Percorso di lettura

Matematica & Statistica

1. 1 Vettori e matrici senza paura: l’algebra lineare che serve davvero Deep Dive
2. 2 Il prodotto scalare: la moltiplicazione che misura la somiglianza Deep Dive
3. 3 Autovalori e autovettori: le direzioni che non cambiano Deep Dive
4. 4 Derivate e gradiente: la pendenza che guida l’apprendimento Deep Dive
5. 5 La chain rule: come si propagano le cause Deep Dive
6. 6 Il teorema di Bayes spiegato con i test medici Deep Dive
7. 7 La gaussiana è ovunque: distribuzioni per chi fa AI Deep Dive
8. 8 Massima verosimiglianza: scegliere l’ipotesi meno sorprendente Deep Dive
9. 9 L’entropia di Shannon: misurare la sorpresa Deep Dive
10. 10 Cross-entropy e KL divergence: l’errore dei modelli linguistici Deep Dive
11. 11 Bias e varianza: i due modi di sbagliare Deep Dive
12. 12 Overfitting: quando il modello impara a memoria Deep Dive
13. 13 La legge dei grandi numeri e perché servono tanti dati Deep Dive
14. 14 Correlazione non è causalità (e come si distinguono) Deep Dive
15. 15 La discesa del gradiente da zero Tutorial
16. 16 Minimi locali, plateau e punti di sella Deep Dive
17. 17 Intervalli di confidenza e test: valutare un modello onestamente Deep Dive
18. 18 La maledizione della dimensionalità Deep Dive
19. 19 Tensori: cosa sono davvero (spoiler: array) Deep Dive
20. 20 Float16, precisione e stabilità numerica Deep Dive
21. 274 Topological Neural Operators: operatori neurali che rispettano la geometria della fisica Paper Summary

Machine Learning

1. 21 La regressione lineare: il modello che non muore mai Tutorial
2. 22 Regressione logistica: da numeri a probabilità Tutorial
3. 23 k-nearest neighbors: classificare per somiglianza Tutorial
4. 24 Naive Bayes: il filtro antispam che ha 60 anni Deep Dive
5. 25 Alberi di decisione: il modello che si spiega da solo Tutorial
6. 26 Random forest: la saggezza della folla di alberi Deep Dive
7. 27 Gradient boosting e XGBoost: imparare dagli errori residui Deep Dive
8. 28 SVM e il kernel trick: separare l’inseparabile Deep Dive
9. 29 K-means: raggruppare senza etichette Tutorial
10. 30 DBSCAN e clustering gerarchico: oltre k-means Deep Dive
11. 31 PCA in pratica: comprimere senza (quasi) perdere Tutorial
12. 32 t-SNE e UMAP: mappe 2D di dati impossibili Deep Dive
13. 33 Feature engineering: dove si vince davvero Deep Dive
14. 34 Precision, recall, F1: la matrice di confusione spiegata Deep Dive
15. 35 ROC e AUC: valutare a ogni soglia Deep Dive
16. 36 Cross-validation: il test che non bara Deep Dive
17. 37 Regolarizzazione L1 e L2: pesi a dieta Deep Dive
18. 38 Classi sbilanciate: quando il 99% di accuracy è un fallimento Deep Dive
19. 39 Ensemble: perché tanti modelli deboli battono uno forte Deep Dive
20. 40 Dove il ML classico batte ancora il deep learning Deep Dive
21. 239 TabPFN 2.5: un foundation model per i dati tabellari Paper Summary
22. 290 Gli embedding: come le macchine trasformano le parole in geometria Deep Dive

Deep Learning

1. 41 Il perceptron (1958) e il primo inverno dell’AI Deep Dive
2. 42 Perché la profondità conta: reti multistrato Deep Dive
3. 43 Dalla sigmoide alla ReLU: le funzioni di attivazione Deep Dive
4. 44 Le loss function: che cosa ottimizziamo davvero Deep Dive
5. 45 SGD e momentum: scendere con l’inerzia Deep Dive
6. 46 Adam: l’ottimizzatore di default (e i suoi difetti) Deep Dive
7. 47 Learning rate e scheduler: il parametro che decide tutto Deep Dive
8. 48 Batch normalization: perché stabilizza il training Deep Dive
9. 49 Dropout: imparare con metà cervello spento Deep Dive
10. 50 Inizializzazione dei pesi: partire col piede giusto Deep Dive
11. 51 Vanishing e exploding gradients Deep Dive
12. 52 Le convoluzioni spiegate: filtri che scorrono Deep Dive
13. 53 Pooling e gerarchie: da pixel a concetti Deep Dive
14. 54 ResNet e le skip connection: la scorciatoia che ha sbloccato la profondità Deep Dive
15. 55 RNN: reti con memoria (e i loro limiti) Deep Dive
16. 56 LSTM e GRU: i cancelli della memoria Deep Dive
17. 57 Autoencoder: comprimere per capire Deep Dive
18. 58 VAE: autoencoder che immaginano Deep Dive
19. 59 GAN: il falsario e il detective Deep Dive
20. 60 I modelli di diffusione: generare togliendo rumore Deep Dive
21. 61 Transfer learning: non ripartire mai da zero Deep Dive
22. 62 Data augmentation: moltiplicare i dati senza raccoglierli Tutorial
23. 63 Double descent: il mistero della generalizzazione Deep Dive
24. 64 La lottery ticket hypothesis: reti vincenti nascoste Deep Dive
25. 65 Perché il deep learning ha aspettato le GPU Deep Dive
26. 134 Adam (2014): l’ottimizzatore diventato standard Paper Summary
27. 135 Dropout (2014): la regolarizzazione come ensemble implicito Paper Summary
28. 136 Batch Normalization, il paper che ha tolto l’alchimia dall’addestramento Paper Summary
29. 137 ResNet, il paper che ha insegnato alle reti profonde a non fare nulla Paper Summary
30. 140 Auto-Encoding Variational Bayes: il paper che insegnò alle reti a immaginare Paper Summary
31. 151 Scaling Laws (2020): le leggi di potenza dei modelli Paper Summary
32. 152 Chinchilla (2022): meglio più dati che più parametri Paper Summary
33. 163 FlashAttention (2022): l’attention che non satura la memoria Paper Summary
34. 169 Mamba (2023): state space model contro attention Paper Summary
35. 176 KAN (2024): funzioni sugli archi, non sui nodi Paper Summary
36. 177 Mamba-2 (2024): SSM e attention sono la stessa cosa Paper Summary
37. 191 Flow matching, la scorciatoia dritta che sta sostituendo la diffusione Paper Summary
38. 196 Byte Latent Transformer (2024): addio al tokenizer Paper Summary
39. 197 Titans (2025): una memoria che impara al momento del test Paper Summary
40. 243 CompactifAI: comprimere gli LLM con reti tensoriali quantum-inspired Paper Summary
41. 245 LLM-JEPA: quando gli LLM imparano ad allenarsi come i modelli visivi Paper Summary
42. 246 Free Transformer: dare al Transformer una variabile latente per pensare prima di scrivere Paper Summary
43. 247 CAT: comprimere e attendere per un’attention efficiente a piacere Paper Summary
44. 252 Generative Modeling via Drifting: la generazione in un solo passo che evolve durante il training Paper Summary
45. 254 Memory Caching: dare alle RNN una memoria che cresce come quella dei transformer Paper Summary
46. 257 q0: pretraining a iper-epoca, o come sfruttare il budget di calcolo oltre la saturazione Paper Summary
47. 259 VQ-VAE: rappresentazioni discrete che si imparano da sole Paper Summary
48. 260 L’ipotesi della rappresentazione platonica: i modelli stanno convergendo verso una sola visione del mondo? Paper Summary
49. 266 RePo: quando un LLM decide da sé come riposizionare il contesto Paper Summary
50. 267 Test-time training end-to-end: comprimere il contesto lungo nei pesi del modello Paper Summary
51. 269 Reinforced Attention Learning: ottimizzare dove un modello guarda, non solo cosa dice Paper Summary
52. 273 LT2: Transformer looped a tempo lineare Paper Summary
53. 276 Dallo SGD agli spettri: la teoria dietro l’evoluzione dei pesi Paper Summary
54. 279 LeJEPA: il self-supervised learning senza trucchi euristici Paper Summary
55. 283 KAN contro MLP: un confronto pratico su accuratezza e costo computazionale Paper Summary
56. 284 SWIRL: imparare a modellare il mondo senza etichette d’azione Paper Summary
57. 289 Backpropagation: come una rete neurale impara dai propri errori Deep Dive
58. 304 Quanto è sicuro il modello? MC dropout in dieci righe Tutorial
59. 306 Un DQN su CartPole, e poi il tuo problema dentro Gymnasium Tutorial
60. 309 LongLoRA: allungare il contesto durante l’addestramento, e restituire l’attenzione intera all’inferenza Paper Summary
61. 310 La maschera non è il modello: due architetture ibride in circolazione sbirciavano il futuro Paper Summary
62. 389 In-Place TTT: ByteDance fa imparare gli LLM mentre leggono, riusando un pezzo dei pesi che hanno già Paper Summary
63. 443 Cadence, la rete che si ripara da sola: il sito promette l’intelligenza generale, il preprint è molto più prudente Paper Summary

NLP, Vision & Multimodale

1. 66 La tokenizzazione: come un LLM legge (BPE) Deep Dive
2. 67 Bag of words e TF-IDF: l’NLP prima delle reti Deep Dive
3. 68 word2vec: la parola dal contesto Deep Dive
4. 69 Seq2seq e il collo di bottiglia del vettore unico Deep Dive
5. 70 L’attention prima dei transformer Deep Dive
6. 71 L’architettura transformer, pezzo per pezzo Deep Dive
7. 72 Positional encoding: dare un ordine a chi non ce l’ha Deep Dive
8. 73 BERT vs GPT: capire vs generare Deep Dive
9. 74 Pre-training e fine-tuning: le due scuole Deep Dive
10. 75 Perplexity: quanto è sorpreso un modello Deep Dive
11. 76 Temperature, top-p, beam search: come un LLM sceglie la parola Deep Dive
12. 77 Perché l’italiano costa più token dell’inglese Deep Dive
13. 78 NER, sentiment, classificazione: l’NLP classico nell’era LLM Deep Dive
14. 79 Come funziona Whisper: da onda sonora a testo Deep Dive
15. 80 La traduzione automatica: da regole a LLM Deep Dive
16. 81 Classification, detection, segmentation: la vision spiegata Deep Dive
17. 82 ViT: i transformer applicati alle immagini Deep Dive
18. 83 Come un modello «vede»: la multimodalità Deep Dive
19. 132 AlexNet (2012): la scintilla del deep learning moderno Paper Summary
20. 139 Generative Adversarial Networks (2014): il gioco a due Paper Summary
21. 141 U-Net: la rete a clessidra nata al microscopio e finita dentro i generatori di immagini Paper Summary
22. 142 YOLO (2016): riconoscere oggetti in un solo sguardo Paper Summary
23. 143 AlphaGo (2016): la macchina che ha battuto un campione di Go Paper Summary
24. 144 DQN (2015): imparare a giocare guardando lo schermo Paper Summary
25. 145 PPO (2017): il reinforcement learning che non fa passi troppo lunghi Paper Summary
26. 153 Vision Transformer (2020): immagini come sequenze di patch Paper Summary
27. 154 CLIP (2021), il modello che ha imparato a vedere leggendo didascalie Paper Summary
28. 155 DDPM (2020), come nasce un’immagine dal rumore Paper Summary
29. 156 Latent Diffusion: la mossa che ha reso leggera la generazione di immagini Paper Summary
30. 157 AlphaFold 2: dalla sequenza alla forma di una proteina Paper Summary
31. 165 Whisper (2022): riconoscimento vocale robusto e multilingue Paper Summary
32. 182 SAM 2 (2024): segmentare qualsiasi cosa, anche nei video Paper Summary
33. 188 AlphaFold 3: prevedere non una molecola, ma un incontro Paper Summary
34. 190 Movie Gen, o come si insegna a un modello a immaginare i fotogrammi successivi Paper Summary
35. 249 DexWM: insegnare la manipolazione robotica guardando video umani Paper Summary
36. 258 DINOv3: la visione self-supervised che non ha più bisogno di etichette Paper Summary
37. 262 Veo 3 e l’apprendimento zero-shot: i modelli video stanno diventando i nuovi foundation model della vision? Paper Summary
38. 268 Object-WIPER: cancellare oggetti (e le loro ombre) dai video senza addestramento Paper Summary
39. 287 PhysInOne: due milioni di video per insegnare la fisica ai modelli generativi Paper Summary
40. 288 Tokenizzare con la programmazione lineare: oltre gli algoritmi greedy come BPE Paper Summary
41. 308 Topic modeling con BERTopic: che cosa c’è dentro un archivio che nessuno ha letto Tutorial
42. 312 Non è la conoscenza, è l’abilità: lo stesso modello gioca peggio in certe lingue Paper Summary
43. 315 YOLO26, il rilevatore in tempo reale che rinuncia al filtro finale Paper Summary
44. 321 OmniVoice, la sintesi vocale che prova a parlare seicento lingue Paper Summary
45. 324 Qwen-Image-2.0: un modello solo per dipingere, scrivere e ritoccare le immagini Paper Summary
46. 325 GAE: generare scene coerenti in 3D partendo dallo spazio latente di un modello che misura la profondità Paper Summary
47. 326 Unlimited OCR: Baidu trascrive decine di pagine in un colpo solo tenendo ferma la memoria Paper Summary
48. 327 WorldCrafter: il world model video di Tencent che ricorda la stanza quando ci torni Paper Summary
49. 329 HPD-Parsing: Baidu legge una pagina come una redazione, prima il menabò e poi i pezzi in parallelo Paper Summary
50. 332 MinerU2.5-Pro: stesso modello da 1,2 miliardi, dati rifatti da capo, primo su un benchmark rifatto anch’esso Paper Summary
51. 334 VoiceMem, la memoria a due emisferi che un assistente vocale comincia a interrogare mentre stai ancora parlando Paper Summary
52. 337 ABot-Recon: ricostruire in 3D video lunghissimi ricordando solo gli ultimi undici fotogrammi Paper Summary
53. 340 RelateAnything: le relazioni fra oggetti con un vocabolario deciso al momento Paper Summary
54. 342 Vidu S1: il video generato in diretta che risponde alla voce Paper Summary
55. 343 LingBot-VLA 2.0: sessantamila ore di dati, un corpo intero e uno sguardo avanti per portare i VLA fuori dal laboratorio Paper Summary
56. 346 Mask Forcing: video in tempo reale meno saturi, mescolando rumore pulito e sporco durante la distillazione Paper Summary
57. 347 KaiNinja, il generatore 3D che consegna gli oggetti già divisi in parti Paper Summary
58. 349 WorldSculpt: una scena da settecento oggetti, generata un oggetto alla volta Paper Summary
59. 350 RoboDojo, l’esame comune per i robot generalisti: il migliore, in simulazione, riesce in meno di una prova su dieci Paper Summary
60. 351 VibeVoice-ASR-Streaming: chi ha detto cosa, mentre lo sta dicendo Paper Summary
61. 352 TurboVLA: un robot a 32 Hz con meno di un giga di memoria, togliendo l’LLM dal centro Paper Summary
62. 354 GRAIL: NVIDIA addestra un umanoide con dati generati, partendo da scene 3D di cui conosce ogni misura Paper Summary
63. 355 MOSS-VL, il modello che guarda mentre parla: il video in tempo reale secondo Fudan Paper Summary
64. 356 StarVLA: un banco di prova comune, a mattoncini, per i modelli che muovono i robot Paper Summary
65. 359 Kairos, il world model che non vuole prevedere ogni pixel ma solo quello che serve al robot Paper Summary
66. 362 Zetta: il robot non cambia, cambia chi lo sorveglia. Critici in codice che evolvono attorno a un VLA congelato Paper Summary
67. 365 MoGe-3: la geometria da una foto si corregge in 3D, non sul piano dell’immagine Paper Summary
68. 366 VGGT-Ω: la ricostruzione 3D in un solo passaggio scopre di crescere con la scala Paper Summary
69. 369 HY-World 2.0: Tencent apre il modello che genera e ricostruisce mondi 3D esplorabili Paper Summary
70. 370 MCR-RNNT, un trascrittore solo per la diretta e per l’archivio: la ricetta NVIDIA per i Transducer Paper Summary
71. 371 ABot-World-0: un mondo da esplorare con WASD, generato in diretta su una sola GPU da scrivania Paper Summary
72. 372 Gli «ehm» trascritti a comando: la politica di trascrizione come variabile latente Paper Summary
73. 373 World Action Models: la survey di Fudan che mette ordine fra i robot che immaginano prima di agire Paper Summary
74. 376 GenRouter: per ogni immagine chiesta, la strada che costa quanto serve Paper Summary
75. 379 DreamX-Phi 1.0, il world model video che deve muovere il braccio giusto: il primo posto provvisorio su WorldArena 2.0 e che cosa non dimostra Paper Summary
76. 383 MiniCPM-o 4.5, basta dire «passo»: il modello da 9 miliardi che guarda, ascolta e parla insieme Paper Summary
77. 384 LingBot-World 2.0: un mondo generato che regge un’ora, con un regista che propone gli eventi Paper Summary
78. 385 MonkeyOCRv2: un encoder visivo cresciuto sulle pagine invece che sulle fotografie Paper Summary
79. 387 LocateAnything, il riquadro in un colpo solo: NVIDIA insegna ai modelli visione-linguaggio a localizzare in parallelo Paper Summary
80. 388 WildDet3D: il riquadro in 3D da una foto sola, chiesto con un nome, un clic o un riquadro Paper Summary
81. 390 Flex-π: il robot che immagina il futuro in colore, profondità e oggetti, e lascia scegliere quanto calcolo spendere Paper Summary
82. 392 Raster2Seq: la planimetria ridisegnata angolo dopo angolo, come si scrive una frase Paper Summary
83. 393 CoToGrasp: la mano robotica a cui si chiede come afferrare, non solo se ci riesce Paper Summary
84. 394 STEP, lo scheletro che non si rompe: anomalie nei video di sorveglianza cercate nello spazio delle componenti principali Paper Summary
85. 395 Prima vedere, poi pensare: il post-training dei modelli visivi che allena gli occhi a parte Paper Summary
86. 397 AnyFlow, il generatore video distillato che migliora se gli si concedono più passi Paper Summary
87. 517 Indra OCR alla prova dell’italiano: 99 parole su 100, ma «lì» diventa «li» e «È» diventa «E»

LLM & Agenti

1. 84 Cos’è davvero un LLM: next token prediction, tutto qui Deep Dive
2. 85 Le scaling laws divulgate: più grande è meglio? Deep Dive
3. 86 Emergent abilities: reali o illusione di misura? Deep Dive
4. 87 RLHF: insegnare le buone maniere a un modello Deep Dive
5. 88 DPO: allineare senza reward model Deep Dive
6. 89 Instruction tuning: da completatore ad assistente Deep Dive
7. 90 Context window: cosa ci sta davvero dentro Deep Dive
8. 91 La KV cache: perché la generazione non riparte da zero Deep Dive
9. 92 Quantizzazione: modelli grandi su hardware piccolo Deep Dive
10. 93 LoRA: fine-tuning con lo 0,1% dei parametri Deep Dive
11. 94 Distillazione: insegnante grande, allievo piccolo Deep Dive
12. 95 Mixture of Experts: il modello che non si accende tutto Deep Dive
13. 96 Reasoning model e test-time compute: pensare più a lungo Deep Dive
14. 97 Chain-of-thought: perché «pensa passo passo» funziona Deep Dive
15. 98 Prompt engineering: cosa funziona davvero (con le prove) Deep Dive
16. 99 RAG avanzato: reranking, hybrid search, query rewriting Deep Dive
17. 100 Vector database: come trovano l’ago nel pagliaio Deep Dive
18. 101 Le allucinazioni: perché i modelli inventano Deep Dive
19. 102 Function calling: quando l’LLM usa gli strumenti Tutorial
20. 103 Anatomia di un agente AI: loop, strumenti, memoria Deep Dive
21. 104 MCP spiegato: la porta USB degli agenti Deep Dive
22. 105 Sistemi multi-agente: quando servono (e quando no) Deep Dive
23. 106 Benchmark: come si misura un LLM (e come si bara) Deep Dive
24. 107 LLM-as-judge: il modello che valuta i modelli Deep Dive
25. 108 Fine-tuning, RAG o prompt? L’albero di decisione Deep Dive
26. 109 Open weights vs closed: la mappa dei modelli Deep Dive
27. 110 Modelli locali con Ollama: cosa ci fai davvero Tutorial
28. 131 Attention Is All You Need, il paper che ha reso possibile ChatGPT Paper Summary
29. 133 word2vec (2013): l’aritmetica dei significati Paper Summary
30. 138 Sequence to Sequence Learning (2014): encoder e decoder Paper Summary
31. 147 BERT (2018): capire il testo in entrambe le direzioni Paper Summary
32. 148 GPT-2 (2019): un modello, tanti compiti Paper Summary
33. 149 GPT-3 (2020): imparare dagli esempi nel prompt Paper Summary
34. 150 T5 (2019): tutto è un problema testo-a-testo Paper Summary
35. 158 Codex (2021): dal linguaggio naturale al codice Paper Summary
36. 159 InstructGPT (2022): l’RLHF che ha reso utili gli LLM Paper Summary
37. 160 Chain-of-Thought Prompting (2022): ragionare per iscritto Paper Summary
38. 161 LoRA (2021): adattare i modelli con matrici a basso rango Paper Summary
39. 162 RAG (2020): unire recupero e generazione Paper Summary
40. 164 LLaMA (2023): modelli aperti ed efficienti Paper Summary
41. 167 Toolformer (2023): il modello che impara a usare gli strumenti Paper Summary
42. 168 ReAct (2022): ragionare e agire insieme Paper Summary
43. 171 DeepSeek-R1, o come insegnare a un modello a ragionare senza insegnargli niente Paper Summary
44. 172 DeepSeek-V3: seicento miliardi di parametri, ma solo trentasette accesi alla volta Paper Summary
45. 173 Llama 3, la ricetta scritta per intero Paper Summary
46. 174 Qwen2.5, la famiglia che copre ogni taglia Paper Summary
47. 178 OpenAI o1 (2024): pensare più a lungo per rispondere meglio Paper Summary
48. 179 Gemini 1.5 (2024): milioni di token di contesto Paper Summary
49. 180 Mixtral of Experts (2024): il mixture-of-experts open Paper Summary
50. 181 Phi-3 (2024): quando la qualità dei dati batte la dimensione Paper Summary
51. 185 Oltre DPO: SimPO e KTO, allineare preferenze con meno ingredienti Paper Summary
52. 186 Chatbot Arena, o come si dà una classifica a modelli che nessun test riesce a misurare Paper Summary
53. 187 SWE-bench, il benchmark che chiede ai modelli di sistemare bug veri Paper Summary
54. 189 AlphaGeometry: la macchina che sa dove tracciare la linea giusta Paper Summary
55. 192 Scaling test-time compute (2024): più inferenza, meno addestramento Paper Summary
56. 193 Many-shot in-context learning (2024): centinaia di esempi nel prompt Paper Summary
57. 198 Agenti LLM: la mappa del 2025 Paper Summary
58. 199 LLaVA (2024): dare gli occhi a un modello linguistico Paper Summary
59. 200 Computer use (2024-25): agenti che usano il computer come noi Paper Summary
60. 241 L’era dell’esperienza: Silver e Sutton oltre i dati umani Deep Dive
61. 242 L’RL insegna davvero a ragionare? Il paper che mette alla prova RLVR Paper Summary
62. 244 L’illusione dell’illusione del pensiero: perché i modelli di ragionamento non collassano davvero Paper Summary
63. 248 Dai code LLM agli agenti: la mappa completa dell’intelligenza artificiale per il codice Deep Dive
64. 253 SkillsBench: le ‘skill’ per agenti funzionano davvero? Un benchmark lo misura Paper Summary
65. 255 Self-distillation semplice: un LLM che migliora nel codice imparando dai propri output Paper Summary
66. 256 Is Grep All You Need? Come l’harness dell’agente cambia la ricerca agentica Paper Summary
67. 261 SEAL: i modelli linguistici che si riscrivono i propri dati di addestramento Paper Summary
68. 264 AlphaResearch: un agente LLM che prova a scoprire algoritmi nuovi Paper Summary
69. 265 Matrix: generare dati sintetici con sciami di agenti senza un direttore d’orchestra Paper Summary
70. 270 Experiential Reinforcement Learning: far riflettere il modello sui propri errori prima di premiarlo Paper Summary
71. 272 Target Policy Optimization: separare ‘cosa premiare’ da ‘come aggiornare i pesi’ nell’RL per LLM Paper Summary
72. 275 ARE e Gaia2: come Meta misura (e mette in crisi) gli agenti AI generalisti Paper Summary
73. 277 DS-STAR: l’agente che pianifica ed esplora i tuoi dati passo dopo passo Paper Summary
74. 278 Memory as Action: quando l’agente impara a gestire la propria memoria Paper Summary
75. 280 ToolOrchestra: un piccolo modello che dirige un’orchestra di strumenti Paper Summary
76. 281 Quanto sanno fare scienza gli LLM? Un’analisi sistematica Paper Summary
77. 282 Web World Models: mondi persistenti per agenti costruiti col codice, non generati Paper Summary
78. 285 LongCLI-Bench: mettere alla prova gli agenti di programmazione su compiti lunghi da terminale Paper Summary
79. 291 RAG: dare una memoria esterna ai modelli linguistici Deep Dive
80. 297 Sette repo su dieci: la «skill» è diventata il pacchetto degli agenti
81. 299 Due terzi degli zeri di Riemann: venticinque punti in una volta, e la firma è di un modello Deep Dive
82. 300 Un GPT minimo in PyTorch: dal tokenizer al testo generato Tutorial
83. 301 Adattare un modello di embedding al proprio dominio Tutorial
84. 303 Far parlare un modello in JSON: output strutturato che non si rompe Tutorial
85. 311 Sessanta volte meno calcolo: quando l’SFT mescolato batte l’RL sui dati senza catena di pensiero Paper Summary
86. 313 RRSI: l’agente che si riscrive l’harness impara meglio se gli si mette un freno Paper Summary
87. 314 Gemma 4, il rapporto tecnico: modelli aperti che vedono e ascoltano, e un 12B senza encoder Paper Summary
88. 322 ClawBench: gli agenti AI sanno fare la spesa online? Il benchmark sui siti veri dice di rado Paper Summary
89. 330 ARIS: la ricerca automatica con un revisore di un’altra famiglia, contro il successo plausibile ma infondato Paper Summary
90. 331 Lean Pool: l’archivio di matematica formalizzata che gli agenti tengono in piedi Paper Summary
91. 333 Prime Agent: l’harness aperto che dà al modello un REPL, dei subagenti e una memoria, e su ARC-AGI-3 passa da 30 a 95,5% Paper Summary
92. 335 GameHorizon, cinquemila ore di videogiochi per misurare chi sa giocare: dal tasto premuto alla strategia Paper Summary
93. 336 SkillOpt: la skill di un agente si può addestrare come si addestrano i pesi Paper Summary
94. 338 FrontierChallenge: gli agenti scientifici arrivano quasi in fondo, e dicono di aver finito Paper Summary
95. 339 Colleague.skill: il sapere del collega che se ne va, distillato in una skill per agenti Paper Summary
96. 341 ScienceBuddy: l’agente scientifico che si migliora due volte, nelle procedure e nei pesi Paper Summary
97. 344 AutoResearchClaw: nella ricerca automatica l’umano serve poco, ma nel punto giusto Paper Summary
98. 345 EvoOntology: il quaderno che l’agente dei dati consulta, e che si corregge da solo Paper Summary
99. 357 Jev-Mem, la memoria degli agenti che decide senza scrivere: un «Sistema Uno» per archiviare e cercare Paper Summary
100. 360 AutoResearch di EvoMap: il laboratorio automatico che non si fida dei propri numeri Paper Summary
101. 361 NeoHorse-1: il router dell’agente decide anche che cosa il modello studierà dopo Paper Summary
102. 363 Arbor: la ricerca automatica che tiene un albero delle ipotesi, e ricorda perché ha potato un ramo Paper Summary
103. 364 LongHorizon-Harness: l’agente che non si fida di sé stesso finisce più compiti lunghi Paper Summary
104. 367 AgentDebugX: per riparare un agente bisogna trovare il passo che ha sbagliato, non quello dove si vede l’errore Paper Summary
105. 368 Spark-to-Paper: tredici skill dentro un assistente di programmazione per scrivere un paper, compreso il diritto di arrendersi Paper Summary
106. 374 GenericAgent: l’agente che spende meno token perché tiene il contesto denso Paper Summary
107. 375 Frontis-MA1: addestrare le quattro mosse dell’ingegnere ML invece dell’agente intero Paper Summary
108. 377 Ouroboros: l’agente che si riscrive il codice solo passando per una revisione, e i 161 giorni di Hope Paper Summary
109. 378 LycheeMemory V2: la memoria dell’agente si scrive quando cambia argomento, non a ogni battuta Paper Summary
110. 380 Agentic World Modeling: la survey che mette i world model su tre gradini, da prevedere a correggersi da soli Paper Summary
111. 381 EnvHarness: l’ambiente di addestramento si adatta all’agente, senza riscriverlo Paper Summary
112. 382 Xcientist: l’AI scientist con il giornale dei lavori, perché il codice non tradisca l’idea Paper Summary
113. 391 Graph Engineering: la survey che dopo prompt, contesto e harness chiede agli agenti un organigramma scritto Paper Summary
114. 396 Orchard, lo strato sottile sotto gli agenti: l’ambiente open source di Microsoft che fa viaggiare dati e ricette Paper Summary
115. 424 Gli agenti nell’AI Act non sono una categoria a parte: la FAQ del Service Desk, punto per punto Deep Dive
116. 444 Harness learning: un modello da 4 miliardi impara a riscrivere l’harness di un altro, senza toccarne i pesi Paper Summary
117. 445 OverclaimBench: «ho letto tutti i file», scrive l’agente, e la sua traccia dice di no Paper Summary
118. 446 Compaction Cliff e Governance Decay: le regole che un agente perde quando riassume la propria memoria Paper Summary
119. 447 Harness o modello? Con lo stesso modello, l’harness del produttore non vince in media Paper Summary
120. 448 Harness²: ritoccare l’harness senza conoscere la risposta giusta, e imparare a ritoccarlo meglio Paper Summary
121. 449 La repo di Harness²: la demo gira in tre secondi, un banco vero chiede la rete chiusa
122. 514 Decoerenza: il debito tecnico che cresce a ogni modifica, e che gli agenti rischiano di accelerare Deep Dive
123. 515 Distillare non vuol dire più rimpicciolire: la parola dietro il caso Kimi K3 Deep Dive

Safety & Allineamento

1. 111 Il problema dell’allineamento, spiegato senza fantascienza Deep Dive
2. 112 Jailbreak e prompt injection: le due falle (diverse) Deep Dive
3. 113 Interpretabilità: aprire la scatola nera Deep Dive
4. 114 Reward hacking: quando il modello vince barando Deep Dive
5. 115 I bias nei modelli: da dove vengono, come si misurano Deep Dive
6. 116 Deepfake e watermarking: la corsa agli armamenti Deep Dive
7. 118 GDPR e LLM: cosa può (e non può) fare chi tratta dati Deep Dive
8. 119 Copyright e training data: lo stato del contenzioso Deep Dive
9. 120 Red teaming: attaccare i modelli per renderli sicuri Deep Dive
10. 121 Rischio esistenziale: il dibattito, raccontato onestamente Deep Dive
11. 122 AI e lavoro: cosa dicono i dati (non i tweet) Deep Dive
12. 146 Deep RL from Human Preferences (2017): insegnare coi confronti Paper Summary
13. 166 Constitutional AI (2022): allineare con dei principi Paper Summary
14. 170 Superposizione: come una rete stipa più concetti dei neuroni che possiede Paper Summary
15. 175 Il microscopio per leggere dentro un modello linguistico Paper Summary
16. 183 Alignment Faking (2024): quando il modello finge di essere allineato Paper Summary
17. 184 Sleeper Agents: la backdoor che sopravvive all’addestramento di sicurezza Paper Summary
18. 194 RLAIF (2024): feedback dall’AI invece che dall’uomo Paper Summary
19. 238 Perché i modelli linguistici allucinano: il paper di OpenAI (2025) Paper Summary
20. 250 La geometria bayesiana dell’attention: cosa fanno davvero i transformer quando ‘inferiscono Paper Summary
21. 251 Decomposizione bi-ortogonale: separare contenuto e posizione dentro un Vision Transformer Paper Summary
22. 263 Guess-then-Refine: come gli LLM usano davvero la propria profondità Paper Summary
23. 271 Cosa pensano davvero i ricercatori AI dell’automazione della ricerca (e dell’esplosione di intelligenza) Paper Summary
24. 286 Attivazioni massive e attention sink: due fenomeni distinti, non uno solo Paper Summary
25. 305 «Che cosa avrei dovuto cambiare»: spiegazioni controfattuali con DiCE Tutorial
26. 317 Collusione emergente: due agenti LLM imparano da soli a non controllarsi a vicenda Paper Summary
27. 318 RA-Bench: i rilevatori di video generati non reggono davanti alle crisi vere Paper Summary
28. 319 DeepSeek Harness sotto attacco: 14.560 prove di prompt injection indiretta con A.I.G Paper Summary
29. 348 SAEScientist-Bench: gli agenti AI sanno fare ricerca di interpretabilità? Trovano la feature, non sempre la leva Paper Summary
30. 419 L’Omnibus digitale sull’AI è legge: il regolamento 2026/1744 e le nuove date dell’AI Act Deep Dive
31. 423 Articolo 50 dell’AI Act spiegato: che cosa dicono le linee guida sulla trasparenza, e che cosa cambia dal 2 dicembre Deep Dive
32. 518 AI gesuita? Il fine, i mezzi e il metodo scientifico capovolto Deep Dive

AI Italia

1. 117 AI Act: guida pratica per chi sviluppa in Italia Deep Dive
2. 298 Orientarsi nell’IA italiana: fatti, codici e dati reali oltre i comunicati stampa
3. 413 Decreto 160/2026, dal 30 settembre: il reato di AI non messa in sicurezza e le cause per danni più facili Deep Dive
4. 428 Un modello aperto da oltre 400 miliardi di parametri in 24 lingue: che cosa ha vinto il consorzio EUROPA guidato dall’italiana Domyn Deep Dive

MLOps & Infra

1. 123 Dal notebook alla produzione: il percorso minimo Deep Dive
2. 124 Servire un LLM: vLLM e continuous batching Deep Dive
3. 125 Drift: quando il modello invecchia in silenzio Deep Dive
4. 126 Quanto costa davvero un’API LLM: guida ai prezzi Deep Dive
5. 127 GPU cloud vs on-premise: i conti veri Deep Dive
6. 128 CI/CD per il machine learning Tutorial
7. 129 Latency vs throughput: ottimizzare l’inferenza Deep Dive
8. 130 Docker per data scientist: il minimo indispensabile Tutorial
9. 195 Speculative decoding: bozza veloce, verifica lenta Paper Summary
10. 240 NVFP4: recuperare l’accuratezza dei modelli a 4 bit con la distillazione Paper Summary
11. 302 Quantizzare in pratica: pesi soli, o pesi e attivazioni? Tutorial
12. 307 Dati che non stanno in RAM: memmap, HDF5 e il DataLoader che non esplode Tutorial
13. 316 Uno, la diffusione dentro l’LLM: generare più token per passo senza cambiare le risposte Paper Summary
14. 320 DSpark, la bozza che sa quando fermarsi: lo speculative decoding di DeepSeek-V4 Paper Summary
15. 323 Cordis: togliere un pezzo a un programma acceso senza riavviarlo, secondo DeepSeek e Pechino Paper Summary
16. 328 FreeToken: i MoE giganti sul PC di casa, dividendo gli esperti fra scheda video e processore Paper Summary
17. 353 Molt, il framework di NVIDIA per l’RL agentico: un trilione di parametri in novemila righe di Python Paper Summary
18. 358 TurboServe, il video generato in diretta come servizio: sessioni che traslocano e GPU che si accendono Paper Summary
19. 386 Sol-Attn: l’attenzione sparsa che sceglie al volo, per generare video più in fretta Paper Summary

Python & Pratica

1. 201 Preparare l’ambiente: Python, ambienti virtuali e IDE Tutorial
2. 202 Scrivere codice Pythonic: indentazione, moduli, stile Tutorial
3. 203 Python da zero: numeri, stringhe e liste Tutorial
4. 204 Tuple, dizionari e set: scegliere il contenitore giusto Tutorial
5. 205 Controllo di flusso: if, for, while e comprehension Tutorial
6. 206 Le funzioni: args, kwargs e lambda Tutorial
7. 207 Enumerate, zip, generatori, map e filter: il flusso pigro dei dati Tutorial
8. 208 OOP in Python: classi, attributi e metodi (e perché model.fit() funziona) Tutorial
9. 210 Decorator e property: il Python elegante che ti risparmia codice ripetuto Tutorial
10. 211 NumPy: perché gli array battono le liste Tutorial
11. 212 NumPy: indexing, reshape e operazioni vettoriali Tutorial
12. 213 Media, mediana, moda e varianza con NumPy Tutorial
13. 217 Pandas: Series e DataFrame, il foglio di calcolo che vive dentro Python Tutorial
14. 218 Pandas: selezione, filtri e groupby — fai le domande giuste ai tuoi dati Tutorial
15. 219 Pandas: merge, join e dati mancanti Tutorial
16. 220 Feature e label: i tipi di dati del ML Tutorial
17. 221 Gestire i dati mancanti: buttare, riempire o predire? Tutorial
18. 222 One-hot e label encoding: numeri al posto di categorie Tutorial
19. 223 Train/test split, scaling e outlier: preparare i dati senza barare Tutorial
20. 224 Lo stimatore scikit-learn: fit, transform e predict spiegati una volta per tutte Tutorial
21. 225 Le Pipeline scikit-learn: dal preprocessing al modello in un oggetto solo Tutorial
22. 226 Learning curve: diagnosticare un modello che non impara Tutorial
23. 227 Grid search e random search: trovare gli iperparametri giusti senza impazzire Tutorial
24. 228 AutoML: quando lasciar scegliere il modello alla macchina Tutorial
25. 229 Feature selection: K-best, mutua informazione, selezione sequenziale Tutorial
26. 230 Oltre il gradiente: hill climbing, simulated annealing, algoritmi genetici Tutorial
27. 231 Costruire un perceptron (e un Adaline) da zero in Python Tutorial
28. 232 Recommender system: collaborative filtering user e item based Tutorial
29. 233 Sentiment analysis in Python Tutorial
30. 234 Progetto: riconoscere strumenti musicali dall’audio Tutorial
31. 235 Variabili aleatorie, momenti e percentili per il ML Tutorial
32. 236 Apprendimento per rinforzo: agenti, stati, azioni Tutorial
33. 237 Salvare, ricaricare e confrontare i modelli Tutorial