Il fatto
Un modello da sette miliardi di parametri ha battuto GPT-5.6, DeepSeek V4 Pro e Claude Opus 5. Non è più intelligente degli altri. È l'unico che impara mentre lavora.
Il risultato arriva da UIUC e dalla startup Astraculum. Hanno preso il loro Social World Model, framework presentato quest'anno all'ICML, e l'hanno portato fuori dal laboratorio. Campo di prova: i prediction market, Polymarket e Kalshi. Il prezzo di un mercato è una credenza collettiva messa a verbale. Sessantadue centesimi significano che la folla valuta al sessantadue per cento. La notizia che arriva è l'evento. Il modello impara come le credenze si spostano.
Poi la parte nuova: 390 giorni di dati reali. Dodici finestre mensili, in avanti. Deploy, feedback vero, riaddestramento, di nuovo in campo. Mai indietro.
E il risultato ha un dettaglio duro. I modelli congelati sono finiti sotto la baseline più stupida, quella che copia il prezzo di ieri. Anche i frontier. Il 7B che si aggiorna è stato l'unico a restare sopra.
Cautela: risultati dichiarati preliminari, un solo dominio, replica indipendente ancora da fare. Detto questo, il segnale è grosso.
Come si impara in produzione
Il meccanismo è la parte elegante. Quando l'esito di una previsione si conosce, il modello scrive un'analisi a posteriori: cosa è successo davvero, e perché il mercato si è mosso così. Quella analisi retrospettiva diventa materiale di studio. Poi lo stesso modello si sdoppia: un maestro che vede l'analisi, uno studente che non l'ha mai vista. Il maestro corregge lo studente, token per token.
Lo studente impara il processo, non il numero. Non il prezzo giusto: la catena che porta al prezzo. Evento, reazione, movimento. Quella catena, scritta nei pesi, vale anche il mese dopo.
E sotto? Un'infrastruttura dedicata al ciclo: raccogli il feedback, inferisci, riaddestra, ridistribuisci. Il deployment è pubblico e verificabile: chiunque può giocare contro il modello, mese per mese.
Hai letto "infrastruttura" e hai pensato che sia il dettaglio tecnico. È il prodotto. Senza loop non c'è intelligenza, solo risposte.
Il fossato si sposta
Metti in fila i pezzi.
- Un modello congelato è un'enciclopedia: sa tutto, non impara niente
- Il 7B aggiornato costa una frazione e migliora ogni mese
- Il vantaggio non si compra una volta sola: si accumula, feedback dopo feedback
Il fossato del prossimo anno non è la scala. È il backlog di esperienza.
È la stessa direzione di tutto quello che raccontiamo da mesi: l'efficienza batte la scala. E il caso dei piccoli modelli che battono i giganti ha appena trovato la sua prova più forte. Non un benchmark da laboratorio: dodici mesi di mercato vero.
Per la tua azienda la traduzione è immediata. Ogni giorno produci feedback: preventivi vinti e persi, margini, tempi, errori, correzioni. Oggi quel materiale muore in un CRM. Nessun modello lo assorbe. Il tuo concorrente domani girerà il loop, tu no.
La parte scomoda
Per imparare dai tuoi processi, il modello deve vivere dove i processi accadono. Il ciclo di apprendimento è fatto di dati tuoi: clienti, numeri, decisioni. Se il ciclo gira sul server di qualcun altro, il modello che diventa più bravo non diventa più bravo per te.
E c'è un vincolo legale, non solo tecnico: quei feedback non li puoi spedire in giro. Sono il tuo know-how. Il know-how non è una commodity: è la ragione per cui i tuoi clienti pagano te e non il listino.
I modelli congelati nel cloud restano congelati. Non possono imparare il tuo processo, per contratto e per architettura. La scelta è tra un'enciclopedia in affitto e un sistema che impara a casa tua.
Cosa fai tu
Tre decisioni, in ordine.
- Smetti di comprare solo scala. Compra o costruisci il loop.
- Tratta il feedback come un asset: strutturato, tracciato, tuo.
- Scegli un'architettura che puoi aggiornare dove stanno i dati. Il router è quel pezzo.
Il gigante congelato, contro il prezzo di ieri, ha perso. La sola domanda che resta è: chi impara, e dove impara.
L'AI in casa tua. Con kairion. Il router è qui. Parliamone.