Modelli open weight: licenze, hosting e controllo in azienda

I modelli open weight permettono a un’azienda di eseguire e adattare un modello sotto il proprio controllo, nei limiti stabiliti dalla licenza. Il rilascio di Muse Spark Open da parte di Meta, il 15 ottobre 2026, aggiunge un altro esempio statunitense: poter scaricare i pesi offre una scelta su dove eseguire il modello, ma non garantisce risparmi né diritti commerciali senza restrizioni.

Conviene partire da un’API, a meno che un’esigenza precisa di controllo o un carico di lavoro misurato non giustifichino la gestione diretta del modello. Un’API è un’interfaccia che il software chiama per richiedere un servizio; quel servizio può eseguire un modello open weight. È quindi possibile valutarlo presso un fornitore prima di decidere se il controllo dell’installazione valga l’impegno richiesto.

Che cosa sono i modelli open weight?

Sono modelli di cui si possono ottenere i parametri numerici appresi durante l’addestramento, quelli che consentono di generare le risposte. Questi parametri sono i pesi. Con un software compatibile e risorse hardware sufficienti, è possibile caricarli ed eseguire l’inferenza, cioè generare una risposta a partire da un input. I dati e il codice dell’addestramento originale possono invece restare inaccessibili. La definizione di Stanford HAI esplicita questa distinzione.

È un po’ come ricevere una pianta già cresciuta da un vivaio: la si può trasferire nella propria serra e curare in autonomia. Questo non significa aver ricevuto tutti i registri di coltivazione o il metodo con cui è stata ottenuta. Il modello scaricabile è il risultato dell’addestramento; riprodurre l’addestramento originale è un’altra impresa.

Per chi gestisce il servizio, il vantaggio immediato è poter scegliere dove eseguire uno specifico modello. A seconda della licenza, si può anche modificarlo, adattarlo tramite fine-tuning su esempi del proprio lavoro o distribuire un modello derivato. Il fine-tuning è un ulteriore addestramento che modifica il comportamento del modello: è un’operazione diversa dall’allegare documenti a un prompt.

Si pensi a un assistente interno per i documenti dei fornitori. La disponibilità dei pesi potrebbe consentire all’azienda di tenere il servizio di inferenza nella propria infrastruttura e conservare una determinata versione del modello. Non fornisce però la gestione dei permessi sui documenti, il sistema di ricerca, l’interfaccia utente o il flusso di gestione degli errori. Questi componenti vanno comunque sviluppati o acquistati.

Modelli open weight e closed weight: che cosa cambia?

La differenza sta nella possibilità di ottenere ed eseguire i pesi in autonomia. Con un servizio closed weight si usa l’interfaccia del fornitore alle sue condizioni, senza poter trasferire quel checkpoint su un altro server. Un modello open weight può invece essere eseguito altrove, su un’installazione compatibile e nel rispetto della licenza.

Occorre quindi separare due domande spesso confuse: chi dispone dei pesi e chi gestisce l’endpoint? Un’API ospitata da un fornitore è una modalità di accesso. Non indica se il modello sottostante sia aperto o chiuso.

Anche spostare un’applicazione da un fornitore all’altro richiede lavoro. Possono cambiare i formati dei prompt, gli strumenti supportati, gli input multimediali, l’interpretazione degli output e le impostazioni del servizio di inferenza. La disponibilità dei pesi offre un’alternativa al fornitore originale, ma non rende intercambiabile ogni endpoint.

Modelli AI open source e open weight: qual è la differenza?

Un link per il download dimostra che i pesi sono accessibili; non dimostra che l’intero sistema di AI sia open source. La presenza di una licenza software nota sul checkpoint aiuta a capire quali usi siano consentiti, ma la trasparenza sull’addestramento resta una questione distinta.

L’Open Source AI Definition della Open Source Initiative richiede la libertà di usare, studiare, modificare e condividere il sistema, insieme ai materiali necessari per apportare modifiche: parametri, codice utilizzato per addestrarlo ed eseguirlo e informazioni sufficientemente dettagliate sui dati di addestramento.

Va precisato un punto: la definizione non impone semplicemente che ogni dato dell’addestramento originale sia scaricabile pubblicamente. Specifica quali informazioni fornire sui dati, compresi quelli non condivisibili, e dove reperire i dataset ottenibili. Dire «open source significa che tutti i dataset sono pubblici» semplifica eccessivamente lo standard.

In fase di acquisto, conviene tenere separate queste verifiche:

• Disponibilità: si può ottenere esattamente il checkpoint, cioè il modello salvato, che si intende mettere in esercizio?
• Permessi: la licenza consente l’uso interno, un prodotto rivolto ai clienti, la ridistribuzione o un’attività di hosting di modelli?
• Trasparenza: quali codice, informazioni sui dati e materiali di addestramento sono disponibili per l’esame o la riproduzione?
• Gestione operativa: l’infrastruttura scelta può garantire risultati e tempi di risposta accettabili?

Per un’azienda che deve classificare fatture, le priorità possono essere il permesso d’uso commerciale e un ambiente di esecuzione privato. Un gruppo di ricerca che vuole riprodurre l’addestramento ha bisogno di molto altro. Nessuno dei due dovrebbe dedurre dal termine «open» che anche l’altra esigenza sia soddisfatta.

Modelli AI open weight: cosa consentono le licenze?

I permessi riguardano una specifica versione, non l’intera offerta di Meta, OpenAI, DeepSeek, Qwen, Mistral o NVIDIA. Gli esempi seguenti illustrano le differenze che un’azienda deve saper riconoscere. Non costituiscono una classifica.

Verifica effettuata il 16 ottobre 2026: le schede dei produttori, le pagine di rilascio e i testi delle licenze qui collegati. La tabella confronta questi documenti e non deriva da una prova diretta dei modelli. Per Mistral Small 4, la scheda del produttore indica Apache 2.0; le condizioni sono state lette nel testo originale della licenza Apache.

Meta Muse Spark Open: l’uso commerciale dipende dall’attività

Meta ha rilasciato Muse Spark Open il 15 ottobre 2026, aggiungendo un nuovo modello sviluppato negli Stati Uniti con pesi scaricabili. Meta lo descrive come un modello multimodale per la programmazione e le attività agentiche, cioè flussi di lavoro nei quali un modello usa strumenti attraverso più passaggi. L’annuncio di rilascio propone sia i pesi da scaricare sia un elenco di fornitori di API.

La Muse Model License consente uso, modifica, fine-tuning, distillazione, creazione di derivati, distribuzione e vendita, nel rispetto delle sue condizioni. Occorre mantenere l’avviso di copyright, la licenza e la Usage Policy insieme alle copie soggette alla licenza, rispettare tale policy e mostrare in modo ben visibile la dicitura “Built with Muse Spark Open” nell’interfaccia oppure nella documentazione di accompagnamento, nel sito web o nelle impostazioni.

La definizione di derivato comprende i modelli di AI migliorati utilizzando gli output del software. È un aspetto rilevante se si intende addestrare un altro modello con esempi generati.

La condizione che richiede un accordo separato riguarda le attività Model as a Service: quando i ricavi lordi complessivi del licenziatario e delle società affiliate superano $20 milioni in un qualsiasi periodo di 12 mesi consecutivi, è necessario informare Meta e stipulare un accordo scritto separato prima di offrire il modello o i suoi derivati nell’ambito di quell’attività. La sezione 3 esclude l’uso interno, la ricerca, altre attività commerciali e le funzionalità di un prodotto che non sia Model as a Service.

Un assistente privato per il supporto e un’impresa che vende accesso al modello richiedono quindi classificazioni diverse. Entrambi restano soggetti alle altre condizioni della licenza. La nostra guida all’implementazione di Muse Spark Open approfondisce hardware e hosting.

OpenAI gpt-oss: una licenza permissiva non basta senza il runtime adatto

OpenAI gpt-oss-20b e gpt-oss-120b sono modelli di ragionamento scaricabili con licenza Apache 2.0. La scheda del produttore descrive il fine-tuning e la possibilità di configurare l’intensità del ragionamento, cioè quanto ragionamento il modello svolge prima di rispondere.

Il file della licenza consente riutilizzo commerciale, modifica e ridistribuzione. Per distribuire il modello occorrono una copia della licenza, avvisi che identifichino i file modificati e la conservazione delle attribuzioni e degli altri avvisi applicabili, compresi i contenuti di NOTICE, se forniti. Apache prevede anche una specifica concessione di diritti sui brevetti dei contributori; non è una garanzia generale contro qualsiasi rivendicazione brevettuale.

Il vincolo operativo è concreto: OpenAI dichiara che questi modelli devono utilizzare il proprio formato di risposta Harmony. Un runtime o un template di chat compatibile gestisce quella struttura. Scaricare i pesi e inserirli in un’interfaccia di chat qualsiasi non garantisce un comportamento corretto.

Per chi sviluppa, si tratta di una dipendenza di integrazione gestibile. Per chi acquista, significa che la proposta deve indicare runtime e checkpoint, senza limitarsi a promettere «OpenAI in un ambiente privato».

DeepSeek: i permessi della licenza MIT non includono un servizio gestito

DeepSeek-V4-Pro è un esempio di modello scaricabile con licenza MIT. La scheda del produttore presenta la serie V4 come un’anteprima, rimanda ai checkpoint Pro e Flash e fornisce indicazioni per l’esecuzione in locale. Qui si esaminano questi specifici materiali, senza affermare che ogni versione di DeepSeek sia identica.

La scheda applica esplicitamente la licenza MIT al repository e ai pesi del modello. Il testo consente uso, copia, modifica, distribuzione, sublicenza e vendita, richiedendo di includere l’avviso di copyright e quello sui permessi nelle copie o nelle porzioni sostanziali. Non offre garanzie.

Per un servizio interno di elaborazione documentale, questi permessi rimuovono un ostacolo di licenza all’esecuzione e alla modifica di quel checkpoint. Non forniscono però un impegno sui tempi di risposta, un team per la gestione degli incidenti o la garanzia che un endpoint ospitato con un nome diverso utilizzi la stessa versione. Questi requisiti vanno inseriti nelle specifiche del servizio o dell’installazione.

Qwen: stesso nome di famiglia, licenze diverse

Qwen3.8-27B e Qwen3.8-2.4T-A95B di Alibaba hanno licenze e capacità di input diverse. La scheda di Qwen3.8-27B descrive una versione multimodale, e il relativo file della licenza riporta Apache 2.0.

La Qwen3.8-Max License del checkpoint più grande consente hosting, messa in esercizio, fine-tuning, creazione di derivati e distribuzione a determinate condizioni. Vanno conservati l’avviso di copyright e quello sui permessi. Un prodotto commerciale che lo utilizza deve mostrare il nome del modello in modo ben visibile nell’interfaccia quando supera 100 milioni di utenti attivi mensili oppure $20 milioni di ricavi mensili.

Un’altra condizione si applica quando il licenziatario o le società affiliate svolgono un’attività Model as a Service o AI Work Assistant e i loro ricavi complessivi superano $50 milioni in un qualsiasi periodo di 12 mesi consecutivi: prima dell’uso commerciale occorre ottenere una licenza separata. L’eccezione per l’uso interno richiede che il modello, gli output e le capacità sottostanti non siano messi a disposizione di terzi.

Le definizioni sono decisive. AI Work Assistant riguarda prodotti autonomi destinati principalmente alla programmazione o alla produttività d’ufficio, con esclusioni per strumenti dedicati a un’unica funzione, assistenti per altri ambiti e funzionalità di prodotti con uno scopo principale diverso. Il prodotto concreto va classificato alla luce del testo integrale.

Va verificata anche una differenza nelle capacità: la scheda del checkpoint più grande specifica che accetta solo testo e richiede la modalità di ragionamento, mentre la versione ospitata di Qwen3.8-Max offre funzioni aggiuntive, inclusa la visione. Una prova del servizio ospitato non dimostra che il modello scaricabile abbia le stesse funzioni.

Mistral: la verifica deve partire da un checkpoint disponibile

Mistral Small 4 è un checkpoint multimodale disponibile, la cui scheda indica la licenza Apache 2.0. La scheda di Mistral-Small-4-119B-2603 descrive input di testo e immagini, output testuale, modalità di esecuzione delle istruzioni e di ragionamento, e personalizzazione tramite fine-tuning.

Il testo di Apache 2.0 consente modifica e ridistribuzione commerciali nel rispetto degli obblighi relativi alla licenza, agli avvisi sulle modifiche e all’attribuzione. Non impone di pubblicare ogni modifica e non concede l’uso senza restrizioni dei marchi del produttore.

Non si può estendere questa conclusione ad altri modelli solo perché appartengono allo stesso marchio. L’annuncio di Large 4 di Mistral descrive un’anteprima pubblica e dichiara che i pesi saranno rilasciati entro la fine del mese. Alla data della verifica, si tratta di un impegno futuro, non della prova che esista già un checkpoint disponibile con una licenza per il download.

Chi pianifica un’installazione privata immediata ha bisogno di una versione ottenibile subito. La pagina dedicata a Mistral Large 4 tratta separatamente l’anteprima.

NVIDIA Nemotron: contano le condizioni indicate nella scheda attuale

NVIDIA Nemotron 3 Ultra usa OpenMDW 1.1 nel checkpoint esaminato. La scheda del modello di NVIDIA descrive un modello per ragionamento, conversazione e attività agentiche, pronto per usi commerciali e non commerciali. Le vecchie pagine sulle licenze Nemotron non sostituiscono il link alle condizioni applicabili presente in quella scheda.

La licenza OpenMDW 1.1 concede ampie libertà nell’utilizzo dei materiali del modello forniti. Per distribuirli occorre includere l’accordo e gli avvisi di copyright e di origine applicabili. La licenza non impone restrizioni né obblighi sull’uso, la modifica o la condivisione degli output generati.

Include inoltre clausole di cessazione per determinate controversie in materia di brevetti o copyright, esclude garanzie e lascia all’utente il compito di assicurarsi gli altri diritti applicabili. Un’ampia autorizzazione non equivale a un impegno di indennizzo.

NVIDIA descrive dati di addestramento e procedure resi pubblici, mentre la stessa scheda indica anche dataset privati. Questo mostra perché «open weight» sia una descrizione minima dell’accesso, non l’affermazione che ogni produttore pubblichi gli stessi materiali di supporto. Se conta la riproducibilità, occorre esaminare i materiali indicati, senza usare l’etichetta come misura della trasparenza.

Dove eseguire il modello: cosa cambia per l’azienda?

Prima di acquistare hardware, va definito il perimetro dell’installazione. Lo stesso modello scaricabile può essere gestito in modi molto diversi. La domanda utile è quali responsabilità si vogliono assumere.

API ospitata: affidare la gestione del servizio a un fornitore

Un’API ospitata è il punto di partenza più rapido per verificare la qualità del modello sul compito da svolgere. Si invia una richiesta a un servizio che carica ed esegue il modello. Meta indica Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter e Together AI come piattaforme di lancio di Muse Spark Open; l’elenco non implica che tutte offrano le stesse funzioni o condizioni contrattuali.

Per il fondatore di una startup finanziata che sta prototipando un assistente di supporto, l’hosting evita di impegnarsi sull’acquisto di capacità prima che il flusso di lavoro sia stato validato. Vanno confrontati i tipi esatti di input, la revisione del modello, il supporto agli strumenti, le condizioni di conservazione dei dati e la regione dell’endpoint che si userà.

Il limite riguarda il controllo dei dati. Anche se i pesi sono aperti, usare l’endpoint di un altro soggetto significa inviare lì i prompt. Ciò che accade su quell’endpoint dipende dal contratto e dalla configurazione del servizio. Il nome di un modello aperto non trasforma una chiamata a un servizio ospitato in un’elaborazione locale.

GPU proprie: controllare l’installazione e assumersene gli oneri

Il self hosting permette di decidere come viene gestito il servizio di inferenza. Si possono usare macchine di proprietà oppure noleggiare capacità GPU in un account cloud. Le GPU sono processori utilizzati per eseguire i calcoli del modello. Il runtime è il software che carica il checkpoint e risponde alle richieste; la scelta del runtime e del formato deve seguire le istruzioni di implementazione del produttore.

Per il CTO di un’azienda di medie dimensioni che deve mantenere i documenti dei fornitori in un ambiente controllato, questo può essere il vantaggio decisivo. Il perimetro deve però comprendere anche il recupero dei documenti, i log delle richieste, il monitoraggio, i backup e gli eventuali strumenti chiamati dal modello. Un modello privato che invia il contenuto dei documenti a un servizio di ricerca esterno non ha soddisfatto quel requisito.

Anche le responsabilità passano all’azienda: controllo degli accessi, applicazione delle patch, pianificazione della capacità, test dei rilasci, risposta agli incidenti e ripristino. Serve un responsabile prima di introdurre questa dipendenza. Prenotare una GPU, da solo, non costituisce un piano operativo per la produzione.

LLM open weight su un dispositivo locale

L’esecuzione locale è utile quando il computer di una persona può gestire il carico e l’isolamento conta più della capacità di servire molti utenti. LLM significa large language model, cioè modello linguistico di grandi dimensioni. Uno sviluppatore indipendente può usare un modello locale per classificare file o lavorare su un repository, mantenendo il controllo del runtime.

La scheda di gpt-oss di OpenAI documenta modalità di esecuzione in locale, mentre quella di Mistral Small 4 elenca runtime locali e per server. La compatibilità va verificata per il checkpoint e il formato precisi. La presenza di un modello in un catalogo non dimostra che il dispositivo abbia risorse sufficienti per eseguirlo.

Una workstation personale ha anche normali limiti di disponibilità: può andare in sospensione, riavviarsi o essere occupata da altre attività. È una distinzione da tenere presente prima di trasformare un esperimento personale riuscito in un servizio condiviso. La nostra guida ai migliori LLM locali affronta la scelta dal punto di vista dell’hardware.

LLM open weight: i limiti hardware che contano

Il primo requisito è avere memoria sufficiente; il successivo è ottenere una capacità di elaborazione utile. OpenAI dichiara che gpt-oss-20b può funzionare entro 16GB di memoria con la quantizzazione MXFP4 fornita, una rappresentazione dei pesi a precisione ridotta. È una configurazione dichiarata dal produttore, non una promessa valida per qualsiasi computer o carico di richieste.

All’altro estremo, la scheda di Muse Spark Open di Meta indica 700GB di memoria GPU per NVFP4 e 2TB per BF16, due formati dei pesi con precisione numerica diversa. L’affermazione relativa all’esecuzione su desktop riguarda invece due Apple M5 Ultra Mac Studios con MLX, secondo l’annuncio. «Funziona in locale» può riferirsi a classi di hardware molto lontane tra loro.

I file dei pesi non rappresentano l’intero carico in esecuzione. Anche la cronologia degli input, i calcoli intermedi e le richieste simultanee consumano risorse. Occorre misurare i tempi di risposta e la capacità di completare richieste con successo usando prompt della lunghezza effettiva. Né il numero di parametri né la finestra di contesto massima dicono quanti clienti il servizio possa sostenere in modo accettabile.

Cosa cambia per chi sviluppa, gestisce o acquista

La scelta è più convincente sul piano aziendale quando il controllo risolve un problema preciso e c’è qualcuno in grado di gestire il servizio. Il volume può rafforzare questa motivazione, ma da solo non basta.

Per chi sviluppa, il vantaggio è poter scegliere un’installazione ispezionabile. Si può conservare una versione selezionata del modello e modificare le impostazioni di inferenza o applicare il fine-tuning, se la licenza lo consente. Il lavoro consiste nel far funzionare correttamente l’applicazione attorno a quel modello: formattare le richieste, interpretare le chiamate agli strumenti e gestire i malfunzionamenti. Conviene iniziare da un flusso circoscritto, come l’estrazione degli identificativi dei fornitori, con esempi espliciti di output accettabili e non accettabili.

Per chi gestisce il servizio, il vantaggio è controllare il perimetro dell’elaborazione e il calendario delle modifiche. In cambio occorre documentare dove passano i dati e mantenere il sistema funzionante. Un responsabile del supporto deve richiedere un passaggio di consegne chiaro per allegati illeggibili, classificazioni incerte e indisponibilità dell’inferenza. Disporre del modello non elimina la necessità di ricorrere a una persona.

Per chi acquista, il vantaggio è avere un’alternativa credibile per l’esecuzione del modello. La proposta deve indicare revisione del modello, licenza, infrastruttura, responsabilità di supporto e procedura di migrazione. Dire «basato su modelli aperti» non basta se non si può ottenere la configurazione o spostare l’applicazione senza ricostruirne i componenti circostanti.

Quando il volume rende conveniente il self hosting?

Il self hosting diventa economicamente plausibile quando il lavoro utile tiene occupata la capacità disponibile. Una coda prevedibile di documenti da elaborare può spesso sfruttare le risorse in modo diverso da un assistente rivolto ai clienti che deve rispondere subito a picchi irregolari.

Va confrontato il servizio nel suo complesso: calcolo, archiviazione, monitoraggio, tempo di sviluppo, capacità inutilizzata, tentativi ripetuti, soluzioni di ripiego ed eventuali accordi di licenza applicabili. Poi si confrontano i risultati accettati alla latenza richiesta dal flusso di lavoro. Generare una risposta a un costo inferiore non è un risparmio se aumenta il lavoro di revisione o costringe a ripetere un’attività fallita.

Un fondatore con una domanda ancora incerta dovrebbe sperimentare su un servizio ospitato prima di impegnarsi sull’hardware. Un CTO con un carico sostenuto e competenze infrastrutturali già presenti ha motivi più solidi per misurare un’installazione privata. A nessuno dei due serve una soglia universale di volume dei token ricavata arbitrariamente dalla configurazione altrui.

La distinzione operativa è questa: un fornitore di API assorbe gran parte del lavoro di gestione della capacità e del servizio; un’installazione in self hosting permette di controllarne una quota maggiore, assumendosene la responsabilità.

Quali promesse sui modelli open weight sono esagerate?

L’esagerazione consiste nel promettere che l’accesso ai pesi porti automaticamente libertà, privacy e risparmi insieme. Ognuno di questi vantaggi ha una propria condizione.

«Open significa senza restrizioni». Le licenze personalizzate di Muse e Qwen mostrano perché non sia così. Un download può consentire molti usi e al tempo stesso imporre condizioni sulla visibilità del marchio, sui derivati o su determinate attività. Anche una licenza permissiva contiene condizioni da mantenere quando si distribuisce un modello.

«Open significa privato». La privacy dipende dai flussi di dati del sistema in esercizio. Vanno verificati il fornitore dell’inferenza, il servizio di recupero delle informazioni, gli strumenti, i log e gli amministratori. Eseguire il modello sul proprio server copre solo una parte di questa mappa.

«Open significa poter scaricare lo stesso prodotto offerto via API». La scheda di Qwen distingue esplicitamente il checkpoint di grandi dimensioni, solo testuale, dalle funzionalità aggiuntive della versione ospitata. Le applicazioni aggiungono inoltre orchestrazione, strumenti e interfacce attorno al modello. Ottenere i pesi non riproduce tutti questi comportamenti.

«Open significa non avere più lavoro ricorrente». L’hardware richiede comunque capacità, il software continua a cambiare e gli incidenti hanno bisogno di responsabili. Un team può guadagnare autonomia e spendere di più nel complesso. L’autonomia va scelta quando risolve un vincolo aziendale; i risparmi si possono dichiarare solo dopo averli misurati.

«Se i pesi aperti sono stati annunciati, sono già disponibili». Il calendario di rilascio di Mistral Large 4 offre un controesempio concreto. La valutazione va pianificata su un modello effettivamente ottenibile e sulle sue condizioni pubblicate, non su un download atteso.

Da dove cominciare lunedì?

Prima di cambiare infrastruttura, valuta un solo flusso di lavoro. Ha senso muoversi subito se un vincolo sul perimetro dei dati, un’esigenza di personalizzazione o la dipendenza da un unico servizio sta già creando problemi. L’hardware può aspettare se la qualità del modello sul compito o il carico di lavoro sono ancora incerti. Chi è soddisfatto dell’API esistente e delle sue condizioni non ha automaticamente motivo di migrare.

1. 1

   Definisci il requisito

   Scegli un’attività concreta e spiega perché la soluzione attuale non basta: i documenti devono restare in un ambiente specifico, una revisione del modello deve rimanere disponibile oppure occorre valutare una coda stabile di elaborazione. Definisci quali output sono accettabili e quando deve intervenire una persona.

2. 2

   Identifica il modello e i permessi d’uso

   Conserva l’identificativo del checkpoint, la revisione, la scheda del modello e la licenza. Specifica se l’uso sarà interno, se renderai disponibile una funzionalità di prodotto, se ridistribuirai il modello o se ne venderai l’accesso. Chiarisci le condizioni applicabili prima di costruire una soluzione che ne dipenda.

3. 3

   Scegli una modalità di valutazione consentita

   Usa un fornitore di hosting se i requisiti sui dati lo permettono; altrimenti esegui la valutazione nell’ambiente richiesto. Confronta attività rappresentative con il servizio attuale. Registra errori, tempi di risposta, impegno di revisione ed eventuali funzioni dell’endpoint da cui dipende l’applicazione.

4. 4

   Assegna le responsabilità operative prima di passare in produzione

   Indica chi è responsabile di capacità, accessi, monitoraggio, aggiornamenti e incidenti. Richiedi una procedura per tornare alla versione precedente e un’installazione ripetibile. Acquista hardware solo quando il modello, il carico e il piano operativo lo giustificano.

Una volta chiariti questi requisiti, usa la guida ai migliori LLM open source per scegliere il modello. Qui la decisione riguarda il controllo necessario e le responsabilità che si è disposti ad accettare.

Domande frequenti

Che cos’è un modello open weight?

È un modello addestrato i cui pesi si possono ottenere ed eseguire con software e hardware adatti. I dati e il codice di addestramento possono restare inaccessibili. La licenza stabilisce quali usi, modifiche e distribuzioni siano consentiti.

Qual è il miglior modello open weight?

Non esiste una risposta valida per qualsiasi attività. Prima vanno definiti l’uso consentito, gli input necessari, l’hardware o il fornitore e gli output accettabili. La guida alla scelta dei modelli collegata nell’articolo aiuta a selezionare i candidati; poi occorre valutarli sul proprio flusso di lavoro. Questa pagina confronta modalità di accesso e responsabilità, senza stilare una classifica delle prestazioni.

Che differenza c’è tra modelli open weight e closed weight?

I pesi aperti si possono ottenere per eseguirli su un’installazione compatibile, nel rispetto della licenza. I pesi chiusi restano presso il fornitore. Entrambi i tipi di modello possono essere accessibili tramite API; usare un’API non indica se il modello sottostante sia scaricabile.

I modelli open weight sono gratuiti?

Una licenza può concedere l’uso senza royalty, ma eseguire un modello richiede comunque hardware e tempo del personale. Un fornitore di hosting può far pagare l’inferenza e una licenza personalizzata può richiedere un accordo separato per determinate attività. Vanno controllate sia le condizioni del modello sia quelle del servizio che si intende usare.

I modelli open weight saranno vietati?

Un annuncio di rilascio non può stabilire quali usi saranno consentiti dalla legge in futuro. Al momento della messa in esercizio, occorre valutare il modello specifico, l’uso previsto e le giurisdizioni coinvolte rispetto alle norme applicabili. Una migrazione non dovrebbe basarsi sulla previsione che tutti i modelli open weight saranno vietati oppure resteranno per sempre privi di restrizioni.

Come si guadagna con i modelli open weight?

I pesi scaricabili possono affiancarsi a hosting, supporto, personalizzazione e accordi di licenza commerciale a pagamento. Il download dei pesi e il servizio costruito attorno al modello sono offerte diverse. Muse e Qwen mostrano inoltre come, per alcune attività, una licenza separata diventi necessaria al verificarsi di determinate condizioni.

Quanto sono indietro i modelli open weight?

L’etichetta non indica un divario di prestazioni. Bisogna confrontare versioni precise sul proprio compito, considerando anche la configurazione del servizio di inferenza e le funzioni disponibili all’endpoint. Un benchmark aggregato non può stabilire il tasso di errore, la capacità di elaborazione o il carico di revisione del proprio sistema.

I modelli open weight sono sicuri?

La disponibilità dei pesi non garantisce che l’applicazione si comporti in modo sicuro. Occorre valutare gli errori nel flusso di lavoro previsto, limitare i permessi degli strumenti, proteggere gli input sensibili e definire quando deve intervenire una persona. La stessa scheda del modello di Meta richiede test di sicurezza specifici per l’applicazione e protezioni aggiuntive per gli agenti che compiono azioni con conseguenze rilevanti.

Per orientarti nelle decisioni pratiche sull’adozione dell’AI, iscriviti alla newsletter.