Notizie, ricerca e prodotti legati all intelligenza artificiale e ai modelli AI
Secondo un’indagine VentureBeat di maggio 2026, il 77% dei team enterprise spende risorse ingegneristiche significative per gestire l’infrastruttura degli agenti AI, non la loro intelligenza. Il vero punto di rottura è il runtime, non il modello.
Un team di ricercatori UIUC, UC Berkeley e Chroma ha rilasciato Harness-1, modello open source che raggiunge il 73% di accuratezza nei recuperi informativi, superando GPT-5.4 (70,9%) e altri sistemi chiusi di dimensioni ben maggiori.
Secondo un nuovo studio congiunto di Harvard e Perplexity, gli agenti AI lavorano in autonomia per 26 minuti a sessione, contro i 33 secondi del motore di ricerca tradizionale. Il risultato: un risparmio di tempo dell’87% e di costi del 94%.
Il CEO di Microsoft AI, Mustafa Suleyman, spiega perché Microsoft ha deciso di costruire modelli propri, cosa significa «superintelligence» per lui e perché non dobbiamo temere per i nostri posti di lavoro.
Google Research ha integrato un framework Agentic RAG nella piattaforma Gemini Enterprise Agent. La novità è il Sufficient Context Agent, che verifica la completezza del contesto prima di generare una risposta, aumentando l’accuratezza fino al 34% rispetto alla RAG tradizionale.
Microsoft ha rilasciato MAI-Transcribe-1.5, la seconda generazione del suo modello ASR. Supporta 43 lingue con un tasso d’errore del 2.4% sul benchmark Artificial Analysis e può trascrivere un’ora di audio in meno di 15 secondi.
Scrivere codice non è mai stato il collo di bottiglia nello sviluppo software. L’AI generativa lo sta dimostrando, accelerando i problemi strutturali che le aziende hanno sempre ignorato.
Un sistema che traduceva domande in API call ha iniziato a fallire dopo l’aggiornamento a Claude Sonnet 4.5. Il problema non era nel modello, ma nelle assunzioni su come avrebbe continuato a comportarsi.
Google ha rilasciato Colab CLI, un tool open source che collega il terminale locale ai runtime Colab. Un solo comando per sessioni GPU (T4, L4, A100, H100) e TPU, eseguibile anche da agenti AI come Claude Code o Codex.
Nel 2026 le piattaforme low-code e no-code integrano AI in modo nativo: molti strumenti generano app, automazioni o agenti da una semplice descrizione in linguaggio naturale. Ecco 21 strumenti raggruppati per funzione, da Atoms a Teachable Machine.
Da setup a report finale, passando per probe personalizzate e detector su misura: come usare NVIDIA garak per testare la sicurezza degli LLM in un workflow completo.
Harness-1 è un agente di retrieval da 20B parametri che, grazie a un harness stateful e reinforcement learning, raggiunge il 73% di curated recall su 8 benchmark, superando modelli ben più grandi e segnando un nuovo standard per la ricerca documentale open source.