SlothSort organizza file in locale usando modelli open-weight quantizzati
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Un tool autosufficiente che legge i primi 2.048 byte dei file, li classifica in 18 vault e rinomina automaticamente con titoli normalizzati.
SlothSort analizza i primi 2.048 byte di ogni file, decide tra 18 domini e propone un nuovo nome con data, tutto in locale1.
Cartelle piene di download (1).pdf, scan_0042.jpg, W2_Tax_Year_2025.txt, untitled_notes_oct.md. L’autore descrive quel triage come il lavoro che si rimanda, perché ripetitivo. SlothSort attacca quel punto: osserva un frammento, decide dove collocare il file, genera un titolo normalizzato1.
Niente lettura integrale. Si ferma a 2 KB netti, esattamente 2.048 byte. Annusa intestazioni, script, metadati multimediali. Quel campione diventa il contesto per l’inferenza1.
Non si fida di estensioni e nomi originali. Deduce l’intento dal contenuto del campione, classifica in uno dei 18 “vault domains”, poi produce un titolo con data in testa. Esempio concreto: download (1).txt diventa 2026-10-22_Cloud_Compute_Invoice.txt1.
Obiettivo dichiarato: ridurre il carico cognitivo del riordino. La decisione nasce dal contenuto che emerge nei primi 2 KB, non da etichette deboli come “final_v2” o da estensioni riciclate. Il nuovo nome punta a rendere il file riconoscibile a colpo d’occhio1.
Modelli e runtime restano sul dispositivo. Il progetto usa Small Language Models open-weight quantizzati. L’autore cita Llama 3.2 3B e Qwen 2.5 3B come esempi supportati. L’esecuzione avviene tramite Ollama. L’elaborazione resta al 100% in locale1.
La submission inquadra il lavoro nell’Hacktoberfest Open-Source AI Challenge, Week 3, tema Slow and Steady. La presentazione imposta un ritmo prudente: pochi byte, una decisione utile, nessun servizio esterno nella pipeline descritta1.
La logica tecnica è in tre passaggi chiari. Primo, campionamento mirato dei 2.048 byte iniziali. Secondo, inferenza dell’intento a partire da quel contesto. Terzo, classificazione nei 18 domini e generazione del titolo con data1.
Scelte operative sobrie. L’autore mostra esempi reali di caos quotidiano e di rinomina, non screenshot patinati. Nessun claim generico su “AI che capisce tutto”. Il perimetro è stretto: un frammento piccolo, una decisione locale, modelli SLM open-weight quantizzati con Ollama come runtime indicato1.
L’uso tipico resta quello: lasciare a SlothSort il triage dei 2 KB per file, con i 18 domini predefiniti e un titolo datato, così le cartelle tornano leggibili senza spostare dati fuori dal computer. La chiusura della submission, “channel your inner sloth”, riflette l’impostazione: poco per volta, ma in modo affidabile, sul proprio dispositivo1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono. Valutazione su questo pezzo: 9,5/10.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale: superato.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica. Questo articolo ha preso 8,3/10 dopo 2 revisioni.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.