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” [S1][S3]. 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” [S2]. 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 [S3]. 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 [S1].

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” [S2].

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 [S2][S3].

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 [S2]. 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 [S1][S3]. 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 [S2].

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 [S3]. Le fonti non riportano, però, un elenco dettagliato dei dati di training di K3 [S1][S3].

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 [S2]. 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” [S1][S3]. 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 [S1][S2][S3].

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? [S3]
• qual è il rapporto tra parametri totali e attivi in inferenza? [S2]
• qual è la licenza e cosa consente per integrazione e test? [S2]
• quali dettagli sui dati di training sono pubblici e in che forma? [S2]

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 [S2][S3].