Il 13 agosto 2026 il team Qwen di Alibaba ha rilasciato Qwen3.8-27B: un modello linguistico open-weight da 27,8 miliardi di parametri, licenza Apache 2.0, con comprensione nativa di testo, immagini e video, e una finestra di contesto di 262.144 token estendibile fino a un milione.
Non è la notizia del rilascio a interessarci qui. È quello che cambia nel calcolo costi-benefici per chi deve valutare se un modello può restare dentro il proprio perimetro, invece che passare per l’API di un fornitore esterno.
Cosa dicono i numeri
Il modello gira interamente su un’unica GPU, con requisiti che variano in base alla precisione: circa 56 GB di VRAM in BF16, 28 GB in FP8, 14-16 GB in versione a 4 bit — quest’ultima alla portata di una singola scheda consumer di fascia alta. Su SWE-bench Pro raggiunge un punteggio di 61,7, in un ordine di grandezza comparabile a modelli molti volte più grandi.
Il confronto che conta di più, dal punto di vista architetturale, è con il modello di punta della stessa famiglia: Qwen3.8-Max, 2.400 miliardi di parametri, disponibile solo come servizio API a consumo. Qwen3.8-27B è circa cento volte più piccolo e si esegue su hardware che un’organizzazione può possedere e controllare direttamente.
Il limite dichiarato: sovrastima il ragionamento
Il modello attiva di default una modalità di ragionamento molto estesa (xhigh), che su compiti semplici produce un sovraccarico enorme. Simon Willison ha misurato 21 minuti e oltre 22.000 token di ragionamento per generare un semplice disegno SVG — lo stesso compito, con il ragionamento disattivato, richiede 137 secondi.
Non è un difetto marginale: è il tipo di comportamento che va scoperto e calibrato prima del rilascio in produzione, non dopo. Un modello più capace non è automaticamente un modello più pronto all’uso — vale per questo come per qualunque altro, proprietario o open weight.
Perché conta per chi valuta on-premise o ibrido
Abbiamo scritto altrove che con i modelli open weight disponibili la qualità raggiungibile è adeguata a molti casi d’uso documentali, pur restando in genere inferiore a quella dei modelli proprietari di frontiera sui compiti più complessi. Un rilascio come questo restringe quel divario per una fascia di compiti reale — non lo elimina, e non lo elimina per ogni compito.
Per un’organizzazione che deve tenere dati sensibili dentro il proprio perimetro — pubblica amministrazione, banche, assicurazioni, industria con know-how proprietario — questo si traduce in un’opzione in più nell’architettura, non in una sostituzione automatica di quello che c’è già. Il criterio resta lo stesso che applichiamo a ogni scelta tecnologica: nessun vincolo a una singola piattaforma o fornitore, il modello si sceglie sul processo, non il contrario. Un modello open weight che gira su hardware posseduto è una leva in più per chi ha vincoli di residenza del dato o continuità operativa — la stessa logica che sta dietro a MyGPT.
Cosa non cambia
Un modello aperto e performante non risolve da solo governance, guardrail o valutazione. Restano necessari: un insieme di prova costruito sul caso d’uso reale, soglie di confidenza calibrate, tracciabilità delle fonti se il compito è di ricerca documentale, e supervisione umana sulle decisioni ad alto impatto. Il comportamento di “sovrastima del ragionamento” descritto sopra è un esempio concreto del perché questo collaudo non è opzionale: un modello che funziona bene su un benchmark pubblico può comportarsi in modo inatteso sul compito specifico di un’organizzazione, in una direzione o nell’altra.
In chiusura
I modelli open weight più capaci escono ormai con una cadenza che rende poco sensato ancorare un’architettura a un singolo modello, aperto o proprietario che sia. Ha più senso investire nella parte che non cambia a ogni rilascio: come si integra il modello nel processo, come si misura se funziona, come si mantiene nel tempo.
Se state valutando se un caso d’uso può girare su un modello aperto dentro il vostro perimetro, ne parliamo volentieri: quali vincoli avete, quali dati sono coinvolti, e quale livello di controllo è realmente necessario per il vostro caso.
