Un modello sufficientemente capace può ora leggere e modificare direttamente i pesi di una rete neurale più piccola, senza passare da codice PyTorch o loop di training.
Macro notizie:
- 🧬 LLM imparano a leggere e scrivere direttamente i pesi di altre reti neurali
- 🚫 Cina introduce i primi export controls ufficiali su AI frontier
- 🌐 NVIDIA rilascia Cosmos 3, modelli open per simulare mondi interattivi
Segnali recenti:
- Anthropic descrive come Claude usa il "dreaming" per organizzare la memoria
- Google lancia Gemini 4 Argon e Carbon, Mistral risponde con Timestral per il forecasting
- Fabian Theis indica la prossima frontiera: dati biologici multi-scala invece di modelli più complessi
- Revolut sposta 2.000 ingegneri su GLM self-hosted, tagliando i costi del 90%
- OpenAI patcha 948 vulnerabilità di privilege escalation nel kernel Linux con una pipeline autonoma
LLM leggono e scrivono pesi di reti neurali
We asked GPT-6 Astra to edit Qwen3.5-0.8B weights to improve math.
— Rikiya Takehi (@rikiyatakehi) November 2, 2026
It directly changed only 0.016% of weights, fixing 0.8B's reasoning loops & improving math up to 6x and even instruction following 3x, without gradients or training.
We call this Weight-Space Programming:… pic.twitter.com/DwTwzXzSbE
In breve: Alex Zhang e colleghi mostrano che un modello sufficientemente capace può leggere e modificare i pesi grezzi di una rete più piccola, oneshot-fixando bug e in alcuni casi scrivendo pesi da zero.
I dettagli:
- Capacità dimostrate: Il modello riesce a capire cosa fa una rete solo guardandone i pesi, come leggere i bit di un eseguibile compilato.
- Fix in un colpo: Dati i trace di un fallimento, il modello riesce a correggere il bug in un solo tentativo, senza riscrivere codice.
- Scrittura da zero: In alcuni casi arriva a generare pesi interi da zero, battendo modelli addestrati indipendentemente.
- Riproduzione indipendente: Il risultato ha già ricevuto una conferma indipendente da un altro team, segno che non è un artefatto isolato.
Perché conta: Fino a 8 mesi fa l'autoricerca di Karpathy richiedeva comunque scrivere codice, lanciare compute e leggere curve di loss. Se un modello può ora operare direttamente sui pesi, salti un intero strato di tooling umano, avvicinandoti a forme di self-improvement più dirette. È ancora vicino alla mechanistic interpretability fatta a mano e per ora funziona su giochi semplici e policy RL, non su task avanzati: resta da vedere se scala.
Cina introduce i primi export controls ufficiali su AI frontier

In breve: Il governo cinese pubblica il Mofcom Announcement No. 48, il primo regime formale di controlli all'esportazione su modelli AI frontier.
I dettagli:
- Prima volta: È il primo provvedimento ufficiale cinese che regola specificamente l'export di capacità AI frontier.
- Discussione: Il tema ha raccolto 159 punti e 90 commenti su Hacker News, segno di forte interesse nella community tecnica.
- Contesto geopolitico: Arriva mentre gli Stati Uniti mantengono da anni restrizioni simmetriche sull'export di chip e modelli verso la Cina.
- Fonte tecnica: L'analisi dettagliata del provvedimento è pubblicata dalla Cloud Security Alliance.
Perché conta: Se lavori con modelli open o chiudi partnership internazionali, un regime di controlli simmetrico cambia le regole del gioco: la Cina smette di essere solo destinataria di restrizioni e diventa anche regolatore. Per chi fa benchmark o deployment cross-border, questo introduce nuova incertezza legale su cosa si può condividere, con chi, e a quali condizioni, in un momento in cui i modelli open cinesi (DeepSeek in testa) sono già centrali nell'ecosistema globale.
Letture Consigliate
Un elenco curato di libri utili per crescere nel campo della data science e machine learning
Hands-On Large Language Models ➚
Jay Alammar e Maarten Grootendorst spiegano tokenizzazione, embedding, attention e RAG con le illustrazioni che hanno reso celebre "The Illustrated Transformer". Il punto d'ingresso ideale per chi vuole capire gli LLM e iniziare subito a usarli con codice pronto.
Build a Large Language Model (From Scratch) ➚
Sebastian Raschka ti guida a costruire un GPT in PyTorch riga per riga, dal tokenizer al fine-tuning. Nessuna scatola nera: alla fine sai esattamente cosa succede dentro un modello linguistico.
AI Engineering ➚
Chip Huyen affronta le domande che contano quando un LLM va in produzione: quando usarlo, come valutarlo, RAG o fine-tuning, agenti, costi di inferenza e feedback loop. Poco codice, molto giudizio ingegneristico: il libro per chi deve prendere decisioni.
The Hundred-Page Language Models Book ➚
Andriy Burkov condensa in cento pagine la teoria essenziale dei modelli linguistici, dalle basi statistiche ai transformer, con codice a corredo. Perfetto per chi vuole i fondamenti solidi senza affogare in un manuale da seicento pagine.
NVIDIA rilascia Cosmos 3, modelli open per simulare mondi interattivi

In breve: NVIDIA aggiunge quattro nuovi checkpoint open-weight alla famiglia Cosmos 3, pensati per generare e simulare scene di guida e interazioni robotiche multi-sensore.
I dettagli:
- Quattro modelli: Transfer-Auto, Sim-Auto, Sim-Transfer e Sim-Bimanual, ciascuno specializzato su un caso d'uso diverso.
- Parametri: Tutti e quattro sono post-trained da Cosmos 3 Nano con 16B di parametri addestrabili.
- Licenza: I modelli usano la licenza OpenMDW1.1, che permette uso sia commerciale che non commerciale.
- Multi-sensore: Transfer-Auto genera video sincronizzato fino a 11 view camera, incluse fisheye, con generazione congiunta RGB-LiDAR.
Perché conta: Se sviluppi per guida autonoma o robotica, avere checkpoint aperti con pesi e codice scaricabili abbassa la barriera per costruire ambienti di simulazione senza dipendere da dataset proprietari. Il punto debole resta la validazione: NVIDIA stessa ammette che capire dove questi modelli supportano davvero policy learning ed evaluation, e dove falliscono, è ancora lavoro da fare, non un risultato acquisito.
Tutto il resto
Modelli e ricerca
Anthropic spiega come Claude organizza la memoria con il dreaming
Anthropic descrive come Claude impara dall'esperienza usando il dreaming, un processo offline ispirato al consolidamento della memoria nel cervello umano durante il sonno. Su CL-Bench 1.0, solo i modelli più recenti come Claude Opus 5 e Claude Opus 5.5 riescono a chiudere il loop, scrivendo regole verificate invece di ipotesi non testate.</text> anthropic.com ➚
Google e Mistral spingono su agenti e forecasting a orizzonte lungo
Google rilascia Gemini 4 Argon, specializzato nel trasformare input visivi in artefatti completi tramite tool e subagent, e Gemini 4 Carbon, pensato per task di ingegneria e cybersecurity di lunga durata. In parallelo Mistral lancia Timestral, un modello di forecasting zero-shot con output quantile per esprimere l'incertezza sulle serie numeriche. thesequence.substack.com ➚
Fabian Theis traccia la frontiera degli algoritmi per la biologia multi-scala
Fabian Theis, figura chiave del concetto di Virtual Cell e leader a Helmholtz Munich, sostiene che la perturbation prediction sui dataset attuali non è un problema abbastanza difficile da richiedere algoritmi complessi. Secondo lui bisogna puntare su dati multi-scala e co-registrati, lo stesso obiettivo dietro l'investimento da 1,8 miliardi di dollari annunciato da Biohub insieme a NIH, DOE, Google e Meta. latent.space ➚
Revolut sposta 2.000 ingegneri su GLM self-hosted
Revolut ha spostato circa 2.000 ingegneri da Claude Code e Codex a un deployment self-hosted di GLM su 56 Nvidia B200, con un costo blended di 30 centesimi per milione di token, circa un decimo di quanto pagava ad Anthropic e OpenAI. Secondo David Abitbol, che guida le operazioni AI dell'azienda, il lead time di ingegneria è migliorato del 70% da quando i token hanno smesso di essere razionati. twitter.com ➚
Strumenti e applicazioni
OpenAI patcha quasi 1000 falle Linux con agenti autonomi
OpenAI ha costruito una pipeline autonoma che ha trovato, validato e generato patch per 948 vulnerabilità locali di privilege escalation nel kernel Linux. Il risultato ha raccolto 487 punti su Hacker News, segno dell'interesse per l'uso di agenti su sicurezza a bassa supervisione umana. openai.com ➚


Commenti dalla community