Risorse Artificiali AI Engineering in italiano

RisorseArtificiali
  • 0.0 (0)
  • Technology
  • Updated Weekly

Risorse Artificiali è il podcast italiano di AI Engineering. Ogni settimana, tre ingegneri con 20+ anni di codice alle spalle fanno deep dive tecnici su agent, LLM, tool chain e produzione: Claude Code, Codex, agenti e modelli open source, inference, spec-driven development, e tutto ciò che serve per portare l'AI dal demo al deploy. Niente hype, niente "l'AI cambierà tutto": solo analisi oneste, casi concreti e cicatrici dal campo. Se scrivi codice per vivere e vuoi capire cosa cambia davvero per te, sei nel posto giusto.

  1. 6h ago

    Bannato da GLM: hybrid routing con LiteLLM

    Bannato da GLM per aver messo LiteLLM davanti a Claude Code. Paolo racconta tutto: il pool di modelli, il middleware locale, il classifier dell'automode spostato su Gemma per non bruciare la quota del modello principale. Poi il fallback verso il cloud rigira le chiamate già modificate, GLM le legge come traffico di un harness non supportato, e parte il ban. Con mail di supplica annessa. Prima di quella storia, Stripe che compra OpenRouter per 7 miliardi di dollari. La lettura di Paolo è che il routing sia una posizione da API Gateway: chi smista il traffico degli agenti può vendere servizi premium sul volume, esattamente come Stripe ha fatto con i pagamenti. Da lì i protocolli di pagamento tra agenti, AP2 sopra A2A, e lo scenario in cui a produrre reddito sono gli agenti stessi. Poi i modelli. Qwen 3.8 27B denso è la prima volta che un modello locale su 16-24 giga di VRAM regge un coding agent vero e non solo il completamento: onniscienza peggiore del 3.6, capacità agentiche molto migliori, e il consiglio di tenerlo su low o medium thinking effort. GLM 5.3 guadagna 6-7 punti di intelligenza generale su Artificial Analysis, l'inferenza di Z.ai è diventata veloce, e resta il dubbio su cosa faccia girare davvero Ollama quando le risposte non combaciano. Nella seconda parte: perché parlare ai modelli in italiano non spreca i token che pensi, il trick di chiedere l'output in inglese B2 o C1, le skill Wait What e handoff, il report di Hugging Face sullo stato dei modelli open (attention e adoption non sono la stessa cosa, solo l'1% sta sopra i 70 billion), Light Learner, il jailbreak del taccuino, e le quattro skill dell'AI engineer secondo Andrew Ng. CAPITOLI 00:00 Stripe compra OpenRouter per 7 miliardi 02:59 A2A, AP2 e il routing dei pagamenti 08:18 LiteLLM: i modelli locali in un pool 13:20 Bannato da GLM: il classifier locale 16:22 Sandbox invece di validatori, e i cyborg 19:55 Qwen 3.8 27B: coding su 16 giga 26:01 GLM 5.3 e il dubbio su Ollama 32:20 Parlare ai modelli in italiano: latent space 39:23 Wait What, Grill with Docs e handoff 46:15 Report Hugging Face sui modelli open 50:54 Attention non è adoption: download contro like 56:26 Kimi K3, licenze e modelli sopra 70B 1:02:00 Light Learner e il jailbreak del taccuino 1:06:30 Andrew Ng: le 4 skill dell'AI engineer Ascolta su Spotify: https://open.spotify.com/episode/45PF4g7gH6tHATi1SCm0u2?utm_source=youtube&utm_medium=description&utm_campaign=ep68_drop Tutti gli episodi e le trascrizioni: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep68_drop LinkedIn: https://www.linkedin.com/company/risorseartificiali Se la puntata ti è servita iscriviti al canale. E se avete voglia di precisare la spiegazione sul latent space, i commenti sono lì apposta. Risorse Artificiali, AI Engineering in italiano. Puntata #68

    Bannato da GLM: hybrid routing con LiteLLM

  2. Aug 15

    Open weight con l'asterisco: cosa Qwen non ha rilasciato

    Open weight con l'asterisco: Qwen ha rilasciato i pesi di 3.8, ma senza la variante Max, senza vision e con il contesto tagliato. Kimi K3 invece aveva rilasciato tutto, e la differenza si vede su chi ci fa inferenza davvero. Nella prima parte il giro dei rilasci di queste settimane: Muse Glimmer e Nemotron pensati per girare in locale, il subagent workhorse (o muletto, se preferite la traduzione di Paolo), la corsa all'hardware a memoria condivisa tra DGX Spark, RTX e Apple Silicon. Poi il video open weight, con Minimax H3 che si prende la community a colpi di LoRA e LTX 2.5 che risponde con l'auto duration e una tabella comparativa un po' interessata. Nella seconda parte Anthropic mette il watermark sui testi di Claude per stare dentro l'AI Act, e ne parliamo per quello che è: un gioco a guardie e ladri che dura da prima di noi. Alessio spiega come funziona davvero il watermark sul testo, Paolo racconta la storia delle mail di Musk e quella volta che Reddit lo ha bannato per un post generato. Poi la parte che ci ha tenuti più a lungo: il continual learning si sta spostando dai modelli agli harness, gli agenti iniziano ad avere una personalità che dipende da chi li usa, e se ogni installazione prende una deriva diversa diventa complicato perfino capire cosa si legifera. Dwarkesh Patel dà questo per la fine dei modelli open. Noi la vediamo al contrario. CAPITOLI 00:00 Sondaggio ascoltatori e Qwen 3.8 senza Max 06:08 Kimi K3, Muse Glimmer e il workhorse Nemotron 11:20 Intelligenza ibrida: DGX Spark, RTX e Apple Silicon 16:14 Minimax H3 e le licenze per regione 19:48 LTX 2.5, auto duration e i LoRA 25:25 Attention quadratica e vision language nei prompt video 30:00 Watermark su Claude e AI Act 35:37 Reverse engineering del watermark e Musk 40:28 Detector che sbagliano: Substack e Reddit 44:14 Grok 4.6 e le PR su Hermes 49:07 MuseSpark 1.2, continual learning e memorie condivise 54:37 Sviluppo artigianale e agenti con personalità 58:32 Hermes in vacanza: mappa interattiva e spese 1:04:09 Se ogni installazione diverge, cosa legiferi? 1:07:37 La fine dei modelli open? Al contrario Ascolta su Spotify: https://open.spotify.com/episode/5r7HVXxocIGv9lDezyvvZE?utm_source=youtube&utm_medium=description&utm_campaign=ep67_drop Tutti gli episodi e le trascrizioni: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep67_drop LinkedIn: https://www.linkedin.com/company/risorseartificiali Se la puntata ti è servita iscriviti al canale, ci aiuta più di quanto sembri. E diteci nei commenti se volete Ivan Fioravanti in puntata a parlare di inferenza locale. Risorse Artificiali, AI Engineering in italiano. Puntata #67

    Open weight con l'asterisco: cosa Qwen non ha rilasciato

  3. Aug 8

    L'AI fa 10 scoperte matematiche in una settimana

    L'AI ha fatto 10 scoperte matematiche originali in una settimana. Cosa significa per chi costruisce software, per i matematici, e per l'AGI? Ne parliamo con Alessandro Maserati.OpenAI ha pubblicato 10 risultati matematici nuovi, non divulgazione: scoperte originali che, come ci spiega Alessandro Maserati (matematico, ospite di questa puntata), valgono ciascuno come un'intera carriera di un ricercatore. Dietro quella notizia c'è una tesi piu' grande: la matematica e' un dominio verificabile, ed e' esattamente il terreno su cui ci stiamo allenando con il reinforcement learning. Per questo l'AI prima supera i matematici, poi i programmatori.Dalla disprova di una congettura spiegata da Terence Tao con GPT 5.6, al fatto che Opus 5 in nove ore di gara ha trovato quattro soluzioni diverse per ogni problema, tutte a punteggio pieno. Stefano, Alessio e Alessandro provano a rispondere alla domanda vera: se l'AI risolve le dimostrazioni, cosa resta al matematico? Fare le domande giuste e la sintesi.Poi parliamo di security: i bug segnalati negli ultimi tre mesi sono 30-40 volte quelli di un anno normale, ci sono zero-day trovati dall'AI e responsabilita' penali per chi usa gli agent. Di "good enough AI" e perche' chiediamo ai modelli un'affidabilita' da software, non da collega. Di prompting 2026: Opus 5 non si prompta come il 4.8, conviene ragionare in inglese e farsi scrivere gli artefatti a livello B1/B2. Di AnyDoc, che converte qualunque formato in Markdown senza LLM. Di economia: token a 3 dollari al giorno contro un umano, il paradosso di Jevons, e la curva esponenziale che prima o poi deve piegarsi contro il PIL mondiale. E chiudiamo con i modelli video: Seedance 2.5 e il Minimax H3 open-weight.00:00 10 scoperte matematiche: l'AI supera i matematici03:12 Matematica verificabile: il dominio perfetto per l'allenamento06:01 Cosa resta al matematico: fare le domande giuste11:43 Terence Tao, GPT 5.6 e il valore della sintesi13:26 AGI a mesi, non a anni15:04 Security AI: breach, zero-day e responsabilita' penale25:54 Good enough AI: abbassare le aspettative30:00 Opus 5 non si prompta come il 4.833:36 Scrivere in inglese B1/B2 e ragionare in inglese35:56 AnyDoc: qualsiasi formato in Markdown, zero token39:55 Economia AI: token, Jevons e 3 dollari al giorno47:29 La curva esponenziale e il limite del PIL mondiale53:00 Video AI: Seedance 2.5, Minimax H3, Veo e Runway1:05:26 World model e chiusura: provate le Olimpiadi di matematicaAscolta anche su Spotify: https://open.spotify.com/episode/1k4SYOJHsyXd2NEYxottMp?utm_source=youtube&utm_medium=description&utm_campaign=ep66_dropSito: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep66_dropIscriviti al canale per non perdere le prossime puntate.#66

    L'AI fa 10 scoperte matematiche in una settimana

  4. Aug 1

    L'AGI è un asintoto: perché non serve la perfezione

    L'AGI è un asintoto: ci avviciniamo senza arrivarci mai, e per quasi tutto il lavoro reale questo basta già oggi. Partiamo riflessivi. Se l'argomento contro l'AI è "sbaglia sempre qualcosa", è un argomento debole: in informatica lavoriamo da sempre con approssimazioni che non convergono e non le buttiamo via. Da lì arriviamo ai benchmark inversi (non più "sai farlo?" ma "quante volte sbagli su cento"), al trade-off accettabile fra OmniVoice e Pocket TTS per farsi leggere gli articoli in macchina, e a cosa cambia davvero con la famiglia Claude 5: thin prompt, thin context, thin skills. Fable non è più intelligente in senso assoluto, semplicemente ti costringe a spiegare meno. Nella seconda parte la rassegna dei modelli usciti. Inkling e Inkling small di Thinking Machines Lab, open weight su territorio occidentale. Laguna S2.1, 118 billion mixture of expert tagliato per hardware da 128 giga, che però crolla appena lo quantizzi a 4 bit e ha seri problemi con l'italiano: demo in LM Studio con "finché la barca va", e digressione su densità, sparsità e perché la quantizzazione punisce i modelli densi. Poi Opus 5, Qwen Image 3 che genera articoli LaTeX come immagini, MAGE di Microsoft fra image generation e vision language in streaming, Flux 3, Gemini 3.6 Flash, e la storia del modello OpenAI uscito dalla sandbox che ci convince poco. Risorse Artificiali è il podcast di AI Engineering in italiano, con Stefano, Paolo e Alessio. Per chi la scrive, non per chi la racconta. CAPITOLI 00:00 AGI e asintoti: perché la perfezione non serve 07:47 Che età ha l'AGI e il codice che nessuno legge più 12:55 Benchmark inversi: non cosa sai fare, quanto sbagli 16:36 OmniVoice, Pocket TTS e il trade-off accettabile 21:05 Fable: non più intelligente, devi spiegare meno 27:41 Inkling e Thinking Machines Lab: open weight occidentale 33:55 Opus 4.6 workhorse e Laguna S2.1: 118B per 128 giga 38:40 Promptare in italiano: lo studio Anthropic sulle lingue 43:03 Demo Laguna in LM Studio: "finché la barca va" 47:24 Densità, sparsità e perché la quantizzazione rompe 53:36 Opus 5: più agentico e più vicino a Fable 58:17 Qwen Image 3: LaTeX, infografiche e UI generate 1:02:30 MAGE di Microsoft: image gen e vision language open 1:08:47 Flux 3 omnimodale e Gemini 3.6 Flash 1:12:13 Il modello OpenAI uscito dalla sandbox ASCOLTA SU SPOTIFY https://open.spotify.com/episode/0eXoGy80TE2fECQX86Uyf0?utm_source=youtube&utm_medium=description&utm_campaign=ep65_drop TUTTE LE PUNTATE E LE TRASCRIZIONI https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep65_drop Se la puntata ti è servita, iscriviti al canale: ci aiuta più di quanto sembri, e ci fa capire di cosa parlare la prossima volta. I commenti li leggiamo tutti. #65

    L'AGI è un asintoto: perché non serve la perfezione

  5. Jul 25

    Quali skills usiamo davvero per i nostri agenti

    Quali skill usiamo davvero per i nostri agenti con Claude Code? Speciale "ritorno al futuro" su come abbiamo personalizzato l'harness: dal prompt engineering al loop engineering, con prompt sottili, contesto spesso e skill leggere. Torniamo sull'argomento skill a distanza di mesi, perché è cambiato tutto. Non si parla più di scrivere il prompt più denso possibile: il contenuto grosso è migrato nel context e negli artifact, e anche le skill sono diventate più sottili. Ne discutiamo Stefano, Paolo e Alessio partendo da una sintesi che gira su X (thin prompts, thick context, thin skills) e arrivando al concreto: quali skill installiamo davvero, come le scegliamo tra i quattro repository principali, come le proviamo prima di promuoverle, e perché le skill non si scrivono a mano ma si distillano da sessioni di lavoro. Parliamo di Simplify (scomparsa e rimpianta), Code Review, Ponytail, Interview Me, Grill Me, doubt-driven development e handoff. Discutiamo la sicurezza delle skill scaricate da fuori e perché vanno usate in sandbox. E chiudiamo con l'indeterminismo del modello: avere una skill non significa che verrà invocata quando vuoi, e come un hook può aiutare. Skills nominate: https://github.com/DietrichGebert/ponytail/blob/main/skills/ponytail-review/SKILL.md https://github.com/addyosmani/agent-skills/tree/main https://github.com/obra/superpowers https://github.com/mattpocock/skills/tree/main/skills Se scrivi codice con agenti in produzione, questa è la puntata per te. CAPITOLI 00:00 Le skill che usiamo davvero 02:00 Da prompt engineering a loop engineering 05:02 Cos'è una skill: standard e behavioral memory 10:57 Simplify, la skill preferita scomparsa 15:38 Da Simplify a Code Review: monkey patching 22:23 Ponytail Code Review e la coda di cavallo 26:37 Scegliere e provare le skill: repository e preview 34:31 Le skill non si scrivono, si distillano 40:19 Sicurezza: sandbox e dove accetti il rischio 46:09 Backlog, hook e l'indeterminismo del modello 50:12 Interview Me, Grill Me e doubt-driven 56:09 Handoff, Hunk e tool CLI per agenti Ascolta su Spotify: https://open.spotify.com/episode/4XZFs5ZUctmHMjTq7JAwlM?utm_source=youtube&utm_medium=description&utm_campaign=ep64_drop Sito: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep64_drop Iscriviti al canale per non perdere le prossime puntate. #64

    Quali skills usiamo davvero per i nostri agenti

  6. Jul 18

    Open weight americano e Kimi K3: cambio di scena

    Kimi K3 è terzo al mondo, vicino a Fable, e costa un quarto. Intanto esce il primo open weight americano dopo Llama 4: Thinking Machine Lab di Mira Murati. È un cambio di scena nei modelli di frontiera. Torniamo sul mercato dei modelli con Stefano, Paolo e Alessio. Moonshot AI ha rilasciato Kimi K3: 57 nell'indice di Artificial Analysis (tra Opus 4.8 a 56 e Fable a 60), ma con metà dei token e a un quarto del costo di Fable. I modelli cinesi chiudono il gap di settimana in settimana, e Paolo chiude con una sintesi: fine estate un fable level ce l'abbiamo tutti. Parliamo anche dell'articolo di Demis Hassabis sulla governance dell'AI e sull'AGI (una questione di mesi o al massimo di cinque anni), del perché Thinking Machine Lab punta sul fine tuning di modelli specializzati per mix-of-agents, del caso della CLI di Grok che sfilava dati dai computer degli utenti, e della posizione di Torvalds: l'AI è uno strumento, è il 2026, chi non vuole usarla si fork il kernel. Links: https://x.com/demishassabis/status/2076957440109625718 https://x.com/maeste/status/2077733742584398029 https://x.com/miramurati/status/2077455974743593100?s=20 Per chi costruisce con LLM e guarda i costi di inferenza, è una puntata da non perdere. CAPITOLI 00:00 Modelli nuovi e feedback dal vivo 06:58 Hassabis: AGI tra pochi mesi 13:52 Kimi K3: i cinesi chiudono il gap 22:36 Terzo al mondo: Kimi K3 in classifica 27:36 Costi e token: un quarto di Fable 31:47 Fable: memoria, rifiuti e switch a Opus 40:19 Provenienza umana, Fable e il business 44:53 Thinking Machine Lab: l'open weight di Murati 49:39 Inklings: open weight americano e fine tuning 54:14 Grok CLI ruba dati: bug o training? 57:40 Torvalds: l'AI è qui, usatela 1:05:54 La mossa 37 del codice Ascolta su Spotify: https://open.spotify.com/episode/3SLjYEq7cLYgIkJbNZgdSJ?utm_source=youtube&utm_medium=description&utm_campaign=ep63_drop Sito: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep63_drop Iscriviti al canale per non perdere le prossime puntate. #63

    Open weight americano e Kimi K3: cambio di scena

  7. Jul 15

    Inferenza europea e zero log | Eugenio Petullà

    Inferenza LLM in Europa, zero data retention e open weight: Eugenio Petullà (Regolo.ai) su dove finiscono i tuoi dati quando interroghi un modello di frontiera o open weight. Parliamo con Eugenio Petullà, Chief AI Alchemist di Regolo.ai, provider europeo di inferenza hostato in Italia nel gruppo DHH/Seeweb. Regolo serve modelli open weight a consumo tramite API OpenAI-compatible, con zero data retention: niente log, niente training sui dati dei clienti, tutto dentro un datacenter italiano GDPR-compliant. Nell'intervista: la geopolitica delle GPU e perché l'Europa è schiacciata tra USA e Cina (TSMC, ASML, il collo di bottiglia di Taiwan), il routing dei modelli con brick e il principio "il modello giusto per il task giusto" (non Fable per tradurre un'email), la libreria ai-footprint per misurare CO2 e Watt di ogni chiamata, il sospetto che OpenAI e Anthropic logghino i tuoi prompt, e perché l'Europa ha perso il treno del training ma può ancora vincere su inferenza e robotica. 🎓 Capitoli 0:00:00 Inferenza europea e i tuoi dati 0:06:07 Red Hat, GNOME e l'amore per Linux 0:11:00 Professional open source: Mozilla e WordPress 0:15:52 Regolo, provider europeo di inferenza 0:20:47 GLM, Qwen, Gemma e i small model 0:27:56 I tre business model di Regolo 0:33:45 Geopolitica GPU: Europa tra USA e Cina 0:43:52 Server farm, memoria e impatto ambientale 0:56:00 Modelli di frontiera, Mistral e gap europeo 1:03:39 Routing e brick: il modello giusto 1:12:31 Zero data retention: i tuoi dati su OpenAI 1:18:30 Colonia tecnologica e cloud sovrano 1:24:59 Il futuro degli open weight 1:32:26 AI Act, il treno perso e robotica 🔗 Ascolta sull'altra piattaforma Spotify: https://open.spotify.com/episode/4mlKC6SrTiixqdNCVjD75T?utm_source=youtube&utm_medium=description&utm_campaign=petulla_drop Sito: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=petulla_drop 👥 Eugenio Petullà LinkedIn: https://www.linkedin.com/in/eugeniopetulla Regolo.ai: https://regolo.ai Se ti piace il podcast, iscriviti al canale. Si parla di AI Engineering in italiano, tra pari tecnici.

  8. Jul 11

    Fable, GPT 5.6 e tanti modelli cinesi

    Fable è un altro livello di modello: così intelligente che ottimizza l'harness al posto tuo, insegna a Opus e la gente lo usa per fare distillation. Da qui parte la puntata, e finisce dentro un'ondata di modelli cinesi. Stefano, Paolo e Alessio partono dal pattern Anthropic "Fable advisor di Opus" (Fable fa il planning, Opus esegue) e dal grafico modello+harness: GLM 5.2 con l'harness Pi arriva più in alto di Opus a costi più bassi. Poi i costi reali misurati da artificialanalysis: far girare la test suite con Fable 5 costa 5.600$, Grok 4.5 solo 600$, e Sonnet 5 costa più di Opus perché brucia molti più token. Nel roundup: GPT 5.6, Grok 4.5 (primo Grok davvero di frontiera), il nuovo modello Meta closed source, Ollama Cloud e OpenRouter per provare gli open, Seedance 2.5 (video 4K fino a tre minuti), ComfyUI con MCP server per pilotare la generazione da un agent, Pocket TTS e il rischio concreto di deepfake della voce, la guerra fredda dell'AI tra Cina e USA, LongCat 2.0 trainato interamente su chip Huawei, e il paper Anthropic sul ragionamento per concetti nel latent space. CAPITOLI 0:00 Fable e il taglio dell'abbonamento Anthropic 1:06 Le live del giovedì e i commenti degli ascoltatori 4:37 GLM 5.2 e i laboratori cinesi 9:03 Fable come oracolo: distillation e skill 12:14 Modello più harness e Fable advisor di Opus 19:03 Modelli open: Ollama Cloud, OpenRouter e HY3 23:36 Grok 4.5, GPT 5.6 e il modello Meta 32:33 Costi reali: Fable, Grok e Sonnet più di Opus 36:34 Voce GPT Live 2 e i dati per i robot 40:50 Seedance 2.5: video 4K da tre minuti 46:11 ComfyUI e l'MCP server per la generazione 51:09 Pocket TTS e i deepfake della voce 54:08 La guerra fredda dell'AI: Cina, backdoor, Europa 1:00:34 LongCat 2.0 trainato su chip Huawei 1:06:59 Il paper Anthropic sul ragionamento per concetti Ascolta l'episodio su Spotify: https://open.spotify.com/episode/3pL5JnwfiPK6vJNhG1YOHH?utm_source=youtube&utm_medium=description&utm_campaign=ep61_drop Archivio episodi e newsletter: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep61_drop AI Engineering in italiano, ogni settimana, da pari a pari. Iscriviti al canale se scrivi codice con l'AI in produzione. #61

    Fable, GPT 5.6 e tanti modelli cinesi
See All (84)

About

Risorse Artificiali è il podcast italiano di AI Engineering. Ogni settimana, tre ingegneri con 20+ anni di codice alle spalle fanno deep dive tecnici su agent, LLM, tool chain e produzione: Claude Code, Codex, agenti e modelli open source, inference, spec-driven development, e tutto ciò che serve per portare l'AI dal demo al deploy. Niente hype, niente "l'AI cambierà tutto": solo analisi oneste, casi concreti e cicatrici dal campo. Se scrivi codice per vivere e vuoi capire cosa cambia davvero per te, sei nel posto giusto.

Information

You Might Also Like