G42, Cerebras e MBZUAI Institute of Foundation Models hanno rilasciato K2 Think V2, modello da 70 miliardi di parametri end-to-end open source con training data, codice di curation e weights tutti pubblicamente disponibili sotto licenza Apache 2.0.
È il primo modello AI di grandi dimensioni a essere rilasciato in modalità completamente open dalla scuola emiratina. La stessa scuola che già nel 2023 aveva conquistato la testa della Hugging Face LLM Leaderboard con Falcon, sviluppato dal Technology Innovation Institute di Abu Dhabi. Insieme, Falcon e K2 Think rappresentano il secondo polo open source mondiale, dopo quello cinese guidato da DeepSeek, Qwen, Zhipu Kimi.
K2 Think V2: 70 miliardi di parametri, training data e weights pubblici
K2 Think V2 è stato addestrato su un cluster Cerebras Condor Galaxy 3, sistema da 8 exaflop con chip wafer-scale. Il training ha richiesto sei mesi tra giugno e dicembre 2025, su dataset di 4 trilioni di token in cui sono presenti contenuti in inglese, arabo, hindi, francese, spagnolo, e dataset multimodale per task vision-language. Il modello è stato progettato per task di reasoning multi-step e per agenti autonomi, segmento dove DeepSeek-V4 e Claude 4.5 sono i benchmark di riferimento. I benchmark pubblicati al rilascio mostrano K2 Think V2 competitivo con DeepSeek-R2 su problemi matematici (FrontierMath: 31% di accuratezza contro 38% di DeepSeek-R2 e 42% di o3) e su programmazione (HumanEval: 89% contro 92% di Claude 4.5).
Trasparenza completa, riproducibilità scientifica.
La differenza non è il livello di prestazione, comunque alto, ma la trasparenza completa: chiunque può ispezionare i dati di addestramento, replicare il post-training, modificare la pipeline. Per ricercatori in ambito accademico e per imprese che vogliono fine-tuning su domini specifici, è un asset di valore non quantificabile.
Falcon: storia di un modello che ha contestato Hugging Face leaderboard
Falcon è stato sviluppato da Technology Innovation Institute (TII), uno dei centri di ricerca del governo di Abu Dhabi. Il primo rilascio, Falcon 7B e Falcon 40B, è del marzo 2023. La versione Falcon-180B di settembre 2023 ha brevemente raggiunto la testa della Hugging Face LLM Leaderboard, posizione poi persa con l’arrivo di modelli successivi. Falcon 3, rilasciato a maggio 2025, ha 180 miliardi di parametri e prestazioni allineate a Llama 3 405B. La storia di Falcon è importante per due ragioni. Prima: ha mostrato che capacità di addestramento di modelli di frontiera non è monopolio di Stati Uniti e Cina. Un team di 25 ricercatori a Abu Dhabi, con accesso a compute Cerebras e finanziamento sovrano, ha prodotto un modello competitivo a livello globale. Seconda: ha avviato la cultura open source emiratina, che è stata poi consolidata con K2 Think e con i modelli MBZUAI.
Open source vs open weights: la differenza che pochi spiegano
Una distinzione tecnica importante che K2 Think V2 mette in evidenza è quella tra open source e open weights. Llama di Meta è open weights: i pesi del modello sono pubblici, ma il dataset di addestramento e parte del codice di training sono proprietari. Mistral di Parigi è similmente open weights su alcune varianti. DeepSeek e Qwen rilasciano open weights con buona documentazione del training, senza tuttavia rilasciare i dati grezzi. K2 Think V2 e il prossimo Falcon 4 (atteso luglio 2026) sono dichiaratamente open source end-to-end: training data ricostruibile, codice di curation pubblico, post-training ricetta documentata, weights pubblici, evaluation pubblica.
La differenza ha implicazioni pratiche. Per un ricercatore accademico che vuole studiare come emergono certi comportamenti del modello, solo l’open source completo permette riproducibilità scientifica. Per un’impresa che fa fine-tuning su dominio sensibile (legale, medico, finanziario), avere accesso ai dati di addestramento permette di valutare se il modello base contiene bias o lacune sistematiche. Per un’agenzia regolatoria che valuta compliance AI Act, l’apertura completa è la condizione minima per audit indipendente.
Confronto con DeepSeek, GLM-5.1, Llama 4, Gemma 4
Il quadro open source 2026 è ricco e differenziato.
DeepSeek-V4-Pro (rilasciato aprile 2026) ha 671 miliardi di parametri totali con architettura mixture of experts. È il riferimento per task di reasoning matematico e programmazione, con prestazioni allineate o superiori a o3-pro su molti benchmark. Open weights con paper tecnico molto dettagliato, ma dataset proprietario. GLM-5.1 di Zhipu AI (Pechino) è arrivato a inizio 2026 con 744 miliardi di parametri totali, licenza MIT (più permissiva di Apache 2.0), prestazioni di alto livello su task multilingue. È il modello cinese più aperto in termini di licenza commerciale. Llama 4 di Meta, rilasciato gennaio 2026 in tre varianti (8B, 70B, 405B), mantiene la formula open weights con la community license Meta. È il più diffuso nei progetti enterprise grazie all’integrazione AWS, Azure, Hugging Face. Gemma 4 di Google, rilasciato marzo 2026 in versioni 7B e 27B, ha licenza Apache 2.0 e ottimizzazione per inference su hardware consumer. È il riferimento per applicazioni on-device.
K2 Think V2 si posiziona in una nicchia diversa: modello mid-size (70B), open source completo, ottimizzato per reasoning e agenti. Il vantaggio competitivo non è la dimensione né le prestazioni di punta, ma la trasparenza che permette adozione in contesti regolatorianti come PA europea, sanità pubblica, settore finanziario.
Per sviluppatori italiani: fine-tuning su domini italiani
K2 Think V2 e Falcon 3 sono opzioni reali da considerare per progetti di fine-tuning su lingua e domini italiani. I motivi tecnici: dimensione gestibile (70B richiede 4-8 GPU H100 per inference, accessibile in cloud); licenza commercialmente permissiva (Apache 2.0); training data ispezionabile (importante per AI Act compliance); pre-training multilingue che include italiano in misura ragionevole. Le applicazioni concrete dove questi modelli sono già stati testati con successo: assistenti documentali per studi legali italiani (con knowledge base su legislazione nazionale), strumenti di analisi del linguaggio per pubbliche amministrazioni, chatbot per customer service in italiano con domain-specific fine-tuning, supporto a ricerca giornalistica e fact-checking. Confronto con alternative proprietarie: GPT-5 e Claude 4.5 hanno qualità linguistica italiana superiore in molti casi, ma mancano della trasparenza necessaria per audit regolatori e hanno costi di inference fino a venti volte superiori.
Per la figura dell’AI Research Scientist definita dalla norma UNI 11621-8 la disponibilità di modelli open source di qualità è condizione abilitante per ricerca italiana competitiva. Senza accesso a modelli base trasparenti, la ricerca italiana è confinata a fine-tuning di modelli proprietari, con dipendenza tecnologica strutturale. Falcon e K2 Think permettono una via diversa.
L’auditabilità come questione etica nella Rome Call
L’AIPIA è Official Endorser della Rome Call for AI Ethics. Il documento, firmato in Vaticano nel 2020 e aggiornato nel 2024, indica la trasparenza come uno dei sei principi fondanti dell’AI etica. La differenza tra open source genuino e open weights ha implicazioni dirette su questo principio. Un modello open weights può essere usato in produzione, ma non può essere auditato a fondo. Un modello open source completo può essere ispezionato in ogni sua componente, e l’audit può essere condotto da terze parti indipendenti.
Il progetto AI Next di AIPIA include linee guida per la valutazione etica dei modelli base utilizzati dalle imprese italiane, con criteri di trasparenza, riproducibilità, compatibilità con il framework regolatorio europeo. Falcon e K2 Think soddisfano i criteri più stringenti, posizionandosi come riferimento per imprese che vogliono coerenza tra discorso etico pubblico e scelte tecnologiche concrete.
Il pattern del 2026 è chiaro: l’open source AI non è più solo cinese. L’UAE è il secondo polo mondiale, e si propone come alternativa sia all’opacità proprietaria USA sia alla complessa traceability degli ecosistemi cinesi. Per la ricerca e per le imprese italiane è una buona notizia: più opzioni, più diversità di approcci, meno dipendenza da pochi fornitori. La condizione per coglierla è la competenza tecnica per valutare seriamente i modelli, oltre il marketing dei rilasci.
