LLM open source: 4 modelli a pesi aperti testati (ottobre 2026)

Il panorama dei modelli con pesi aperti mostra un assetto inedito a ottobre 2026: Meta, DeepSeek, StepFun e NVIDIA hanno rilasciato quattro checkpoint di primo piano tra il 15 e il 17 ottobre. Si tratta di LLM open source nell’accezione d’uso comune, sebbene non tutti adottino una licenza open source standard. Il 19 ottobre ho testato ciascuno di essi via API su 12 compiti identici in lingua polacca: DeepSeek e Nemotron hanno completato l’intera serie senza errori, mentre Muse Spark Open e Step 5 hanno esaurito in alcuni casi il budget di risposta senza fornire una conclusione.

Quattro uscite, quattro proposte differenti

Muse Spark Open ha debuttato per mano di Meta il 15 ottobre. Nello stesso giorno, StepFun ha distribuito i pesi di Step 5 Preview, accessibile in precedenza solo come endpoint remoto (avevo trattato in dettaglio il lancio dell’API di Step 5 Preview). Sempre il 15 ottobre NVIDIA ha reso disponibile Nemotron 3.5 Super VL. Il 17 ottobre DeepSeek ha fatto seguire DeepSeek V4.1 Flash 1017, un’evoluzione diretta del precedente V4.1 Flash. Non si tratta quindi di quattro famiglie inedite nate da zero nello stesso istante, ed è un distinguo fondamentale.

Queste specifiche provengono dai repository ufficiali consultati il 20 ottobre 2026. StepFun pubblicizza il proprio sistema come 600B, mentre i metadati tecnici indicano 604B. Anche la cifra di 763B di DeepSeek costituisce un parametro complessivo presente nei metadati del repository e non rappresenta il conteggio dei parametri attivi per singolo token. Distinguere i parametri totali da quelli calcolati a ogni passaggio evita di confrontare grandezze disomogenee.

Tutti e quattro i contendenti dichiarano finestre di contesto nell’ordine di un milione di token. Si tratta però di un valore teorico nominale, non della certezza che qualunque infrastruttura possa elaborare tali volumi a velocità utile. Lo spazio di memoria occupato dal contesto si somma a quello dei pesi e risente del carico simultaneo di richieste. Il mio breve test non ha sollecitato questi limiti massimi.

Pesi aperti vs LLM open source: cosa cambia davvero

Disporre dei pesi offre la facoltà di distribuire un’architettura sui propri server e, ove concesso dai contratti d’uso, di applicare modifiche mirate. Questo svincola l’utente dal rischio che un fornitore chiuda un servizio cloud o modifichi all’improvviso il comportamento di un checkpoint. L’accesso ai file non elimina tuttavia l’onere sistemistico di gestione, calcolo, validazione e rispetto delle clausole legali.

Anche le architetture Mixture of Experts richiedono chiarezza. Un modello MoE attiva solo una porzione dei propri parametri per ogni singolo token, riducendo i calcoli istantanei. L’intero inventario dei pesi deve però rimanere residente nella memoria del sistema di inferenza. I 42B parametri attivi di Muse Spark Open non trasformano l’archivio in un modello compatto da 42 miliardi di parametri scaricabile con leggerezza.

Le condizioni legali divergono vistosamente tra questi modelli LLM:

• DeepSeek ricorre alla licenza MIT, imponendo solo di preservare l’avviso di copyright e le condizioni originarie.
• Meta impone la propria Muse Model License, che vincola a un accordo separato le imprese Model-as-a-Service con fatturato superiore a 20 milioni di USD nell’arco di dodici mesi, oltre all’attribuzione “Built with Muse Spark Open”.
• StepFun adotta la StepFun Model License 1.0: impone la dicitura “Powered by StepFun AI” sopra i 100 milioni di utenti attivi mensili o 20 milioni di USD di ricavi mensili, e richiede contratti ad hoc per produttori hardware e operatori di hosting oltre i 20 milioni di USD su base annua.
• NVIDIA distribuisce la propria soluzione con licenza OpenMDW 1.1.

Definire tutte queste uscite come IA open source genericamente libera da vincoli cancellerebbe obblighi che possono bloccare lo sviluppo di un’applicazione commerciale prima del debutto. NVIDIA condivide inoltre script e documentazione del ciclo di addestramento: una scelta apprezzabile per analizzare l’architettura, che non garantisce tuttavia la perfetta riproducibilità autonoma dell’intero dataset.

Cosa è emerso dal mio test in polacco

Il 19 ottobre ho inoltrato a ciascun modello gli stessi 12 prompt via API, una sola volta per compito (metodologia integrale e risposte mancate consultabili nell’approfondimento su quattro modelli aperti alla prova). Ho impostato temperature pari a 0 e una soglia massima di 6.000 token complessivi tra catena di ragionamento e responso finale. La sequenza includeva calcoli, grammatica polacca, estrazione dati da fattura in JSON, verifica di un checksum e calcolo di un giorno storico della settimana. È stato un collaudo pratico su output brevi, non una misura omnicomprensiva di intelligenza generale.

Tutti gli errori sono coincisi con un’uscita vuota al raggiungimento esatto dei 6.000 token di risposta. Muse Spark Open si è bloccato sulla conversione di 2,5 ore in secondi (pari a 9000 s). Step 5 si è arenato su un’istruzione di tre parole, su una domanda relativa alle suddivisioni amministrative della Polonia e sulla correzione ortografica. Le risposte valorizzate sono state validate tramite una correzione al criterio di valutazione automatico.

Nello specifico, il validatore esigeva inizialmente l’infinito polacco “wziąć”, ma tre modelli hanno restituito la forma imperativa corretta “Weź parasol, bo na pewno będzie padać” (ovvero “Prendi l’ombrello, perché pioverà sicuramente”). Accettare questa formulazione valida ha assegnato un punto a Muse, DeepSeek e Nemotron. La risposta di Step 5 a quel quesito è risultata invece completamente vuota.

I tempi di esecuzione riflettono le chiamate API rilevate durante il test e le condizioni di servizio del momento. I server possono impiegare stack software differenti e ogni compito è stato eseguito una volta sola. Questi riscontri cronometrici non costituiscono una graduatoria assoluta di velocità né anticipano l’efficienza su hardware privato. Parimenti, un punteggio perfetto in polacco non prova l’affidabilità del modello nella traduzione, nella prosa lunga o nell’elaborazione in italiano.

Esecuzione in locale rispetto all’uso via API

Le API consentono di valutare questi modelli AI open source senza dover allestire cluster complessi, ed è questo il metodo che ho impiegato per la mia prova. Configurare un’infrastruttura per l’AI locale acquista senso quando la riservatezza delle informazioni, il controllo sul checkpoint, la personalizzazione o carichi di lavoro continui giustificano l’investimento in macchine dedicate.

La scheda tecnica di Meta indica un fabbisogno di memoria video di circa 700 GB in formato NVFP4 e circa 2 TB in BF16. L’esempio suggerito per ambienti Mac richiede due sistemi Mac Studio con chip M5 Ultra e 512 GB di memoria unificata ciascuno (tramite MLX). Si tratta di postazioni altamente specializzate, non certo di comuni portatili da lavoro.

Le indicazioni fornite da StepFun prevedono configurazioni con 4 acceleratori B300 o 8 H200 per la quantizzazione FP8, che salgono a 8 B300 o 16 H200 in formato BF16. NVIDIA indica per Nemotron Super VL in NVFP4 l’impiego di un singolo sistema DGX Spark, una scheda H200, due H100 o un’unità GB200. Questi elenchi riflettono le raccomandazioni dei rispettivi team di sviluppo, non misurazioni sul mio banco di prova personale. Precisioni differenti e contesti lunghi non sono intercambiabili.

• Seleziona con precisione il checkpoint e il livello di quantizzazione prima di quantificare la RAM necessaria.
• Adotta il runtime di inferenza e i template di conversione raccomandati dalla documentazione ufficiale.
• Comincia con una finestra di contesto prudente e volumi di concorrenza realistici.
• Verifica sul campo la generazione di output strutturati, risposte fattuali e chiamate a strumenti per i tuoi scopi effettivi.
• Espandi la memoria assegnata al contesto o la dimensione dei lotti solo dopo aver verificato i consumi effettivi dell’intera architettura.

Il caricamento dei parametri nella memoria video è solo il primo ostacolo: il software deve conservare lo stato della sessione e le matrici dell’attenzione. Nel caso di modelli di questa scala, “locale” si traduce in una workstation avanzata o in un rack di calcolo. Una singola scheda grafica consumer da 24 GB non è adeguata a ospitare questi checkpoint completi. Per opzioni compatibili con un normale computer puoi leggere la mia guida all’AI locale per testi, immagini e audio, mentre il mio precedente test di modelli locali su scheda RTX 4090 mostra i limiti operativi dell’hardware desktop.

Scegliere il modello in base al flusso di lavoro

Per quesiti brevi e diretti assimilabili a quelli del mio banco di prova, DeepSeek e Nemotron offrono la base di partenza più convincente. Entrambi hanno risolto tutti i compiti assegnati. È un ottimo motivo per includerli in una fase di selezione preliminare, sebbene la decisione finale debba poggiare su test con dati aziendali, dialoghi articolati ed esecuzioni ripetute.

Muse Spark Open merita un approfondimento specifico se il tuo obiettivo riguarda l’orchestrazione di strumenti o l’ingegneria del software complessa, ambiti su cui Meta insiste particolarmente. Il mancato responso nella conversione temporale mette in luce un limite con il budget di token assegnato, ma non esclude il suo valore all’interno di flussi di lavoro più ampi. La medesima riflessione vale per Step 5, verificando se il ragionamento interno lasci margine sufficiente per il testo finale.

Se devi trattare documenti visivi, l’architettura multimodale di Nemotron risulta pertinente, ma occorre chiarire che il compito sulla fattura nel mio test conteneva solo testo grezzo. Non ho inviato file PDF scansionati, schermate o video: le funzioni pubblicizzate dal produttore non vanno confuse con le prove effettivamente condotte durante il benchmark.

Anche i costi via API necessitano di una valutazione contestuale. Il listino di DeepSeek distingue tra input in cache e senza cache, oltre che tra fasce di punta e non di punta (la fascia di punta cade tra le 01:00-04:00 e le 06:00-10:00 UTC, dal lunedì al venerdì). La spesa rilevata durante una breve sessione di test non rappresenta un costo fisso universale. Inoltre, i token generati durante i passaggi di ragionamento pesano sulla fattura tanto quanto il testo visibile, in particolare se la risposta resta vuota al limite del plafond.

Le quattro guide di questa serie

• Muse Spark Open di Meta - Guida al modello da 816B: requisiti hardware, configurazione Mac, licenza e il punteggio di 11/12.
• DeepSeek V4.1 Flash 1017 - Novità del checkpoint, tariffe API ufficiali, Search API e il risultato di 12/12.
• Quattro modelli aperti alla prova - Metodo di test, analisi dei 12 compiti, tempi di risposta, token impiegati e correzione del grader.
• Nemotron 3.5 Super VL e Step 5 - Due percorsi architetturali a confronto e clausole di licenza a confronto.

Tutti i miei collaudi indipendenti sono raccolti nella sezione Laboratorio Nitido di questo blog.

FAQ

Quale modello si è classificato al primo posto?

DeepSeek e Nemotron hanno ottenuto un punteggio paritario di 12/12 nella mia sessione di test in polacco. DeepSeek ha fatto registrare il tempo mediano di risposta più contenuto durante le prove. Questo riscontro non stabilisce una superiorità valida in assoluto per la programmazione, l’analisi di immagini, la redazione di testi lunghi o l’impiego come agenti autonomi.

Tutti e quattro i modelli possono essere usati a scopi commerciali?

Ciascuna licenza ammette l’impiego commerciale, ma a condizioni differenti. La licenza di StepFun impone accordi commerciali preventivi per chi distribuisce il modello all’interno di dispositivi fisici o gestisce piattaforme Model-as-a-Service con fatturato superiore a 20 milioni di USD su 12 mesi; Meta adotta un vincolo analogo a partire dalla soglia dei 20 milioni di USD per servizi gestiti. È doveroso esaminare i testi legali originali prima di avviare un’integrazione.

Aumentare il budget di token risolverebbe gli output vuoti?

Un limite di generazione più alto potrebbe permettere al modello di completare la catena di riflessione e stampare la conclusione, ma il mio collaudo non prevedeva riesecuzioni con parametri modificati. Una soglia maggiore comporta tempi di attesa più lunghi e un aumento del costo delle chiamate: va gestita come una sperimentazione tecnica e non come una certezza.

I risultati ottenuti in polacco sono validi anche per l’italiano?

I dati offrono uno spunto utile, ma rendono necessario svolgere verifiche dirette nella lingua di destinazione. Regole grammaticali, sintassi, formati orari o convenzioni locali richiedono test dedicati. La semplice traduzione dei quesiti di partenza non assicura il medesimo livello di complessità o le medesime condizioni di correzione.