Martedì 8 settembre 2026
L’edizione di oggi
Millebit
AI · Software · QA
Il segnale, non il rumore.

Notizia

Modello scrive JavaScript per dipingere acquerelli e la pipeline è pubblica

Un video di Surya Narreddi ha mostrato acquerelli generati da codice scritto da un LLM; la ricetta tecnica è stata riprodotta e pubblicata su Hugging Face con dataset, ambiente RL e modelli [S1].

Modello scrive JavaScript per dipingere acquerelli e la pipeline è pubblica

Modello scrive JavaScript per dipingere acquerelli e la pipeline è pubblica

Il 23 agosto Surya Narreddi ha mostrato un modello che dipinge acquerelli scrivendo JavaScript con p5.brush. Il video è esploso: oltre 1,5 milioni di visualizzazioni al momento del post tecnico su Hugging Face che lo accompagna [S1]. In parallelo, lo stesso post rende pubblica la “ricetta” per riprodurre l’esperimento, con addestramento a rinforzo e artefatti condivisi sulla piattaforma [S1].

Il post non documenta le composizioni complete viste nel video. Descrive una fase precedente, centrata su fiori in primo piano, e segnala che gli artefatti di quel passaggio non erano ancora aperti. Sul sito personale, Narreddi annuncia un report tecnico in arrivo [S1].

L’idea artistica e il design restano accreditati a Narreddi. L’autore del post dichiara di occuparsi della parte ingegneristica. Obiettivo dichiarato: “reproducing the recipe in the open with every piece published” [S1].

La riproduzione usa strumenti di Hugging Face per l’RL. Nel post compaiono TRL e OpenEnv per costruire e gestire l’addestramento. Sono pubblicati il reference pool dataset, l’ambiente RL, lo scorer che valuta le uscite, gli script di training e i modelli addestrati. Tutto ospitato su Hugging Face, con l’esecuzione dell’addestramento tramite Jobs [S1].

Il risultato passa dal codice: il modello genera JavaScript che, con p5.brush, rende l’effetto acquerello. p5.brush “aggiunge strumenti di disegno naturale a p5.js” [S1].

Resta la distanza tra il video e il perimetro del post: composizioni complete da un lato, fiori ravvicinati dall’altro. In attesa del report annunciato, la pipeline pubblica offre già una traccia verificabile, dagli input ai checkpoint, fino al codice generato. Chi studia il sistema può seguire i passaggi, confrontare le uscite con il dataset di riferimento e misurare l’impatto delle scelte di addestramento, usando gli stessi ambienti e gli stessi script resi disponibili [S1].