Jie Tang: il conteggio dei parametri non basta più per valutare i modelli

“Il numero di parametri ha senso solo insieme ad altri tre: quanti dati hai, dove spendi il compute e chi eseguirà il modello, in quali condizioni.” Così Jie Tang, CEO di Z.ai, è tornato su X per spostare il focus oltre la taglia dei modelli, prendendo GLM 5.3 come caso concreto¹.

Tang lega il giudizio sui modelli a un contesto operativo. Chiede di guardare a dati, strategia di calcolo e condizioni d’uso. Non a un singolo numero. Il messaggio spezza una scorciatoia comoda, ma ingannevole quando si confrontano prestazioni e costi tra modelli di classi diverse¹.

Il riferimento a GLM 5.3 serve a mostrare dove arrivano i guadagni. Secondo Tang, i salti maggiori arrivano dal reinforcement learning su ambienti a lungo orizzonte. Qui il modello impara a tenere il filo su compiti che richiedono molti passi. Gli ambienti coprono una gamma più ampia di flussi di lavoro di produzione, con compiti disegnati attorno a come si lavora davvero in ingegneria¹.

Il quadro si incastra con una revisione delle leggi di scaling post-Chinchilla. Non esiste un rapporto fisso tra token e parametri. La forchetta va da circa 200 a 900 token per parametro e dipende dal task, con riferimento a Roberts et al¹. In breve: la memorizzazione beneficia di più parametri. Il ragionamento beneficia di più dati di post-training e di maggiore profondità effettiva¹.

Il discorso si lega a una previsione già nota di Tang: entro fine anno comparirà un modello “Fable-class” a pesi aperti. Al momento del controllo citato da AINews, mancavano 134 giorni alla fine dell’anno. Esistevano due modelli stimati tra 2 e 3 trilioni di parametri: Qwen 3.8 Max e Kimi K3. Le stime per Fable lo collocano tra 3 e 7 trilioni, con due punti in più sull’AA index rispetto a quei riferimenti¹. Non è un annuncio formale, ma un contesto che rafforza la tesi: la gara non si gioca più solo sulla dimensione.

Il punto operativo è netto. Se si valuta solo il conteggio dei parametri si perde la parte che incide sugli esiti in produzione. Tang invita a dichiarare dove si spende il compute. E a chiarire in quali condizioni si userà il modello. Un modello con più parametri può aiutare a ricordare. Ma può non ragionare meglio senza dati di post-training e profondità adeguati¹.

GLM 5.2 resta sullo sfondo come tappa precedente già discussa da AINews. GLM 5.3 mette l’accento su RL e ambienti con orizzonti lunghi. La traiettoria suggerita premia chi investe nel post-training e nella profondità effettiva, non solo chi guarda al numero di parametri¹.

Se contano dati, compute e condizioni d’uso, chi annuncia nuovi modelli dovrà affiancare al numero di parametri anche questi tre numeri di targa, altrimenti il confronto resta zoppo.