Ricerca & sviluppo
Un modello linguistico italiano, addestrato da zero
Nasce in italiano, non tradotto e non adattato da un modello inglese. Lo addestriamo da zero su una nostra workstation, nei laboratori dell'ITS Academy Cadmo dove insegniamo, e del corpus sappiamo fonte per fonte da dove viene. Non batterà i modelli commerciali di pari taglia sulla prestazione, e lo diciamo noi per primi.
Cosa stiamo costruendo
Un modello linguistico addestrato interamente da zero sull'italiano. Non un modello inglese a cui è stato insegnato l'italiano dopo: la lingua è quella su cui è cresciuto, con la sua sintassi, i suoi registri e il modo in cui si scrive davvero in un ufficio italiano.
Nessun peso di terzi entra nell'addestramento: il modello non eredita niente da pesi di provenienza opaca, e del corpus sappiamo fonte per fonte da dove viene e quanto pesa, con i conteggi.
Dall'agosto 2025 l'AI Act obbliga chi mette un modello di uso generale sul mercato europeo a pubblicare una sintesi dei contenuti di addestramento. Quello che quasi nessuno offre non è la sintesi: è l'elenco, voce per voce, e la possibilità di chiedercene conto. Non vuol dire «senza zone grigie» — una parte del corpus viene da crawl del web, che rispetta il robots.txt del momento della raccolta ma non le riserve espresse dopo. La rivendicazione difendibile non è che zone grigie non ce ne siano: è sapere dove sono e avere un processo documentato per ciascuna.
Cosa saprà fare
È un modello piccolo, e la taglia è una scelta: deve stare su una workstation sola, dentro la rete del cliente, senza chiamare nessuno. Questo è quello che gli chiediamo.
Leggere e riassumere documenti italiani
Una mail, un articolo, un capitolo, un contratto breve: i testi su cui si lavora davvero in azienda. È la lunghezza a cui puntiamo — intorno agli 8.000 token utili — ed è la stessa che passa da una scrivania ogni giorno.
Rispondere dentro l'azienda, senza uscirne
Un modello che sta su una workstation gira su hardware che un'azienda può comprare e tenere in sede. Oggi quel lavoro lo facciamo con modelli aperti di altri, e funziona: con un modello nostro si aggiunge il pezzo che oggi non abbiamo, cioè sapere cosa c'è dentro a quello che risponde.
Reggere una verifica sul corpus
Nei settori dove bisogna poter dire su cosa è stato addestrato un sistema — sanità, pubblica amministrazione, difesa, o una manifattura che risponde a un audit di filiera — la domanda sul corpus arriva, e pochi fornitori sanno rispondere voce per voce. Noi l'elenco delle fonti lo apriamo.
Diventare la base di un sistema verticale
Addestrato da zero e documentato, si potrà specializzare su un dominio partendo da fondamenta di cui conosciamo la provenienza, pezzo per pezzo. In pratica: quando un sistema verticale sbaglia, si risale a cosa ha letto e si corregge il corpus, invece di tirare a indovinare sui pesi di qualcun altro.
Dove si colloca, in Italia
In Italia i modelli addestrati da zero sull'italiano li fanno università, gruppi industriali e operatori di telecomunicazioni. Minerva, del gruppo Sapienza NLP, sviluppata sul supercomputer Leonardo del CINECA, è stata la prima; poi sono arrivati Modello Italia, Velvet e altri. Il nostro in quell'elenco non c'è ancora: è in addestramento, e ci entrerà quando ci sarà un modello da mettere alla prova.
Quello che possiamo dire oggi è da dove arriva. Minerva è cresciuta su un supercomputer nazionale, e con quei mezzi arriva dove noi non arriviamo. Questo cresce su una nostra workstation, nei laboratori dell'ITS Academy Cadmo, costruito dagli stessi due ingegneri che il giorno dopo lo spiegano in aula. Il vincolo è anche il motivo per cui il corpus è documentato così: su una macchina sola non si compensa con la potenza, si compensa sapendo esattamente cosa si sta facendo.
Perché lo facciamo comunque
Un continued pretraining su un modello aperto esistente darebbe risultati migliori in due settimane, ed è quello che fanno l'industria e i progetti nazionali finanziati. Il nostro modello non batterà i commerciali di pari taglia sulla prestazione, e lo diciamo noi per primi: fra una workstation e il calcolo con cui viene addestrato un modello della stessa taglia ci sono ordini di grandezza, e non si recuperano con l'ingegno.
Il valore è un altro, ed è uno solo: sapere esattamente cosa c'è dentro. Corpus documentato, verificabile, senza dipendenze da pesi di provenienza opaca. Se quella proprietà serve, i mesi hanno senso; se non serve, si sta comprando tempo a caro prezzo. Lo diciamo prima noi, perché è la domanda che faremmo al posto vostro.
Intanto i prodotti che vendiamo oggi — ricerca documentale, AvvocatoAI, avatar, Segretaria AI — girano su modelli aperti installati in sede: i vostri documenti restano dentro la vostra rete allo stesso modo, ma quei pesi non li abbiamo addestrati noi. Il modello che stiamo costruendo serve a togliere anche quell'ultima scatola chiusa.
Ed è anche il motivo per cui questa pagina esiste: chi deve decidere se fidarsi di un fornitore di intelligenza artificiale ha diritto di vedere come ragioniamo quando il soggetto siamo noi.
Vediamolo sui vostri documenti
La ricerca serve i prodotti, e i prodotti si guardano sui vostri archivi. Quindici minuti, nessun dato che esce dalla stanza.