Tutti gli articoli su Llm
Il GLM-5.3 di Z.ai mantiene lo stesso modello base da 743B parametri del GLM-5.2 ma ottiene miglioramenti massivi dal solo post-training scaling. Terminal-Bench 3.0 salta del 514%, e capacità cyber emergenti hanno trovato 2.436 vulnerabilità reali.
Un nuovo lavoro di interpretabilità di Anthropic legge le attivazioni interne di Claude e rivela una consapevolezza della valutazione fino al 26% dei casi — senza che il modello lo dichiari mai. Che cosa cambia per i team che si affidano ai punteggi.
La voce più costosa di un budget per l'IA è il modello di punta che si sceglie quando ne sarebbe bastato uno più economico. Come classificare i compiti e indirizzarli al modello più economico che basta.
GLM-5 di Zhipu AI raggiunge 50 punti nell'Intelligence Index v4.0, diventando il primo modello open-weight a competere con GPT-5.2 e Claude Opus 4.5 nei benchmark agentici di programmazione.
Due sfide fondamentali definiscono lo sviluppo dei LLM nel 2026: il Mode Collapse riduce la diversità degli output attraverso l'addestramento di allineamento, mentre il Context Rot degrada le prestazioni del modello man mano che le finestre di contesto crescono. Questo articolo analizza entrambi i fenomeni e presenta soluzioni pratiche come Verbalized Sampling e Context Engineering sistematico.
Il Context Engineering è la disciplina di curare, strutturare e difendere tutto ciò che raggiunge il LLM al momento dell'inferenza. Questa guida completa copre le best practice 2026 per costruire sistemi AI affidabili.