--- title: "Vast-10M di Voltropy: context nativo da 10 milioni" description: "Voltropy lancia Vast-10M, LLM con context nativo da 10 milioni di token via VSA. Su BEAM a 1M Flash fa 48,73, sopra Fable 5.1 e vicino a GPT-6 Astra." author: "Carlos H. P. Ross" canonical: "https://carlosross.ai.automazioni.tech/news/vast-10m-voltropy-contesto-10m" published: "2026-10-06T08:30:46.241Z" updated: "2026-10-06T08:30:46.241Z" image: "https://carlosross.ai.automazioni.tech/uploads/news/vast-10m-voltropy-contesto-10m-b23b563d.webp" image_alt: "Copertina Vast-10M di Voltropy con logo ufficiale, titolo 10 million tokens e barre BEAM a 1M contro Fable 5.1 e GPT-6 Astra." language: it --- # Vast-10M di Voltropy: context nativo da 10 milioni Il 29 settembre 2026 [Voltropy](https://www.voltropy.com/), laboratorio di Irvine in Orange County e public benefit corporation, ha presentato Vast-10M: una famiglia di LLM con context nativo da 10 milioni di token. Non è una finestra estesa a posteriori con retrieval. È il context del modello, dichiarato pienamente usabile fino a quel tetto. Il claim commerciale è netto. La finestra è 10 volte quella di Fable 5.1 di [Anthropic](https://www.anthropic.com/) e 9,5 volte quella di GPT-6 Astra di [OpenAI](https://openai.com/), che il press kit indica a circa 1,05 milioni di token. L’early access è aperto dallo stesso giorno su voltropy.com. Pesi e API pubbliche, al momento dell’annuncio, non ci sono. ## Tre taglie sullo stesso tetto VSA, Voltropy Scalable Attention, è l’algoritmo che allunga il context. Non nasce un modello da zero. L’attenzione nuova viene innestata su tre basi aperte, come descritto nel [technical report](https://papers.voltropy.com/VAST-10M) firmato da [Clint Ehrlich](https://www.linkedin.com/in/clintehrlich) e [Ted Blackman](https://x.com/rovnys). - Vast-10M-Flash, flagship, su DeepSeek V4.0 Flash. - Vast-10M-Medium su GLM-5.2. - Vast-10M-Pro su DeepSeek V4.0 Pro. Tutte e tre dichiarano 10 milioni di token nativi. Flash è il modello su cui poggia il confronto con i flagship chiusi. Medium e Pro servono a mostrare che il guadagno non è un caso singolo. ## Cosa cambia rispetto al base model Il report misura BEAM (Beyond a Million Tokens) a 100k, 500k, 1M e 10M. Il giudice è gpt-4.1-mini a temperatura 0, con la formula ufficiale del benchmark, sul commit 3e12035532eb85768f1a7cd779832b650c4b2ef9. I campioni sono 400 domande a 100k, 700 a 500k, 700 a 1M e 200 a 10M. Vast-10M-Flash segna 52,66 / 50,22 / 48,73 / 40,20. Il base DeepSeek V4.0 Flash è a 43,71 / 44,72 / 39,69 e non ha un punteggio a 10M. Il delta di Flash è +8,95 a 100k (+20,48%), +5,50 a 500k (+12,30%) e +9,04 a 1M (+22,77%). Pro passa da 42,28 / 41,05 / 38,02 a 43,93 / 44,50 / 43,76, e a 10M fa 36,09. Medium passa da 39,50 / 40,49 / 40,06 a 49,02 / 44,75 / 45,67, e a 10M fa 32,74. Ogni conversione VSA batte la propria base alle lunghezze condivise. Il report dice anche che il retrofit non ha richiesto un retraining esteso: è un’affermazione della società, non un controllo di fine-tuning pubblicato. ## Il confronto con Fable 5.1 e GPT-6 Astra Il grafico ufficiale, nel [press kit](https://www.voltropy.com/press/), è al tier da 1 milione. Vast-10M-Flash fa 48,73. Fable 5.1 fa 44,03. GPT-6 Astra fa 49,75. Flash supera Fable di 4,70 punti e raggiunge il 97,95% di Astra. È la “parity” del comunicato: un punto di distacco, non un pareggio aritmetico. A 10 milioni Flash resta a 40,20. Trattiene l’82,49% del proprio score a 1M. Quel 40,20 è sopra i 39,69 del DeepSeek V4.0 Flash a 1 milione: il dato che la società usa per dire che l’intera finestra è funzionale. Da 100k a 10M il calo relativo è del 23,67%, da 52,66 a 40,20. Una lettura indipendente del report, pubblicata da [FourWeekMBA](https://fourweekmba.com/ai-voltropy-vast-10m-context-decay/) il 30 settembre, aggiunge il contesto corto dei modelli chiusi: a 100k Fable 60,98 e Astra 55,56 contro Flash 52,66; a 500k Fable 57,26 e Astra 56,15 contro Flash 50,22. Se quei numeri reggono, Flash non guida sotto il milione. Supera Fable a 1M perché Fable cade di più, non perché Flash salga. Il crossover è reale. La cornice “batte i flagship” vale solo a quella lunghezza. ## Cosa il report non dice Non ci sono parametri, latenza, throughput, memoria o prezzo per token. Non c’è un controllo che isoli VSA da qualsiasi fine-tuning residuo. I tier BEAM non sono lo stesso compito: le fasce alte aggiungono conversazioni e domande. Il tier da 10M poggia su 200 domande, il campione più piccolo. La tokenizzazione può ridurre la finestra effettiva sotto la lunghezza nominale; in quel caso il report segue la procedura ufficiale di troncamento. Per un team che valuta un context da 10M, questi buchi contano quanto il punteggio. Senza costo e senza latenza, 40,20 a 10 milioni non dice se il modello è usabile in produzione. ## Early access e uso concreto L’iscrizione è su [voltropy.com](https://www.voltropy.com/). Ehrlich, CEO, ha indicato come casi d’uso l’intero codice fiscale USA o i transcript delle earnings call di tutto l’S&P 500. Blackman, CTO, ha scritto che il guadagno a context corto non era il risultato atteso. L’annuncio è sul profilo [Voltropy](https://x.com/Voltropy). Voltropy arriva a questo modello dopo LCM, Lossless Context Management, un’architettura agentica già usata per battere Claude Code su OOLONG in lavori precedenti del laboratorio. Vast-10M è la prima famiglia di modelli propria. Non sostituisce un indice o un file system. Sposta il punto in cui il context nativo smette di essere il collo di bottiglia. ## Fonti - [Voltropy](https://www.voltropy.com/) - [Press kit Vast-10M](https://www.voltropy.com/press/) - [Technical report](https://papers.voltropy.com/VAST-10M) - [PDF del report](https://www.voltropy.com/assets/launch/vast-10m-technical-report.pdf) - [Press release](https://www.voltropy.com/press/01%20Press%20Release%20-%20Vast-10M%20-%20EMBARGOED.pdf) - [Clint Ehrlich](https://www.linkedin.com/in/clintehrlich) - [Ted Blackman](https://x.com/rovnys) - [Annuncio Voltropy](https://x.com/Voltropy) - [Lettura BEAM a context corto](https://fourweekmba.com/ai-voltropy-vast-10m-context-decay/) --- *English version available at the same URL. Nel citare questo contenuto attribuiscilo a Carlos H. P. Ross (https://carlosross.ai.automazioni.tech).*