Cosa significa davvero “open” nei modelli da trilioni: promesse, pesi e trasparenza

Il 16 luglio 2026 Moonshot AI annuncia Kimi K3: 2,8 trilioni di parametri, contesto nativo da 1.000.000 di token, input multimodale, nuova Kimi Delta Attention. L’azienda lo definisce “open‑weights” e promette di pubblicare i pesi “entro il 27 luglio 2026”. Nello stesso arco di tempo, Thinking Machines Lab pubblica i pesi di Inkling: 975 miliardi di parametri totali, 41 miliardi attivi, licenza Apache‑2.0, documentazione sintetica e posizionamento esplicito “non frontier”. La tesi: “open” oggi copre pratiche diverse. Pesi promessi o rilasciati, numeri di scala senza la stessa semantica, licenze permissive ma metadati limitati. Per chi sviluppa, valuta e mitiga rischi, conta capire cosa c’è davvero sul tavolo.

1) Due approcci al rilascio: promessa vs. pubblicazione reale

Moonshot lancia Kimi K3 con un messaggio netto: primo “open 3T‑class model”, disponibile sul sito e via API, pesi in arrivo entro una data precisa. La società lo posiziona sopra DeepSeek v4 Pro da 1,6 trilioni per dimensione e affianca confronti di benchmark e cost‑per‑task. Le presentazioni richiamate da AINews mostrano K3 a 2,8T, contesto da un milione, input multimodali e Kimi Delta Attention, come indicato nei materiali dell’azienda.

Thinking Machines adotta un’altra via. Pubblica subito i pesi di Inkling. Indica 975 miliardi di parametri totali e 41 miliardi attivi in un’architettura Mixture‑of‑Experts. Specifica la licenza: Apache‑2.0. Aggiunge i dati di addestramento: 45 trilioni di token su testo, immagini, audio e video. E chiarisce che Inkling non è un “frontier model”.

Due mosse, due implicazioni: l’annuncio con promessa di pesi e comparazioni commerciali, contro il rilascio effettivo dei file ma con schede sintetiche. In entrambi i casi, “open” c’è. Ma con significati operativi diversi.

2) Parametri totali vs. parametri attivi: implicazioni pratiche

Inkling separa numeri e uso. 975 miliardi di parametri complessivi. 41 miliardi attivi durante l’inferenza. È un Mixture‑of‑Experts che rende esplicita la distanza tra capacità nominale e risorse effettive per step. Questo dato guida decisioni concrete: stima del costo di esecuzione, disegno di pipeline, requisiti hardware, valutazione comparabile.

Per K3, le fonti confermano i 2,8 trilioni di parametri e la nuova attenzione. Non riportano, però, una distinzione tra parametri totali e attivi. Le presentazioni ne enfatizzano scala, contesto lungo e multimodalità. Senza una cifra sugli attivi, la lettura dei costi e delle performance resta legata a benchmark proprietari e a misure aggregate.

La lezione è semplice. La dimensione grezza non basta. Per interoperabilità e valutazione indipendente conta sapere quanti parametri lavorano davvero in inferenza. Quando il dato manca, chi deve replicare o stimare il rischio lavora al buio parziale.

3) Documentazione, dati di training e governance del rischio

Thinking Machines pubblica una model card e una Training Data Documentation. Entrambe sono sintetiche. La documentazione afferma l’uso di contenuti in pubblico dominio e di contenuti che possono essere soggetti a diritti di proprietà intellettuale. Cita “internet aperto”, “depositi pubblicamente accessibili” e “dataset forniti da terze parti”. Non compaiono elenchi di dataset né percentuali per tipologia.

I materiali di Moonshot concentrano l’attenzione sulle capacità di K3 e sul posizionamento. Le comparazioni indicano prestazioni spesso sopra Claude Opus 4.8 max e GPT‑5.5 high, ma sotto Claude Fable 5 e GPT‑5.6 Sol, con un Elo complessivo di 1547 in “long‑horizon knowledge work” e un costo per task di 0,94 dollari nel report citato. L’azienda dichiara anche una riduzione del 21% dei token di output rispetto a K2.6 e una prima posizione nella classifica Frontend Code di Arena.ai al momento rilevato. Le fonti non riportano, però, un elenco dettagliato dei dati di training di K3.

Per la governance del rischio, questa asimmetria pesa. Senza liste di dataset, percentuali e provenienza puntuale, resta complesso valutare bias, diritti e tracciabilità. La presenza dei pesi aiuta audit e test riproducibili. Ma, senza metadati sui dati, la copertura del rischio resta parziale.

4) Licenze, interoperabilità e uso pratico in ricerca e QA

Inkling esce sotto Apache‑2.0. Licenza permissiva. Consente integrazione dei pesi in workflow di ricerca, strumenti di QA e catene di valutazione con pochi attriti legali. La struttura Mixture‑of‑Experts e la distinzione tra parametri attivi e totali aiutano a pianificare run e costi.

Moonshot parla di “open‑weights” e di disponibilità via sito e API, con promessa di pubblicare i pesi “entro il 27 luglio 2026”. Questa finestra crea un periodo in cui l’accesso replicabile ai pesi non è ancora garantito. Per chi deve verificare benchmark, testare regressioni o costruire harness di valutazione, la differenza pratica tra promessa e file scaricabili è netta.

Ne esce una pratica ibrida: rilascio con licenza permissiva ma documentazione essenziale, o promessa di apertura con forte comunicazione sulle capacità. In entrambi i casi, la qualità della documentazione tecnica e la chiarezza sui numeri “attivi” diventano fattori di interoperabilità tanto quanto la licenza.

5) Cosa cambia per chi sviluppa, testa e regola modelli

Per sviluppatori e team di QA, “open” non equivale più a riproducibilità immediata. Servono pesi scaricabili, ma anche metadati su architettura, parametri attivi, dati di addestramento e istruzioni d’uso. Le fonti forniscono questi elementi in modo disuguale: dettagli numerici e di licenza per Inkling, claim di capacità, confronti e promessa di pesi per K3.

Per chi gestisce rischio e conformità, la distanza tra claim commerciali, promesse datate e rilasci con documentazione scarna complica la due diligence. La valutazione indipendente di bias, provenienza dei dati e costi reali d’uso richiede sia l’accesso ai pesi sia la visibilità sui dati e sugli “attivi”. Oggi l’uno arriva spesso senza l’altro.

La metrica pratica, quindi, cambia. Non basta chiedere “i pesi sono open?”. Bisogna chiedere:

• esistono file scaricabili oggi o c’è una promessa con data?
• qual è il rapporto tra parametri totali e attivi in inferenza?
• qual è la licenza e cosa consente per integrazione e test?
• quali dettagli sui dati di training sono pubblici e in che forma?

Finché i pesi di K3 restano una promessa con scadenza e la documentazione dei dati per Inkling resta sintetica, la prova dei fatti avverrà sul campo: nel momento in cui i file arriveranno o mancheranno, e nel modo in cui i team riusciranno a valutarli e integrarli con trasparenza misurabile.