Negli ultimi dodici mesi l’etichetta “open” è tornata al centro della competizione sull’Intelligenza Artificiale. Non solo per una questione ideologica, ma perché nel 2025 la differenza tra poter scaricare un modello, studiarlo, adattarlo e farlo girare dove serve, e dover dipendere da un’API proprietaria, si è trasformata in un vantaggio operativo. In parallelo, però, la parola open si è fatta più sfumata. In molti casi significa “open weights”, cioè pesi disponibili ma con gradi diversi di trasparenza su dati, ricette di training e vincoli di licenza. In altri casi si parla di “fully open”, quando oltre ai pesi vengono rilasciati anche dataset, log, checkpoint intermedi e codice di addestramento.
L’ultima notizia che fotografa questo cambio di passo arriva da NVIDIA, che a metà dicembre ha presentato una nuova famiglia di modelli aperti pensata esplicitamente per applicazioni agentiche e multi‑agente. È un segnale interessante perché mette in primo piano un’idea semplice. Nel 2025 non basta più un modello “bravo a chattare”. Servono sistemi capaci di ragionare su contesti lunghi, pianificare, usare strumenti e mantenere coerenenza mentre eseguono catene di azioni.
Nemotron 3, il ritorno dell’open per l’era degli agenti
Con Nemotron 3 NVIDIA ha fatto una scelta strategica. Pubblicare modelli e soprattutto, componenti di contorno che di solito restano chiusi, come dataset, ambienti di reinforcement learning, librerie per l’addestramento e il post‑training. La famiglia è articolata in tre tagli, Nano disponibile subito, e due varianti più grandi annunciate per l’inizio del 2026. L’obiettivo dichiarato è massimizzare efficienza e affidabilità in scenari dove più agenti collaborano in parallelo, per esempio tra pianificazione, recupero documentale, esecuzione di tool e verifica.
Il punto tecnico più originale è l’architettura ibrida che combina componenti di tipo Mamba, strati Transformer e instradamento a esperti tipico dei Mixture‑of‑Experts. L’idea è ottenere un profilo di costo e throughput più adatto a sessioni lunghe, senza perdere la precisione necessaria per compiti di ragionamento e manipolazione di codice. In questa cornice rientra anche la scelta di spingere su finestre di contesto molto ampie. Per chi costruisce agenti con memoria o deve far lavorare il modello su interi repository o dossier normativi, la capacità di tenere “tanta evidenza” in un’unica finestra cambia il tipo di pipeline che si può progettare.
Nemotron 3 è anche un esempio di come l’open stia diventando un modo per creare fiducia misurabile. Rilasciare pesi e ricette, insieme a ambienti di addestramento e benchmark riproducibili, consente a terze parti di verificare prestazioni, limiti e comportamenti. Nel contesto attuale, dove la sicurezza e la governance del modello diventano requisiti, la trasparenza non è più un lusso da laboratorio.
Mistral rilancia con open weight ad alte prestazioni
Se NVIDIA sta spingendo sull’ecosistema agentico, Mistral continua a presidiare l’area dei modelli open weight “da produzione” con un posizionamento molto pragmatico. A inizio dicembre ha presentato Mistral Large 3, un modello generale rilasciato in versione base e istruita con licenza Apache 2.0, quindi compatibile con molti scenari enterprise. La comunicazione insiste su tre elementi che oggi contano davvero. Robustezza su prompt generici, capacità multimodale con comprensione di immagini e, soprattutto, conversazione multilingue competitiva anche fuori dall’asse inglese‑cinese.
Il dettaglio interessante è il lavoro sull’accessibilità prestazionale. In un mondo dove “open” rischia di significare “solo per chi ha un cluster”, Mistral ha accompagnato l’annuncio con riferimenti a checkpoint ottimizzati e integrazioni con stack di inferenza diffusi. Questo tipo di strategia, più che i numeri assoluti, è ciò che sta rendendo i modelli open weight una scelta concreta per team di prodotto.
Nella stessa finestra temporale è arrivato Devstral 2, una famiglia mirata al coding e agli agenti software. Qui l’asticella non è la qualità del testo, ma la capacità di risolvere task verificabili in repository reali. L’indicatore scelto è SWE‑bench Verified, uno degli standard più usati per misurare agenti di ingegneria del software in condizioni controllate. Mistral posiziona Devstral 2 come modello “SOTA open” per code agents, con attenzione esplicita al rapporto costo‑prestazioni. È la direzione verso cui stanno andando molti team, cioè un modello più piccolo, più economico, ma addestrato per la catena completa che va dall’analisi del bug alla proposta di patch.
OLMo 3.1, quando “open” significa riproducibile
Il progetto OLMo dell’Allen Institute for AI è probabilmente l’esempio più coerente di cosa significhi fully open nel 2025. Con OLMo 3 la promessa non è soltanto rilasciare pesi, ma rendere disponibile l’intero “model flow” del modello. Checkpoint intermedi, dataset, codice e dipendenze. Nella pratica è un invito alla comunità a fare scienza, non solo ingegneria, perché permette di attribuire un comportamento a un passaggio preciso della pipeline e, in prospettiva, di intervenire in modo mirato.
Nel report tecnico della famiglia OLMo 3, il team descrive OLMo 3.1 Think 32B come il modello “fully open” di ragionamento più forte rilasciato fino a oggi all’interno di quella categoria. Un aspetto che colpisce, in un documento molto dettagliato, è la trasparenza sul costo computazionale e sui tempi. La fase che porta al checkpoint finale da 32B viene descritta come un percorso lungo settimane su una infrastruttura basata su GPU H100, con un post‑training che combina supervised fine‑tuning, preferenze e reinforcement learning. Questo livello di dettaglio non serve solo a fare bella figura. Serve a far sì che i risultati siano contestabili, replicabili e quindi utili.
OLMo mostra anche una tendenza che ritroviamo in altri sistemi di punta. La separazione tra modelli “Think”, che esplicitano passaggi intermedi e tendono a essere più forti su problemi di ragionamento, e varianti “Instruct” più sintetiche, preferite quando conta la latenza e serve tool calling affidabile senza generare troppi token. In un ambiente produttivo, questa scelta è spesso più determinante del nome del modello.
Llama 4, l’open weight alla scala dei social
Meta resta il player che ha portato l’open weight nella cultura mainstream del software, anche se con licenze e condizioni che non sempre soddisfano la definizione rigorosa di open source. Con Llama 4, annunciato in primavera, la tesi è che la multimodalità nativa e l’efficienza possano convivere. Le varianti Scout e Maverick adottano un’architettura Mixture‑of‑Experts e sono pensate per alimentare un assistente distribuito su piattaforme consumer, quindi con requisiti stringenti su costo e latenza.
Dal punto di vista di chi costruisce prodotti, Llama 4 è interessante per due motivi. Il primo è l’ecosistema. Essere disponibili su hub e toolchain standard accelera la sperimentazione e riduce il tempo di integrazione. Il secondo è l’effetto “benchmark economy”. Meta ha spinto molto sulle classifiche pubbliche, ma proprio nel 2025 sono emerse tensioni su quanto i risultati possano essere influenzati da varianti ottimizzate per un leaderboard. È un promemoria utile. Il valore di un modello open weight non sta solo nel punteggio, ma nella riproducibilità di quel punteggio e nella chiarezza su quale checkpoint sia stato realmente testato.
Qwen3 e DeepSeek‑R1, l’onda asiatica del ragionamento
Il 2025 ha visto un’accelerazione impressionante dei modelli aperti provenienti dall’Asia, soprattutto sul fronte del ragionamento e del coding. Qwen3, presentato da Alibaba, nasce come famiglia e non come singolo checkpoint. L’elemento distintivo è la logica “ibrida” che permette di alternare risposte dirette e modalità più riflessive, una scelta che risponde a un vincolo pratico. In produzione il ragionamento profondo non serve sempre, ma quando serve bisogna poterlo attivare senza cambiare modello.
DeepSeek‑R1 è diventato il riferimento simbolico di questa ondata perché ha reso esplicita una roadmap. Reinforcement learning su larga scala nel post‑training, release open sotto licenza MIT e, soprattutto, modelli distillati che portano parte delle capacità di ragionamento su taglie più gestibili. Anche qui si vede un cambio culturale. Non si tratta solo di “aprire” un modello grande, ma di rendere disponibile una famiglia che consenta a ricercatori e aziende di scegliere il compromesso giusto.
Gemma 3 e gpt‑oss, open per chi vuole correre su hardware limitato
Quando si parla di “migliori sistemi open”, spesso si pensa ai modelli più grandi. In realtà, una parte consistente dell’innovazione del 2025 riguarda l’efficienza e l’on‑device. Gemma 3 di Google è stata progettata per essere competitiva su una singola GPU e, nelle varianti maggiori, aggiunge multimodalità con input di testo e immagini. Il supporto multilingue molto ampio e una finestra di contesto lunga rendono Gemma 3 un’opzione credibile non solo per demo, ma per applicazioni in cui serve scalare a costi prevedibili.
In agosto OpenAI ha pubblicato gpt‑oss in due taglie, 20B e 120B, come modelli open weight con licenza Apache 2.0. Al di là dell’elemento simbolico, la mossa è rilevante perché porta in area open un’impostazione molto orientata all’uso pratico, con enfasi su ragionamento, tool use e deploy efficiente anche su hardware non “da hyperscaler”. È un segnale del fatto che la pressione competitiva degli open weight non arriva solo da startup o comunità, ma sta influenzando anche attori che storicamente hanno puntato su modelli chiusi.
Come si definiscono davvero i “migliori” nel mondo open
Nel 2025 scegliere un sistema open non significa inseguire il modello con il punteggio più alto su una classifica. Leaderboard come l’Open LLM Leaderboard o le valutazioni basate su preferenze umane, tipo Chatbot Arena, restano strumenti preziosi, ma vanno letti con cautela. La stessa comunità di valutazione sta introducendo correzioni e metodologie più robuste per ridurre distorsioni, soprattutto su matematica e compiti dove la verifica automatica è delicata.
Per un professionista, “migliore” tende a significare altro. Una licenza compatibile con il proprio contesto, la possibilità di fare fine‑tuning senza sorprese, un comportamento stabile su tool calling, la disponibilità di versioni quantizzate e una documentazione che riduca il rischio di integrazione. Per un ricercatore, invece, la qualità dell’open si misura anche in trasparenza su dati e ricette. In questo senso, modelli come OLMo hanno un valore che va oltre le prestazioni immediate perché rendono possibile capire, e non solo usare.
Conclusioni
Il panorama dei sistemi di AI open nel 2025 non è più una periferia rispetto ai modelli proprietari. È una frontiera con dinamiche proprie, in cui l’efficienza, la multimodalità e l’agenticità stanno diventando criteri centrali. L’ultima spinta di NVIDIA con Nemotron 3 mostra che l’open può essere un acceleratore di ecosistemi completi, non solo di pesi scaricabili. Mistral consolida una linea “da prodotto” che rende i modelli adottabili. Ai2 dimostra che la trasparenza radicale può essere un vantaggio scientifico e, alla lunga, industriale. Meta, Alibaba, DeepSeek, Google e persino OpenAI contribuiscono a una normalizzazione dell’open weight come infrastruttura.
La conseguenza più importante è che la scelta non è più binaria tra open e closed. La scelta è tra diversi gradi di apertura e, soprattutto, tra diversi tipi di responsabilità. Chi adotta un modello open si assume più controllo e più lavoro, ma ottiene anche margini di personalizzazione e verificabilità che nel 2026, con sistemi multi‑agente sempre più diffusi, potrebbero essere decisivi.
Bibliografia
NVIDIA Newsroom, “NVIDIA Debuts Nemotron 3 Family of Open Models” (dicembre 2025) https://nvidianews.nvidia.com/news/nvidia-debuts-nemotron-3-family-of-open-models
NVIDIA Technical Blog, “Inside NVIDIA Nemotron 3: Techniques, Tools, and Data That Make It Efficient and Accurate” (dicembre 2025) https://developer.nvidia.com/blog/inside-nvidia-nemotron-3-techniques-tools-and-data-that-make-it-efficient-and-accurate/
NVIDIA Research, “NVIDIA Nemotron 3 Family of Models” (dicembre 2025) https://research.nvidia.com/labs/nemotron/Nemotron-3/
Mistral AI, “Introducing Mistral 3” (dicembre 2025) https://mistral.ai/news/mistral-3
Mistral AI, “Introducing: Devstral 2 and Mistral Vibe CLI” (dicembre 2025) https://mistral.ai/news/devstral-2-vibe-cli
Allen Institute for AI, “Olmo 3: Charting a path through the model flow…” (novembre 2025) https://allenai.org/blog/olmo3
Olmo Team (Ai2), “Olmo 3 Technical Report” (PDF, dicembre 2025) https://www.datocms-assets.com/64837/1765558567-olmo_3_technical_report-4.pdf
OpenAI, “Introducing gpt-oss” (agosto 2025) https://openai.com/index/introducing-gpt-oss/
Google Developers Blog, “Introducing Gemma 3: The Developer Guide” (marzo 2025) https://developers.googleblog.com/en/introducing-gemma3/
Qwen Team, “Qwen3: Think Deeper, Act Faster” (aprile 2025) https://qwenlm.github.io/blog/qwen3/
DeepSeek, “DeepSeek-R1 Release” (gennaio 2025) https://api-docs.deepseek.com/news/news250120
Hugging Face, “Open LLM Leaderboard” (pagina del progetto, consultata dicembre 2025) https://huggingface.co/open-llm-leaderboard
Chatbot Arena (lmarena-ai su Hugging Face Spaces), “Chatbot Arena” (consultato dicembre 2025) https://huggingface.co/spaces/lmarena-ai/chatbot-arena
Reuters, “Nvidia unveils new open-source AI models amid boom in Chinese offerings” (dicembre 2025) https://www.reuters.com/world/china/nvidia-unveils-new-open-source-ai-models-amid-boom-chinese-offerings-2025-12-15/
Reuters, “Meta releases new AI model Llama 4” (aprile 2025) https://www.reuters.com/technology/meta-releases-new-ai-model-llama-4-2025-04-05/
Hugging Face Blog, “Welcome Llama 4 Maverick & Scout on Hugging Face” (aprile 2025) https://huggingface.co/blog/llama4-release The Verge, “Meta got caught gaming AI benchmarks” (aprile 2025) https://www.theverge.com/meta/645012/meta-llama-4-maverick-benchmarks-gaming