex Wang.
Studio Wharton (Generative AI Labs): i personas esperti non migliorano l'accuratezza fattuale degli LLM - benchmark GPQA Diamond e MMLU-Pro - SSRN
#prompting IA#personas#accuratezza LLM
Savir Basil · Ina Shapiro · Dan Shapiro · Ethan Mollick · Lilach Mollick · Lennart Meincke (Generative AI Labs, The Wharton School, University of Pennsylvania)