L’AI del futuro è una squadra di specialisti
I modelli AI specializzati stanno emergendo come alternativa ai modelli generali, con prestazioni superiori in compiti specifici ma carenze in logica e ragionamento.
I benchmark visivi superano l’80%, ma il ragionamento logico si ferma sotto il 50%
Hai presente quando chiedi all’assistente del telefono di leggere una ricevuta stropicciata e lui ti risponde con l’importo esatto? Ora chiedigli di risolvere un semplice indovinello logico e guarda cosa succede. Il modello LFM2.5-VL-3B racconta proprio questa storia: è un campione su documenti e schermate, ma un disastro su logica e ragionamento. Le capacità visione-linguaggio di LFM2.5-VL-3B si estendono con quattro miglioramenti: comprensione di schermate e interfacce, grounding, input multi-immagine e function calling. I numeri non mentono.
Su il benchmark DocVQA ottiene 91.1, su il benchmark OCRBench v1 84.2, su il benchmark TextVQA 84.3, su il benchmark RefCOCO-avg 87.9 e su il benchmark CountBenchQA 87.3. Ma poi crolla su il benchmark LogicVista con 37.4, su il benchmark MMMU-Pro con 30.5, su il benchmark SimpleVQA con 35.4, e su il benchmark HallusionBench con 47.2.
La media dei benchmark di LFM2.5-VL-3B è 69.4, ma è una media che nasconde il divario.
Non più un solo cervello, ma una squadra
La risposta del settore non è costruire modelli più grandi, ma orchestrare specialisti. Lo dimostra il routing intelligente di Cloudflare: un classificatore su Workers AI legge il prompt e prevede il tipo di attività (coding, ricerca, riassunto, Q&A generale), la complessità e l’importanza del contesto, e lo indirizza al modello giusto. Niente più martello per ogni chiodo.
NVIDIA ha spinto ancora più in là. Con NeMo Switchyard instrada automaticamente i prompt al modello più capace ed efficiente per ogni fase di un flusso di lavoro agentico. Harvey, con Trajectory, sta personalizzando per i servizi legali. CodeRabbit con Baseten sta personalizzando per la revisione del codice. Fastino Labs ha personalizzato e sta riscontrando accuratezze leader per sviluppo software, finanza e sanità.
Anche Google punta su un compito molto specifico
E se vi dicessi che Google ha appena messo in mano agli utenti un modello che traduce la lingua dei segni in testo? Il modello SL2T è un traduttore multilingue da lingua dei segni a testo, e alimenta in Gboard e Live Transcribe, per ora dall’American Sign Language all’inglese. Non è un modello generale: fa una cosa sola, ma la fa per milioni di persone che prima non potevano comunicare con il telefono.
La direzione è chiara: meno cervelli universali, più specialisti coordinati. Ma c’è un punto che mi fa alzare un sopracciglio: se un classificatore legge il prompt per instradarlo, chi controlla cosa succede a quei dati? Cloudflare promette un piano di controllo unificato, ma la trasparenza sarà fondamentale. Nei prossimi mesi tenete d’occhio due cose: l’evoluzione di questi router intelligenti e la diffusione di modelli verticali su dispositivi consumer. Il futuro non è un unico assistente che sa tutto, ma una rete di esperti che sanno il fatto loro. E forse è meglio così.
