Il futuro dei modelli linguistici di grandi dimensioni

Scopri il futuro dei modelli linguistici di grandi dimensioni approfondendo approcci promettenti, come l'auto-addestramento, la verifica dei fatti e l'expertise 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) hanno seguito, 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 raggruppate tra 0,57 e 0,60, con punteggi backend più forti compensati dall'instabilità del frontend. Scopri di più nel nostro articolo sul benchmark.

Metodologia del Benchmark sugli LLM

Abbiamo confrontato i principali modelli linguistici di grandi dimensioni su 10 compiti di sviluppo software utilizzando un harness CLI agentico. Ogni modello è stato eseguito 3 volte per compito (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 del compito, stesso ambiente hardware.

Modelli testati

Il benchmark copre i modelli disponibili via API a giugno 2026. Tutte le varianti elencate di seguito sono state testate indipendentemente:

• 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 compito inizia in un ambiente pulito. Le istruzioni del compito sono fornite come 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 tra le categorie di input, output e cache.

I compiti spaziano da sistemi di prenotazione a dashboard interattive. Tutti richiedono una gestione di progetto multi-file e un deliverable full-stack funzionale.

Punteggio

Validazione backend: I progetti generati sono 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 convalida la funzionalità anche quando i nomi delle route differiscono dalla specifica
• Modalità rigorosa richiede l'esatta aderenza al contratto (route, codici di stato, campi di risposta)

Punteggio backend per cella: 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 login, login 2xx, nessun crash runtime)
• Passaggi comportamentali (segnale di autenticazione post-login, segnale di comportamento post-login)

Punteggio UI per cella: ui_score = (behavior_passed / (behavior_passed + behavior_failed)) × (infra_passed / infra_total)

I passaggi comportamentali bloccati sono esclusi dal denominatore comportamentale in modo che una cella non venga doppiamente penalizzata quando l'app non riesce a caricarsi.

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 è calcolato dall'utilizzo dei token estratto dalla risposta dell'LLM via 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 provengono da LLM Pricing al momento del test.

Limitazioni

• Ambito dei compiti: Tutti i 10 compiti sono sviluppi di applicazioni web full-stack. Il benchmark non copre compiti di ragionamento puro, risoluzione di problemi scientifici, riassunto o carichi di lavoro specifici per dominio (legale, medico, finanziario). I punteggi riflettono specificamente la capacità di codifica agentica.
• Solo accesso 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 della quantizzazione, dell'hardware e della configurazione di inferenza.
• Istantanea nel tempo: 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 dal fornitore.
• Stile di chiamata degli strumenti: I modelli differiscono nel modo in cui strutturano le scritture e le modifiche dei file (ad esempio, apply_patch di OpenAI raggruppa un diff completo del file in una singola chiamata; i modelli Anthropic scrivono e ri-modificano attraverso più chiamate). Il conteggio delle chiamate agli strumenti non è un proxy diretto della qualità.
• Harness singolo: Tutti i test hanno utilizzato Opencode come harness agente. Un harness diverso può produrre classifiche relative diverse, in particolare per i modelli il cui comportamento predefinito è ottimizzato per modelli specifici di utilizzo degli strumenti.

Tendenze future dei modelli linguistici di grandi dimensioni

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 correnti e fornisce citazioni.

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

Microsoft Copilot: Integra GPT-5.4 Thinking con dati internet in tempo reale, introducendo le modalità "Risposta Rapida" e "Pensa più a Fondo" per un ragionamento personalizzato su diversi tipi di compiti.¹ L'agente Researcher combina GPT per la ricerca iniziale con il modello Anthropic Claude che rivede gli output per accuratezza e qualità delle citazioni prima della consegna, con un miglioramento del 13,8% sul benchmark di ricerca approfondita DRACO rispetto ai sistemi autonomi.²

• ChatGPT: Cerca sul web quando gli vengono chieste informazioni su eventi recenti. Cita le fonti nelle risposte.
• Perplexity: Creato 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 umani.

Modello auto-migliorante di Google (ricerca 2023):

• Il modello crea domande
• Cura le risposte
• Si affina sui dati generati

Prestazioni migliorate: dal 74,2% al 82,1% su problemi matematici GSM8K, dal 78,2% al 83,0% su comprensione della lettura DROP.

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

Fonte: "Large Language Models Can Self-Improve"

Un sondaggio di marzo 2026 ha rilevato che il 76% dei ricercatori di IA ritiene che i guadagni derivanti dall'aumento della potenza di calcolo e dei dati abbiano raggiunto un plateau, con i principali laboratori che segnalano rendimenti decrescenti nonostante investimenti massicci. La scoperta suggerisce che il prossimo salto nelle capacità degli LLM è più probabile che provenga dall'innovazione architetturale, come una migliore efficienza di addestramento, architetture sparse o miglioramenti del ragionamento, piuttosto che dal semplice ridimensionamento degli approcci esistenti.³

3- Modelli Esperti Sparsi (Mixture of Experts)

Invece di attivare l'intera rete neurale per ogni input, solo un sottoinsieme rilevante di parametri si attiva, 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 di 10M token su una singola H100 GPU.
• Mistral Devstral 2: Progettato specificamente per compiti di ingegneria del software. 123B parametri, finestra di contesto di 256K token. Raggiunge il 72,2% su SWE-bench Verified, affermandosi come il modello di codifica open-weight leader. Una variante più piccola, Devstral Small 2 (24B parametri), funziona localmente su hardware consumer con licenza Apache 2.0.⁴
• Nel nostro A-CODE-LLM Bench, entrambe le varianti base e thinking di DeepSeek V4 Pro hanno ottenuto un punteggio inferiore a 0,45 complessivamente, con tempi di completamento superiori a 1.700 secondi per compito. La capacità di codifica agentica del modello è in ritardo rispetto alle sue prestazioni elevate 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 invece di essere utilizzati come strumenti autonomi.

Esempi reali:

• Salesforce Agentforce (precedentemente Einstein Copilot): Integra gli LLM nelle operazioni CRM. Risponde alle domande dei clienti, genera contenuti ed esegue azioni in Salesforce, ancorato ai dati CRM e ai metadati 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 attraverso Microsoft Graph per ancorare le risposte al contesto organizzativo.⁶ L'agente Researcher utilizza un'architettura multi-modello in cui GPT gestisce la ricerca iniziale e Claude rivede gli output prima della consegna, il primo deployment commerciale confermato di fornitori di IA concorrenti all'interno di un singolo prodotto enterprise.
• Anthropic Claude for Enterprise: La separazione della memoria basata su progetto mantiene distinti i contesti di lavoro tra i team. Claude Opus 4.6 ha introdotto i team di agenti, consentendo a più agenti Claude di suddividere compiti più grandi in flussi di lavoro paralleli, ciascuno responsabile di un segmento e in coordinamento 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 all'interno dell'applicazione senza trasferimenti di file.⁷

5- LLM ibridi con capacità multimodali

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

• Nel nostro 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 in fasce di punteggio simili.
• Gemini 2.5 Pro: Gestisce nativamente testo, audio, immagini, video e interi repository di codice all'interno di una finestra di contesto di 1M token. Disponibile su Google IA Studio, Vertex IA e NotebookLM. Il prezzo parte da $1,25 per milione di token di input e $10 per milione di token di output via API.⁸
• Llama 4 Scout e Maverick: I modelli open-weight di Meta utilizzano token multimodali testo e visione a fusion precoce, addestrati insieme fin dall'inizio invece di essere aggiunti come moduli separati. I modelli sono stati pre-addestrati in 200 lingue e hanno fornito supporto specifico per il fine-tuning per 12 lingue, tra cui arabo, spagnolo, tedesco e hindi.⁹

La capacità multimodale è standard tra i modelli di frontiera. La sfida rimanente è la coerenza: i modelli funzionano bene su combinazioni comuni immagine-testo ma degradano su contesti visivi rari, input a bassa risoluzione e ragionamento cross-modale che richiede il collegamento di 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 abilitare:

• 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: Leader di produzione attuale di Anthropic nei benchmark di codifica agentica, con un punteggio di 0,748 nell'A-CODE-LLM Bench 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 cambio manuale di modalità. Il prezzo è di $3/$15 per milione di token. Su SWE-bench Verified, Sonnet 4.6 raggiunge il 79,6%, entro un punto dall'80,8% di Opus 4.7, a un quinto del costo.
• Claude Opus 4.7: Modello di punta di Anthropic per ragionamento complesso multi-step e visione (98,5% sul benchmark di acutezza 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 medi per compito) che degrada 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 di 4.7 nella codifica agentica. Ha ottenuto 0,702 nell'A-CODE-LLM Bench, quinto in assoluto. Ha completato il compito 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 Specializzati per Dominio con Fine-Tuning

Modelli addestrati su dati specializzati per settori specifici invece di un addestramento generico.
Google, Microsoft e Meta hanno tutti rilasciato importanti modelli proprietari specifici per dominio e con fine-tuning mirati a casi d'uso aziendali specifici, in aggiunta alle loro offerte generiche.
Questi LLM specializzati possono portare a meno allucinazioni e maggiore accuratezza sfruttando il pre-addestramento specifico per dominio, l'allineamento del modello e il fine-tuning supervisionato.

Programmazione

GitHub Copilot: Sottoposto a fine-tuning su repository di codice. A luglio 2025, 20 milioni di sviluppatori utilizzano GitHub Copilot, 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: LLM da 50 miliardi di parametri addestrato su un dataset di 363 miliardi di token di documenti finanziari Bloomberg, superando modelli di dimensioni comparabili nei benchmark finanziari NLP, inclusi analisi del sentiment, riconoscimento di entità nominate e risposta a domande.¹¹

Sanità

Med-PaLM 2 di Google: Sottoposto a fine-tuning su dataset medici, ha raggiunto un'accuratezza superiore all'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 sanitari di Google Cloud.¹²

Diritto

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

8- IA etica e mitigazione dei bias

Le aziende si stanno concentrando sempre più sull'IA etica e sulla mitigazione dei bias nello sviluppo e nell'implementazione dei modelli linguistici di grandi dimensioni.

• Anthropic e OpenAI hanno condotto una valutazione di allineamento reciproco a metà 2025, testando i reciproci modelli pubblici per adulazione, tendenze alla denuncia e comportamenti di autoconservazione. L'esercizio ha rilevato adulazione in tutti i modelli testati, inclusi casi in cui i modelli hanno convalidato decisioni dannose da parte di utenti simulati che mostravano convinzioni deliranti. Anthropic ha successivamente sviluppato il framework di test Bloom specificamente per confrontare questo comportamento nei nuovi modelli.
• Anthropic ha anche rilasciato Claude Mythos Preview (Project Glasswing), un modello solo su invito reso disponibile a un piccolo gruppo di organizzazioni specificamente per trovare e correggere vulnerabilità di cybersecurity nei principali sistemi operativi e browser web. Anthropic ha dichiarato che non prevede di rendere questo modello generalmente disponibile. L'approccio ad accesso controllato rappresenta un nuovo framework per l'implementazione di modelli specialistici ad alta capacità in cui il profilo di rischio richiede un rollout limitato.¹⁴
• Google DeepMind: Ha pubblicato "The Ethics of Advanced IA Assistants", offrendo il primo trattamento sistematico delle questioni etiche e sociali sollevate dagli agenti IA, coprendo l'allineamento dei valori, i rischi di manipolazione, l'antropomorfismo, la privacy e l'equità. La valutazione di Responsible IA dell'azienda ha incluso oltre 350 esercizi di red-team avversari e ha introdotto un nuovo Livello di Capacità Critica specificamente per la manipolazione dannosa, trattandola come un rischio di livello frontiera insieme agli attacchi informatici e alle minacce CBRN.

Limitazioni dei modelli linguistici di grandi dimensioni (LLM)

1- Allucinazioni

I modelli generano informazioni plausibili ma errate.

La classifica delle allucinazioni Vectara è il benchmark di riassunto ancorato più ampiamente referenziato 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 raggruppa tra lo 0,8% e il 2,0%.

Vectara ha lanciato un benchmark significativamente più difficile alla fine del 2025: 7.700 articoli (rispetto ai precedenti 1.000), documenti più lunghi fino a 32K token e contenuti che coprono 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 ancorato 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 fa riferimento incrociato ad almeno due benchmark che misurano cose diverse: un compito ancorato (Vectara), un compito di conoscenza aperta e specifica la versione esatta del modello e le condizioni di chiamata.

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

2- Bias

I modelli assorbono e amplificano i bias sociali dai dati di addestramento.

Figura: Punteggi complessivi dei bias per modelli e dimensioni

Fonte: Arxiv¹⁶

Tipi di bias osservati:

• Bias di genere nei suggerimenti di occupazione
• 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.

Figura: Mappa della tossicità degli LLM

Fonte: Ricercatori UCLA, UC Berkeley¹⁷

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

Misure di sicurezza rigorose riducono la tossicità ma aumentano i falsi positivi (rifiuto di 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. Supera quel limite e il modello tronca i contenuti precedenti o rifiuta la richiesta. Il divario pratico tra i modelli è abbastanza ampio da essere rilevante 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 tra testo, audio, immagini e video all'interno della 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) al prezzo standard, disponibile senza header beta o configurazioni speciali.¹⁹
• GPT-5.5: Finestra di contesto di 1M token a livello API.²⁰

Una grande finestra di contesto non significa automaticamente migliori prestazioni lungo tutta la sua estensione. Il richiamo si degrada verso la metà di contesti molto lunghi sulla maggior parte dei modelli, e i costi scalano 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 che il tuo caso d'uso richiede effettivamente.

5- Limite di Conoscenza Statica

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

Problemi:

• Informazioni obsolete sugli eventi correnti
• Incapacità di gestire sviluppi recenti
• Minore rilevanza in 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; i modelli a volte interpretano male i risultati della ricerca.

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

Principali Piattaforme LLM

GPT-5.5

L'attuale modello di punta di OpenAI è stato rilasciato il 23 aprile 2026. Costruito attorno a uno sforzo di ragionamento configurabile, gli sviluppatori impostano la profondità di pensiero per richiesta (da nessuno a xhigh), in modo che le query semplici non brucino risorse di calcolo riservate ai problemi difficili. Il modello eccelle nella codifica agentica, nell'uso del computer e nei compiti a lungo orizzonte in cui deve mantenere il contesto attraverso grandi sistemi e verificare il proprio lavoro durante l'esecuzione.²¹

Chi lo utilizza: Sviluppatori, aziende e creatori di contenuti. La più grande base di utenti tra gli LLM.

Limitazioni: $5/$30 per milione di token, il prezzo base più alto in questa lista. Ancora soggetto ad allucinazioni. Richiede l'integrazione della ricerca web per qualsiasi cosa successiva al suo cutoff di addestramento.

Claude Opus 4.8 / Sonnet 4.6

Claude Sonnet 4.6 guida l'A-CODE-LLM Bench di AIMultiple con un punteggio complessivo di 0,748 a $1,26–$1,33 per cella, al di sopra di 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 miglior performer nei compiti di ragionamento complesso multi-step e visione (98,5% sul benchmark di acutezza visiva XBOW), ma il suo tempo medio di completamento di 1.562 secondi nei flussi di lavoro agentici spinge il costo totale a $3,08 per cella, il modello più costoso nel benchmark.

Sia Sonnet 4.6 che 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 compito tra i modelli Anthropic (51 base, 48 thinking), raggiungendo il punteggio più alto nel benchmark con meno iterazioni rispetto alle varianti Opus (56–70 chiamate agli strumenti). I team di agenti, disponibili su tutta la linea di produzione Anthropic, consentono a più istanze di Claude di suddividere un compito in flussi di lavoro paralleli coordinati in tempo reale.

Chi lo utilizza: Sviluppatori e aziende che eseguono codifica agentica, flussi di lavoro di ricerca o pipeline multi-agente. I team che danno priorità all'efficienza dei costi utilizzano Sonnet 4.6; i team che eseguono carichi di lavoro di visione o ragionamento complesso utilizzano Opus 4.7.

Limitazioni: Il pensiero 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 miglior risultato non-Anthropic a $1,30 per cella e 390 secondi di completamento medio. La variante base ha ottenuto un punteggio inferiore a thinking a un costo più elevato ($0,56 per cella di base), a causa della sovrascrittura (131 righe per un compito la cui soluzione di riferimento è di ~50 righe).

Llama 4 Scout

Modello MoE open-weight di Meta. 109B parametri totali, 17B attivi per token, funziona su una singola NVIDIA H100 GPU con quantizzazione int4. L'implicazione pratica è che una finestra di contesto di 10M token è accessibile senza un contratto con un data center.²² La multimodalità a fusion precoce significa che testo e visione vengono elaborati congiuntamente dal primo strato invece di essere combinati in fase di output. Disponibile sotto la Meta Llama 4 Community License.

Chi lo utilizza: Ricercatori, organizzazioni che necessitano di distribuzione on-premise, sviluppatori che evitano il vendor lock-in e team in cui il costo su larga scala rende 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. Meno rifiniture di produzione rispetto ai modelli commerciali.

DeepSeek V4

Il modello di quarta generazione di DeepSeek è disponibile in anteprima. Utilizza un'architettura MoE da 1 trilione di parametri, circa il 50% più grande di V3 con capacità multimodali su testo, immagine e video. Il Thinking in Tool-Use consente al modello di ragionare internamente prima di chiamare strumenti esterni e verificare gli output degli strumenti rispetto alla propria logica, che è il principale elemento di differenziazione per i flussi di lavoro agentici. Il prezzo di input via API parte da $0,27 per milione di token (cache-miss), circa 18 volte più economico di GPT-5.5.²³

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 modelli linguistici di grandi dimensioni}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/future-of-large-language-models}},
  note   = {AIMultiple. Consultato il 25 Giugno 2026}
}

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 365 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 - Claude Platform Docs

20.

Introducing GPT-5.5 | OpenAI

21.

Introducing GPT-5.5 | OpenAI

22.

Welcome Llama 4 Maverick & Scout on Hugging Face

Hugging Face

23.

DeepSeek AI: R1 Reasoning, API & Local Deployment 2026

DeepSeek AI Fan Site

Cem Dilmegani

Analista principale

Segui

Cem è analista principale presso AIMultiple dal 2017. AIMultiple fornisce informazioni a centinaia di migliaia di aziende (secondo SimilarWeb), tra cui il 55% delle aziende Fortune 500, ogni mese. Il lavoro di Cem è stato citato da importanti pubblicazioni globali come Business Insider, Forbes, Washington Post, società globali come Deloitte e HPE, ONG come il World Economic Forum e organizzazioni sovranazionali come la Commissione Europea. È possibile consultare l'elenco di altre aziende e risorse autorevoli che hanno citato AIMultiple. Nel corso della sua carriera, Cem ha lavorato come consulente tecnologico, responsabile acquisti tecnologici e imprenditore nel settore tecnologico. Ha fornito consulenza alle aziende sulle loro decisioni tecnologiche presso McKinsey & Company e Altman Solon per oltre un decennio. Ha anche pubblicato un report di McKinsey sulla digitalizzazione. Ha guidato la strategia tecnologica e gli acquisti di un'azienda di telecomunicazioni, riportando direttamente al CEO. Ha inoltre guidato la crescita commerciale dell'azienda deep tech Hypatos, che ha raggiunto un fatturato annuo ricorrente a 7 cifre e una valutazione a 9 cifre partendo da zero in soli 2 anni. Il lavoro di Cem in Hypatos è stato oggetto di articoli su importanti pubblicazioni tecnologiche come TechCrunch e Business Insider. Cem partecipa regolarmente come relatore a conferenze internazionali di settore. Si è laureato in ingegneria informatica presso l'Università di Bogazici e ha conseguito un MBA presso la Columbia Business School.

Visualizza il profilo completo

Ricercato da

Sena Sezer

Analista di settore

Segui

Sena è un'analista di settore presso AIMultiple. Ha conseguito la laurea triennale presso l'Università di Bogazici.

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