Il futuro dei grandi modelli linguistici

Scopri il futuro dei grandi modelli linguistici approfondendo approcci promettenti, come l'auto-addestramento, la verifica dei fatti e la competenza sparsa, che potrebbero affrontare i limiti degli LLM.

Confronto del tasso di successo degli LLM

Claude Sonnet 4.6 ha guidato il benchmark con un punteggio complessivo di 0.748, con le varianti base e thinking a pari merito fino alla terza cifra decimale. Claude Opus 4.8 (0.702), Opus 4.6 base (0.706) e Opus 4.6 thinking (0.729) seguono, assegnando ad Anthropic le prime cinque posizioni. Il primo modello non-Anthropic è stato Gemini 3.5 Flash, thinking a 0.625. Le varianti GPT si sono collocate tra 0.57 e 0.60, con punteggi backend più forti compensati dall'instabilità del frontend. Per saperne di più, leggi il nostro articolo sul benchmark.

LLM Benchmark Methodology

Abbiamo sottoposto a benchmark i principali grandi modelli linguistici su 10 attività di sviluppo software utilizzando un harness CLI agentico. Ogni modello è stato eseguito 3 volte per attività (30 campioni per modello, 270 celle di validazione per iterazione) per stabilizzare i punteggi e misurare la varianza per cella. Tutti i modelli sono stati accessibili tramite OpenRouter in condizioni identiche, stesso harness, stesse istruzioni di attività, stesso ambiente hardware.

Modelli testati

Il benchmark copre i modelli disponibili tramite API a partire da giugno 2026. Tutte le varianti elencate di seguito sono state testate in modo indipendente:

• Claude Sonnet 4.6 (base e thinking)
• Claude Opus 4.8
• Claude Opus 4.6 (base e thinking)
• Claude Opus 4.7
• Gemini 3.5 Flash (base e thinking)
• GPT 5.5 (thinking)
• GPT 5.4 Mini
• GPT 5.3 Codex
• MiniMax M3
• Grok 4.3
• Qwen 3.6 Plus (base e thinking)
• GLM 5.1 (base e thinking)
• Deepseek V4 Pro (base e thinking)

Ambiente di test

Ogni agente e attività inizia in un ambiente pulito. Le istruzioni per l'attività sono fornite in un file TASK.md. Un watchdog con heartbeat di 20 minuti monitora ogni esecuzione. Registriamo codici di uscita, tempo di esecuzione, creazione di file backend e frontend e utilizzo dei token in tempo reale nelle categorie input, output e cache.

Le attività spaziano dai sistemi di prenotazione alle dashboard interattive. Tutte richiedono la gestione di progetti multi-file e un deliverable full-stack funzionante.

Punteggio

Validazione backend: I progetti generati vengono distribuiti in ambienti isolati e testati rispetto a un contratto YAML canonico che copre scenari happy-path, gestione degli errori (400/403/409) e coerenza dei dati. Vengono utilizzate due modalità:

• Modalità adattiva valida la funzionalità anche quando i nomi delle route differiscono dalla specifica
• Modalità rigorosa richiede l'aderenza esatta al contratto (route, codici di stato, campi di risposta)

Backend score per cell: backend_overall = has_backend × (0.7 × adaptive_pass_rate + 0.3 × strict_pass_rate)

Validazione UI: L'automazione del browser simula flussi utente reali, inclusi preflight, rendering, invio del login e comportamento post-login. Otto passaggi suddivisi in due gruppi:

• Passaggi infrastrutturali (preflight backend, rendering frontend, modulo di login visibile, invio del login, login 2xx, nessun crash di runtime)
• Passaggi comportamentali (segnale di autenticazione post-login, segnale di comportamento post-login)

UI score per cell: ui_score = (behavior_passed / (behavior_passed + behavior_failed)) × (infra_passed / infra_total)

I passaggi comportamentali bloccati sono esclusi dal denominatore del comportamento, così una cella non viene penalizzata due volte quando l'app non si carica.

Punteggio finale: Final Score = (0.7 × backend_overall) + (0.3 × ui_score)

Il backend ha un peso maggiore perché i guasti logici a livello di API in genere invalidano qualsiasi successo del frontend.

Misurazione dei costi

Il costo per cella viene calcolato in base all'utilizzo dei token estratto dalla risposta LLM API. I token di input in cache vengono sottratti dai token di input totali per ottenere l'input effettivo (solo token appena elaborati). I token di output non vengono mai memorizzati nella cache e rimangono invariati. Le tariffe per token sono tratte dalla pagina LLM Pricing al momento del test.

Limitazioni

• Ambito delle attività: Tutte le 10 attività riguardano lo sviluppo di applicazioni web full-stack. Il benchmark non copre attività di ragionamento puro, risoluzione di problemi scientifici, riassunto o carichi di lavoro specifici di dominio (legale, medico, finanziario). I punteggi riflettono specificamente la capacità di coding agentico.
• Accesso solo via API: Tutti i modelli sono stati testati tramite API. Le distribuzioni locali o on-premise degli stessi modelli possono produrre risultati diversi a seconda di quantizzazione, hardware e configurazione di inferenza.
• Fotografia temporale: Le versioni dei modelli cambiano. I risultati riflettono la versione API attiva al momento del test. Un aggiornamento del modello può spostare i punteggi in entrambe le direzioni senza preavviso da parte del provider.
• Stile delle chiamate agli strumenti: I modelli differiscono nel modo in cui strutturano le scritture e le modifiche dei file (ad es., il modello OpenAI apply_patch raggruppa un diff dell'intero file in un'unica chiamata; i modelli Anthropic scrivono e rielaborano con più chiamate). Il numero di chiamate agli strumenti non è un proxy diretto della qualità.
• Unico harness: Tutti i test hanno utilizzato Opencode come harness agente. Un harness diverso può produrre classifiche relative diverse, in particolare per modelli il cui comportamento predefinito è ottimizzato per specifici modelli d'uso degli strumenti.

Tendenze future dei grandi modelli linguistici

1- Verifica dei fatti in tempo reale con dati live

Gli LLM accedono a fonti esterne durante le conversazioni invece di basarsi solo sui dati di addestramento. Il modello interroga database esterni, recupera informazioni aggiornate e fornisce citazioni.

Limitazione: Commette ancora errori. Le citazioni non garantiscono l'accuratezza; a volte i modelli citano le fonti in modo errato o interpretano male i contenuti citati.

Microsoft Copilot: Integra GPT-5.4 Thinking con dati internet in tempo reale, introducendo le modalità “Quick Response” e “Think Deeper” per un ragionamento su misura in diversi tipi di attività.¹ L'agente Researcher combina GPT per la ricerca iniziale con Anthropic, il cui Claude esamina gli output per accuratezza e qualità delle citazioni prima della consegna, con un miglioramento del 13,8% sul benchmark DRACO di ricerca approfondita rispetto ai sistemi autonomi.²

• ChatGPT: Cerca sul web quando gli vengono chieste informazioni su eventi recenti. Cita le fonti nelle risposte.
• Perplexity: Progettato specificamente per la ricerca con citazioni. Ogni risposta include link alle fonti.

2- Dati di addestramento sintetici

I modelli generano i propri dataset di addestramento invece di richiedere dati etichettati da esseri umani.

Modello auto-migliorante di Google (ricerca 2023):

• Il modello crea domande
• Seleziona le risposte
• Esegue il fine-tuning su dati generati

Prestazioni migliorate: dal 74,2% al 82,1% sui problemi matematici GSM8K, dal 78,2% al 83,0% sulla comprensione del testo DROP.

OpenAI, Anthropic e Google stanno tutti utilizzando dati sintetici per integrare i dataset etichettati da esseri umani. Ciò riduce i costi di etichettatura dei dati ma introduce nuovi rischi di bias; i modelli possono amplificare i propri errori.

Fonte: “I grandi modelli linguistici possono auto-migliorare”

Un sondaggio di marzo 2026 ha rilevato che il 76% dei ricercatori di IA ritiene che i guadagni derivanti dall'aumento di calcolo e dati abbiano raggiunto un plateau, con i principali laboratori che segnalano rendimenti decrescenti nonostante investimenti enormi. Il risultato suggerisce che il prossimo salto nelle capacità degli LLM arriverà più probabilmente dall'innovazione architetturale, come una migliore efficienza di addestramento, architetture sparse o miglioramenti del ragionamento, piuttosto che dal semplice estendere ulteriormente gli approcci esistenti.³

3- Modelli esperti sparsi (Mixture of Experts)

Invece di attivare l'intera rete neurale per ogni input, si attiva solo un sottoinsieme rilevante di parametri, a seconda del compito. Il modello instrada l'input verso "esperti" specializzati all'interno della rete. Solo gli esperti attivati elaborano la query.

Esempi reali:

• Llama 4 Scout: 109B parametri totali, 17B attivi per token. L'architettura Mixture of Experts (MoE) offre una finestra di contesto da 10M token su una singola H100 GPU.
• Mistral Devstral 2: Progettato appositamente per attività di ingegneria del software. 123B parametri, finestra di contesto da 256K token. Raggiunge il 72,2% su SWE-bench Verified, affermandosi come il principale modello di coding open-weight. Una variante più piccola, Devstral Small 2 (parametri 24B), gira in locale su hardware consumer con licenza Apache 2.0.⁴
• Nel nostro benchmark A-CODE-LLM Bench, entrambe le varianti base e thinking di DeepSeek V4 Pro hanno ottenuto complessivamente meno di 0.45, con tempi di completamento superiori a 1.700 secondi per attività. La capacità di coding agentico del modello è inferiore rispetto alla sua forte prestazione nei benchmark a query singola, riflettendo probabilmente una minore maturità nell'uso degli strumenti rispetto ai modelli di frontiera Anthropic e Google in questa fase.

4- Integrazione nei flussi di lavoro aziendali

Gli LLM sono integrati direttamente nei processi aziendali anziché essere utilizzati come strumenti autonomi.

Esempi reali:

• Salesforce Agentforce (già Einstein Copilot): Integra gli LLM nelle operazioni CRM. Risponde alle richieste dei clienti, genera contenuti ed esegue azioni in Salesforce, fondandosi sui dati e metadati CRM dell'organizzazione tramite l'Einstein Trust Layer.⁵
• Microsoft 365 Copilot: Integrato in Word, Excel, PowerPoint e Outlook. Redige documenti, analizza fogli di calcolo, genera presentazioni e riassume thread di email, attingendo ai dati aziendali tramite Microsoft Graph per fondare le risposte nel contesto organizzativo.⁶ L'agente Researcher utilizza un'architettura multi-modello in cui GPT si occupa della ricerca iniziale e Claude esamina gli output prima della consegna, la prima distribuzione commerciale confermata di fornitori di IA concorrenti all'interno di un unico prodotto enterprise.
• Anthropic Claude for Enterprise: La separazione della memoria basata su progetti mantiene distinti i contesti di lavoro tra i team. Claude Opus 4.6 ha introdotto team di agenti, consentendo a più agenti Claude di suddividere compiti più grandi in flussi di lavoro paralleli, ciascuno responsabile di un segmento e coordinato con gli altri simultaneamente. La stessa release ha integrato Claude direttamente in PowerPoint come pannello laterale nativo (anteprima di ricerca), consentendo di creare e modificare presentazioni nell'applicazione senza trasferimenti di file.⁷

5- Ibridi di LLM con capacità multimodali

I grandi modelli multimodali integrano più forme di dati, come testo, immagini e audio, consentendo loro di comprendere e generare contenuti su diversi tipi di media.

• Nel nostro benchmark A-CODE-LLM Bench, GPT 5.5 thinking ha ottenuto 0.597 con un tempo medio di completamento di 276 secondi, il modello più veloce sopra 0.50 in termini di tempo. Il costo API per cella è stato di $0,41–$0,45 per le varianti mini, circa un terzo del costo di Claude Sonnet 4.6 a fasce di punteggio simili.
• Gemini 2.5 Pro: Gestisce in modo nativo testo, audio, immagini, video e interi repository di codice in una finestra di contesto da 1M token. Disponibile su Google IA Studio, Vertex AI e NotebookLM. I prezzi partono da $1,25 per milione di token di input e $10 per milione di token di output tramite API.⁸
• Llama 4 Scout e Maverick: Meta, i cui modelli open-weight utilizzano token multimodali di testo e visione early-fusion, addestrati insieme fin dall'inizio anziché aggiunti come moduli separati. I modelli sono stati pre-addestrati su 200 lingue e hanno fornito supporto specifico di fine-tuning per 12 lingue, tra cui arabo, spagnolo, tedesco e hindi.⁹

La capacità multimodale è standard nei modelli di frontiera. La sfida rimanente è la coerenza: i modelli ottengono buone prestazioni sulle combinazioni comuni immagine-testo, ma peggiorano nei contesti visivi rari, negli input a bassa risoluzione e nel ragionamento cross-modale che richiede di collegare prove visive e testuali.

6- Modelli di ragionamento

Modelli che pensano ai problemi passo dopo passo invece di generare risposte immediate.
Questo passaggio dalla previsione al ragionamento è fondamentale per consentire:

• Comportamento agentico, in cui i modelli pianificano, eseguono e adattano i compiti in modo autonomo.
• IA interpretabile, in cui gli output sono passo-passo e logicamente solidi, non solo plausibili.
• Claude Sonnet 4.6: Anthropic, attuale leader produttivo nei benchmark di coding agentico, con un punteggio di 0.748 nel benchmark A-CODE-LLM di AIMultiple, superiore a ogni variante Opus. Utilizza il pensiero adattivo, in cui il modello determina dinamicamente la profondità del ragionamento in base alla complessità del compito senza richiedere il passaggio manuale tra modalità. Il prezzo è di $3/$15 per milione di token. Su SWE-bench Verified, Sonnet 4.6 raggiunge il 79,6%, a un punto dall'80,8% di Opus 4.7, a un quinto del costo.
• Claude Opus 4.7: modello di punta di Anthropic per il ragionamento complesso multi-step e la visione (98,5% sul benchmark di acuità visiva XBOW, contro il 54,5% della generazione precedente). Prezzo di $5/$25 per milione di token. Nel benchmark di AIMultiple, Opus 4.7 ha ottenuto 0.61, al di sotto di Sonnet 4.6 (0.748) e Opus 4.8 (0.702), principalmente a causa della maggiore latenza (1.562 secondi in media per attività) che riduce i punteggi UI. Il divario rispetto a Sonnet si amplia nei compiti di ragionamento astratto come ARC-AGI-2.
• Claude Opus 4.8: Rilasciato dopo Opus 4.7, recuperando dalla regressione 4.7 nel coding agentico. Ha ottenuto 0.702 nell'A-CODE-LLM Bench, quinto in assoluto. Ha completato l'attività di base in 34 secondi, il modello più veloce nel benchmark su quel compito, utilizzando solo 6 chiamate agli strumenti. Prezzo: $2,92 per cella nelle condizioni del benchmark ($15/$75 per milione di token).

7- Modelli fine-tuned specifici per dominio

I modelli addestrati su dati specializzati per settori specifici anziché su addestramento generico.
Google, Microsoft e Meta hanno tutti rilasciato importanti modelli proprietari specifici per dominio e sottoposti a fine-tuning, destinati a casi d'uso aziendali oltre alle loro offerte generiche.
Questi LLM specializzati possono produrre meno allucinazioni e una maggiore accuratezza sfruttando il pre-addestramento specifico per dominio, l'allineamento del modello e il fine-tuning supervisionato.

Coding

GitHub Copilot: Sottoposto a fine-tuning su repository di codice. A luglio 2025, 20 milioni di sviluppatori utilizzano GitHub Copilot, con un aumento del 400% anno su anno, e il 90% delle aziende Fortune 100 lo utilizza. Completa automaticamente il codice, genera funzioni e suggerisce correzioni di bug.¹⁰

Finanza

BloombergGPT: 50 miliardi di parametri LLM addestrato su un dataset di 363 miliardi di token di documenti finanziari Bloomberg, superando modelli di dimensioni comparabili nei benchmark NLP finanziari, tra cui analisi del sentiment, riconoscimento di entità denominate e question answering.¹¹

Sanità

Google: Med-PaLM 2: Addestrato con fine-tuning su dataset medici, ha raggiunto un'accuratezza superiore a 85% su domande in stile U.S. Medical Licensing Examination (USMLE), il primo LLM a raggiungere prestazioni di livello esperto su questo benchmark. Alimenta MedLM, la famiglia di modelli di base per la sanità di Google Cloud.¹²

Diritto

ChatLAW: Un modello linguistico open-source addestrato specificamente su dataset di dominio giuridico cinese.¹³

8- IA etica e mitigazione dei bias

Le aziende si concentrano sempre di più su IA etica e mitigazione dei bias nello sviluppo e nella distribuzione dei grandi modelli linguistici.

• Anthropic e OpenAI hanno condotto una valutazione reciproca dell'allineamento a metà 2025, testando i reciproci modelli pubblici per atteggiamenti di adulazione, tendenze a segnalare illeciti e comportamenti di autoconservazione. L'esercizio ha rilevato adulazione in tutti i modelli testati, inclusi casi in cui i modelli hanno convalidato decisioni dannose provenienti da utenti simulati con convinzioni deliranti. Anthropic ha successivamente sviluppato il framework di test Bloom specificamente per sottoporre a benchmark questo comportamento nei nuovi modelli.
• Anthropic ha inoltre rilasciato Claude Mythos Preview (Project Glasswing), un modello solo su invito messo a disposizione di un ristretto gruppo di organizzazioni specificamente per individuare e correggere vulnerabilità di sicurezza informatica nei principali sistemi operativi e browser web. Anthropic ha dichiarato di non prevedere di rendere questo modello generalmente disponibile. L'approccio ad accesso controllato rappresenta un nuovo framework per la distribuzione di modelli specializzati altamente capaci quando il profilo di rischio richiede un rilascio limitato.¹⁴
• Google DeepMind: Ha pubblicato “The Ethics of Advanced IA Assistants”, offrendo la prima trattazione sistematica delle questioni etiche e sociali sollevate dagli agenti di IA, coprendo allineamento dei valori, rischi di manipolazione, antropomorfismo, privacy ed equità. La valutazione Responsible IA dell'azienda ha incluso oltre 350 esercizi avversariali di red team e ha introdotto un nuovo Critical Capability Level specifico per la manipolazione dannosa, trattandolo come un rischio di frontiera al pari di attacchi informatici e minacce CBRN.

Limitazioni dei grandi modelli linguistici (LLM)

1- Allucinazioni

I modelli generano informazioni plausibili ma errate.

La classifica delle allucinazioni di Vectara è il benchmark di riassunto grounded più ampiamente citato del settore. Sul dataset Vectara originale, i modelli Gemini di Google occupano costantemente le prime posizioni, con le varianti Gemini Flash che raggiungono tassi di allucinazione inferiori all'1%. La famiglia GPT di OpenAI si colloca tra lo 0,8% e il 2,0%.

Vectara ha lanciato un benchmark significativamente più difficile alla fine del 2025 con 7.700 articoli (rispetto a 1.000), documenti più lunghi fino a 32K token e contenuti che spaziano tra diritto, medicina, finanza e tecnologia. I risultati sul nuovo dataset rivelano un pattern controintuitivo: i modelli di ragionamento e thinking che eccellono in compiti complessi spesso allucinano di più nel riassunto grounded rispetto a modelli più piccoli e veloci. La maggior parte dei modelli di classe thinking mostra tassi di allucinazione superiori al 10% sul dataset più difficile, mentre modelli più leggeri come le varianti Gemini Flash mantengono tassi più bassi.¹⁵

Nota: Nessun singolo benchmark fornisce un “tasso di allucinazione” definitivo per alcun modello. Una valutazione responsabile incrocia almeno due benchmark che misurano cose diverse: un compito grounded (Vectara), un compito di conoscenza aperto, e specifica la versione esatta del modello e le condizioni di chiamata.

Tutti i modelli allucinano. La frequenza si è ridotta notevolmente da circa il 21% nel 2021 a meno del 5% per i migliori risultati sui benchmark standard, ma non è stata eliminata. Le applicazioni critiche richiedono ancora la verifica umana.

2- Bias

I modelli assorbono e amplificano i pregiudizi sociali presenti nei dati di addestramento.

Fonte: Punteggi di bias complessivi per modelli e dimensioni.¹⁶

Tipi di bias osservati:

• Bias di genere nei suggerimenti professionali
• Bias razziale nelle simulazioni di screening dei curriculum
• Bias di età nelle raccomandazioni sanitarie
• Bias socioeconomico nei contenuti educativi

3- Tossicità

I modelli possono generare contenuti dannosi, offensivi o tossici nonostante le misure di sicurezza.

Fonte: mappa della tossicità degli LLM dei ricercatori di UCLA e UC Berkeley¹⁷

*GPT-4-turbo-2024-04-09*, Llama-3-70b* e Gemini-1.5-pro* sono usati come moderatore; i risultati potrebbero essere distorti su questi 3 modelli.

Misure di sicurezza rigorose riducono la tossicità ma aumentano i falsi positivi (rifiutando richieste innocue). Misure permissive lasciano passare la tossicità.

4- Limitazioni della finestra di contesto

Ogni modello ha una capacità di memoria fissa, il numero di token che può elaborare in una singola sessione. Superato tale limite, il modello tronca i contenuti precedenti o rifiuta la richiesta. Il divario pratico tra i modelli è abbastanza ampio da avere importanza per i carichi di lavoro reali.

Finestre di contesto più recenti:

• Llama 4 Scout (Meta): 10M token (~7.5M parole), la più grande finestra di contesto verificata in produzione tra i modelli leader.¹⁸ In pratica, ciò significa caricare interi codebase, archivi legali o cronologie di conversazioni di più giorni senza suddivisione in blocchi.
• Gemini 2.5 Pro: 1.048.576 token (~780.000 parole), con input multimodale nativo per testo, audio, immagini e video nella stessa finestra. Il richiamo si mantiene al 100% fino a 530.000 token e al 99,7% al limite completo di 1 milione di token
• Claude Sonnet 4.6: 1M token (~750.000 parole) a tariffazione standard, disponibile senza header beta o configurazione speciale.¹⁹
• GPT-5.5: finestra di contesto da 1M token a livello di API.²⁰

Una grande finestra di contesto non significa automaticamente prestazioni migliori in tutta la sua estensione. Nella maggior parte dei modelli, il richiamo peggiora verso la metà dei contesti molto lunghi, e i costi aumentano con la lunghezza dell'input: elaborare 1M token costa significativamente di più che elaborare 10K token sullo stesso modello. Per la maggior parte dei carichi di lavoro in produzione, la domanda pratica non è quale modello abbia la finestra più grande, ma quale modello recuperi in modo affidabile alle lunghezze di contesto effettivamente richieste dal proprio caso d'uso.

5- Cutoff statico della conoscenza

I modelli si basano su conoscenze pre-addestrate con una data limite specifica. Non hanno accesso alle informazioni successive all'addestramento a meno che non siano collegati a fonti esterne.

Problemi:

• Informazioni obsolete sugli eventi correnti
• Incapacità di gestire gli sviluppi recenti
• Minore rilevanza nei domini dinamici (tecnologia, finanza, medicina)

Soluzione: Integrazione della ricerca web. ChatGPT, Claude e Perplexity offrono tutti la ricerca in tempo reale. Ma la ricerca non elimina le allucinazioni; a volte i modelli interpretano male i risultati della ricerca.

Principali piattaforme LLM

GPT-5.5

OpenAI, la sua ammiraglia attuale, è stata rilasciata il 23 aprile 2026. Costruita attorno a uno sforzo di ragionamento configurabile, gli sviluppatori impostano la profondità di pensiero per ogni richiesta (da nessuno fino a xhigh), cosicché le query semplici non consumano calcolo riservato ai problemi difficili. Il modello eccelle nel coding agentico, nell'uso del computer e nelle attività a lungo orizzonte dove deve mantenere il contesto su grandi sistemi e verificare il proprio lavoro durante l'esecuzione.²⁰

Chi lo usa: Sviluppatori, aziende e creatori di contenuti. È la base utenti più ampia tra gli LLM.

Limitazioni: $5/$30 per milione di token, il prezzo base più alto di questo elenco. Presenta ancora allucinazioni. Richiede l'integrazione della ricerca web per qualsiasi cosa successiva al cutoff di addestramento.

Claude Opus 4.8 / Sonnet 4.6

Claude Sonnet 4.6 guida il AIMultiple A-CODE-LLM Bench con un punteggio complessivo di 0.748 a $1,26–$1,33 per cella, superando ogni variante Opus testata. Claude Opus 4.8 segue a 0.702, recuperando dalla regressione di Opus 4.7 (0.61) a $2,92 per cella. Opus 4.7 rimane il migliore nei compiti complessi di ragionamento multi-step e visione (98,5% sul benchmark di acuità visiva XBOW), ma il suo tempo medio di completamento di 1.562 secondi nei flussi di lavoro agentici porta il costo totale a $3,08 per cella, il modello più costoso del benchmark.

Sia Sonnet 4.6 sia le varianti Opus utilizzano il pensiero adattivo: il modello determina la profondità del ragionamento in base alla complessità del compito senza richiedere un cambio manuale di modalità. Sonnet 4.6 ha effettuato il minor numero di chiamate agli strumenti per attività tra i modelli Anthropic (51 base, 48 thinking), raggiungendo il punteggio benchmark più alto con meno iterazioni rispetto alle varianti Opus (56–70 chiamate agli strumenti). I team di agenti, disponibili nella linea di produzione di Anthropic, consentono a più istanze di Claude di suddividere un compito in flussi di lavoro paralleli coordinati in tempo reale.

Chi lo usa: Sviluppatori e aziende che eseguono coding agentico, flussi di lavoro di ricerca o pipeline multi-agente. I team che danno priorità all'efficienza dei costi usano Sonnet 4.6; i team con carichi di lavoro complessi di visione o ragionamento usano Opus 4.7.

Limitazioni: Il thinking esteso è più lento e più costoso per token. Il divario di prestazioni rispetto a Sonnet si amplia nei compiti di ragionamento astratto (ARC-AGI-2). Opus 4.8 ha un prezzo di $15/$75 per milione di token.

Gemini 3.5 Flash

Gemini 3.5 Flash thinking ha ottenuto 0.625, il risultato più alto non-Anthropic a $1,30 per cella e 390 secondi di completamento medio. La variante base ha ottenuto un punteggio inferiore a thinking con un costo maggiore ($0,56 per cella di base), a causa della sovrascrittura (131 righe per un compito la cui soluzione di riferimento è di circa 50 righe).

Llama 4 Scout

Meta, modello MoE open-weight. 109B parametri totali, 17B attivi per token, gira su una singola NVIDIA H100 GPU con quantizzazione int4. L'implicazione pratica è che una finestra di contesto da 10M token è accessibile senza un contratto con un data center.¹⁸ La multimodalità early-fusion significa che testo e visione vengono elaborati congiuntamente fin dal primo livello anziché essere combinati nella fase di output. Disponibile con la licenza Meta Llama 4 Community.

Chi lo usa: Ricercatori, organizzazioni che necessitano di distribuzione on-premise, sviluppatori che evitano il lock-in del fornitore e team per cui i costi su larga scala rendono insostenibili i prezzi delle API.

Limitazioni: Le prestazioni dipendono fortemente dalla configurazione di hosting e dalle scelte di quantizzazione. Richiede investimenti in infrastruttura e capacità di ML ops. Minore rifinitura produttiva rispetto ai modelli commerciali.

DeepSeek V4

DeepSeek, modello di quarta generazione, è disponibile in anteprima. Utilizza un'architettura MoE da 1 trilione di parametri, circa il 50% più grande della V3, con capacità multimodali su testo, immagini e video. Il Thinking in Tool-Use consente al modello di ragionare internamente prima di chiamare strumenti esterni e di verificare gli output degli strumenti rispetto alla propria logica, il principale fattore di differenziazione per i flussi di lavoro agentici. Il prezzo di input dell'API parte da $0,27 per milione di token (cache-miss), circa 18x più economico di GPT-5.5.²¹

Non perderti i nostri benchmark e approfondimenti basati sui dati. Il pulsante apre Google; selezionare AIMultiple conferma che desideri vedere AIMultiple più spesso nei risultati di ricerca di Google.

Aggiungi come fonte preferita

FAQ

Cita questa ricerca

Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Sezer, Sena},
  title  = {{Il futuro dei grandi modelli linguistici}},
  year   = {2026},
  month  = sep,
  howpublished    = {\url{https://aimultiple.com/future-of-large-language-models}},
  note   = {AIMultiple. Consultato il 17 settembre 2026}
}

Registro delle modifiche

12 aggiornamenti

Tutte12Generale11Metodologia1

202620252024

1. 25 giu

   Rimosso il grafico di benchmark delle allucinazioni per gli LLM più diffusi.

2. 25 giu

   Aggiunta una sezione di metodologia del benchmark con i modelli testati e il punteggio.

3. 2 mag

   Sostituiti GPT-5.2, Gemini 3.1 Pro e DeepSeek V3.2 con GPT-5.5, Gemini 2.5 Pro, DeepSeek V4 e Claude Opus 4.7.

4. 25 feb

   Aggiornati i dati degli 'Esempi reali' nella sezione 'Domain-Specific Fine-Tuned Models'.

5. 26 gen

   Aggiornata la sezione "Tendenze future dei modelli linguistici di grandi dimensioni" con nuovi esempi di verifica dei fatti in tempo reale.

Collegamenti di riferimento

1.

Available today: GPT-5.4 Thinking in Microsoft 365 Copilot | Microsoft Community Hub

2.

GPT drafts, Claude critiques: Microsoft blends rival AI models in new Copilot upgrade – GeekWire

GeekWire

3.

Vectara Hallucination Leaderboard: Claude, GPT, Gemini Compared

4.

Introducing: Devstral 2 and Mistral Vibe CLI. | Mistral AI

5.

Salesforce’s Einstein Copilot is Here: The Conversational AI Assistant for CRM that Delivers Trusted AI Responses Grounded with Your Company Data - Salesforce

Salesforce

6.

What is Microsoft Copilot? | Microsoft Learn

7.

Anthropic releases Opus 4.6 with new 'agent teams' | TechCrunch

TechCrunch

8.

Gemini Developer API | Gemma open models  |  Google AI for Developers

Google AI for Developers

9.

meta-llama/Llama-4-Scout-17B-16E-Instruct · Hugging Face

10.

GitHub Copilot crosses 20M all-time users | TechCrunch

TechCrunch

11.

[2303.17564] BloombergGPT: A Large Language Model for Finance

12.

Sharing Google’s Med-PaLM 2 medical large language model, or LLM | Google Cloud Blog

Google Cloud

13.

[2306.16092] Chatlaw: A Multi-Agent Legal Assistant based on a Role-Aligned Mixture-of-Experts Architecture

14.

Claude (AI) - Wikipedia

Contributors to Wikimedia projects

15.

Introducing the next generation of Vectara's Hallucination Leaderboard

16.

Benchmarking Cognitive Biases in Large Language Models as Evaluators

17.

OR-Bench: An Over-Refusal Benchmark for Large Language Models

18.

Welcome Llama 4 Maverick & Scout on Hugging Face

Hugging Face

19.

Claude Platform release notes - Claude Platform Docs

20.

Introducing GPT-5.5 | OpenAI

21.

DeepSeek AI: R1 Reasoning, API & Local Deployment 2026

DeepSeek AI

Cem Dilmegani

Analista principale

Segui

Cem è analista principale presso AIMultiple dal 2017.

Il lavoro di Cem presso AIMultiple è stato citato da importanti testate internazionali tra cui Business Insider, Forbes, Morning Brew e Washington Post, da aziende globali come Deloitte e HPE, da ONG come il World Economic Forum e da organizzazioni sovranazionali come la Commissione europea. [1], [2], [3], [4], [5]

Nel corso della sua carriera, Cem ha lavorato come consulente tecnologico, acquirente tecnologico e imprenditore tecnologico. Ha consigliato le aziende sulle loro decisioni tecnologiche presso McKinsey & Company e Altman Solon per più di un decennio. Ha inoltre pubblicato un report McKinsey sulla digitalizzazione.

Ha guidato la strategia tecnologica e gli approvvigionamenti di una società di telecomunicazioni rispondendo direttamente al CEO. Ha inoltre guidato la crescita commerciale dell'azienda deep tech Hypatos, che ha raggiunto ricavi ricorrenti annuali a 7 cifre e una valutazione a 9 cifre partendo da zero in 2 anni. Il lavoro di Cem in Hypatos è stato ripreso da importanti testate tecnologiche come TechCrunch e Business Insider.

Cem interviene regolarmente a conferenze tecnologiche internazionali. Si è laureato come ingegnere informatico presso l'Università di Bogazici e possiede un MBA della Columbia Business School.

Visualizza il profilo completo

Ricercato da

Sena Sezer

Analista di settore

Segui

Sena è analista di settore in AIMultiple. Ha conseguito la laurea triennale presso la Bogazici University.

Visualizza il profilo completo

Sii il primo a commentare

Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.

Nome

Indirizzo e-mail

Commento

0/450

Pubblica un commento