Se la parte 1 era il mese delle API frontier, la parte 2 è il mese dei pesi. Agosto 2026 ha visto una raffica di MoE open-weight progettati per tool use, context lungo e deploy su una sola scheda. Non tutti sono “piccoli”: alcuni arrivano a centinaia di miliardi totali, con pochi miliardi attivi.
I grandi MoE open
Il 1 agosto LG AI Research ha rilasciato K-EXAONE 2.0: MoE da 750B totali / 37B attivi, 256 expert (8 + 1 shared), hybrid attention, context 262.144 token, 10 lingue, Apache 2.0. Punti forti dichiarati: OpenAI-MRCR 94.4 e KGC-Safety 99.8, con speculative decoding MTP/DSpark da 3–5×.
Il 3 agosto MiniMax-M3 è arrivato su Hugging Face: MoE multimodale nativo, circa 428B / 23B attivi, context fino a 1M grazie a MiniMax Sparse Attention. Claim: 9× prefill e 15× decode rispetto a M2, compute per token a 1/20. Coding agentic: 59% SWE-Bench Pro, 80.5% SWE-Bench Verified; input testo, immagine e video.
Il 14 agosto è arrivato GLM-5.3 di Z.ai, stesso base 743B di GLM-5.2 ma con post-training scalato. +50% su Z.ai Code Bench, SOTA open-source su Terminal Bench 3.0 (28.3) e Agents’ Last Exam. Il salto più discusso è cyber: 84.5 su CyberGym e più del doppio sulle metriche di exploitation. Pesi open (MIT) promessi dopo safety review; nel frattempo Coding Plan e ZCode. Pochi giorni dopo lo stesso modello risultava aver trovato decine di issue su Hermes Agent, LangChain e llama.cpp.
Una GPU, context enorme, agent always-on
Il 5 agosto Pokee AI ha presentato Pokee-Isaac 28B: agentico frontier-class con context utilizzabile da 10M token su una GPU a partire da RTX 4090. 93.3% su RULER a 10M, fino a 137K tok/s prefill su B200, pricing 0.15 / 1 dollaro per 1M. Day-0 su vLLM e SGLang.
Il 10 agosto Meta Superintelligence Labs ha aperto Muse Glimmer 30B (Apache 2.0), distillato da Muse Spark per Mac/PC con una consumer GPU. Score circolati: DeepSearch QA 74.6, MCP-Atlas 75.5, SWE-Bench Pro 51.2. Quantizzato a ~4-bit sotto 20 GB, DFlash fino a 3.1× (es. 233 tok/s su RTX 5090), context 131k+.
NVIDIA ha risposto l’11–12 agosto con Nemotron 3.5 Lightning: MoE open 30B / 3B attivi, context fino a 1M, ibrido Mamba-2 + MoE + Attention. Fino a 4× più veloce in output; su PinchBench 86% accuracy e circa 30% più rapido di Qwen3.6 35B a parità di qualità. Completamente open (pesi, dati, recipes) e accompagnato da NeMo Switchyard per instradare il frontier sul planning e Lightning sull’execution.
Il 14 agosto Qwen3.8-27B ha mostrato che “dense 27B” può ancora competere: VLM basato su architettura Qwen3.5, context nativo 262K (estensibile a 1M), thinking on-by-default. Numeri community: SWE-bench Pro 61.7, Terminal Bench 2.1 73.0, LiveCodeBench v6 90.3, OSWorld 84.3. Apache-2.0 su Hugging Face.
Nello stesso giorno dots3-note Preview (280B / 16B attivi, context 512K, testo-visione-video-audio) ha introdotto TEMPO, RL per task ultra-long-horizon. Apache 2.0, più i bench VibeSearchBench e VibeLifeBench.
Specialisti: logica, musica, inferenza estrema
TwiL-LM di webAI (1.7B e 3B, da SmolLM) ha battuto gpt-oss-120b su 4 bench di formal-reasoning su 5 e gira su iPhone a 300+ tok/s. Licenza non commerciale. MiniMax-Music3 genera canzoni complete fino a 5 minuti: Global LLM 8B + Local LLM 0.6B + Flow Matching, WAV 32 kHz stereo, tag di sezione nelle lyrics. MiniMax ha anche presentato H3, multimodale audio-video-testo.
Fuori dal “modello nuovo” ma dentro lo stesso filone hardware-software: il 4 agosto è apparso un motore C99 per Kimi K3 (2.78T MoE) con picco 8.24 GB RSS su preset laptop, engine da 176 KB, streaming expert 4-bit da NVMe. Non è un training stack: è inferenza brutale su CPU.
Come leggerli senza perdersi
Open-weight in agosto ha significato tre cose diverse. Modelli da laboratorio da 750B che restano un fatto di cluster. Modelli 27–30B pensati per una GPU consumer e agent always-on. Motori e quantizzazioni che rendono usabile ciò che sulla carta è impossibile. La parte 3 guarda a chi avvolge questi modelli: harness, CLI, bot e memoria.
Testo: assistito da AI · revisionato da Carlos H. P. Ross
