Atria Dawn Preview, l’agente AI open da 744 miliardi di parametri che sfida GPT e Claude

Nel fine settimana su Hugging Face è comparso un repository senza annuncio, senza un post sul blog e senza listino prezzi. Dentro, però, c’era qualcosa di tutt’altro che silenzioso: Atria Dawn Preview, un modello agentico da 744 miliardi di parametri pubblicato dallo Shanghai AI Laboratory con licenza MIT. Nel giro di poche ore diversi osservatori hanno iniziato a testarlo, e i primi numeri hanno acceso il dibattito, perché su un benchmark chiave per gli agenti che navigano il web il modello cinese si colloca davanti a GPT-5.6 Sol di OpenAI e a Claude Opus 5 di Anthropic.

Se segui la corsa ai modelli di frontiera, questa storia ti riguarda per due motivi. Il primo è tecnico: un agente open pensato per compiti lunghi e complessi che regge il confronto con i sistemi proprietari più costosi. Il secondo è strategico, e riguarda il modo in cui è stato rilasciato: prima i pesi, poi il paper, una sequenza che cambia il ritmo con cui un modello di questa potenza entra nelle infrastrutture di tutto il mondo.

Cosa è Atria Dawn Preview e perché se ne parla

Atria Dawn Preview è un modello a mistura di esperti, in inglese mixture of experts, costruito sopra la base GLM-5.2 da 744 miliardi di parametri che Z.ai aveva rilasciato a giugno. In pratica lo Shanghai AI Lab non è partito da zero: ha preso quel modello e lo ha sottoposto a una fase di post-training mirata a trasformarlo in un agente capace di pianificare, usare strumenti, scrivere codice ed eseguire esperimenti in autonomia.

Vale la pena chiarire cosa significa qui la parola “agentico”, perché fa la differenza. Non si parla di un chatbot che risponde a una domanda e si ferma, ma di un sistema che affronta un obiettivo aperto, lo scompone in passaggi, prova una strada, verifica il risultato e, se sbaglia, torna indietro e corregge. È la stessa logica che troverai sempre più spesso negli assistenti di programmazione e negli strumenti di ricerca automatizzata.

Il modello arriva con una finestra di contesto da 256.000 token e viene distribuito in due versioni, una standard e una quantizzata in FP8, sia su Hugging Face sia su ModelScope. La licenza è MIT, la più permissiva in circolazione: puoi scaricare i pesi, ospitarli sui tuoi server e usarli anche in contesti commerciali senza pagare royalty.

La sigla “Preview” non è solo marketing. Indica una versione anticipata, pensata per raccogliere feedback e mostrare la direzione presa dal laboratorio, più che un prodotto finito con garanzie di stabilità.

Un rilascio silenzioso che ribalta le abitudini

La parte più curiosa è la tempistica. Il repository è andato online l’11 settembre, il checkpoint FP8 il giorno dopo, e solo il 14 settembre è arrivato su arXiv il report tecnico che spiega davvero cosa sia il modello e come sia stato addestrato. In altre parole, i pesi hanno circolato per giorni prima che esistesse una documentazione ufficiale.

È l’esatto contrario della prassi consolidata, dove prima si pubblica il paper, poi si aprono i test e infine, se tutto va bene, si distribuiscono i pesi. Qui la sequenza è invertita, e questo comprime la finestra di controllo che di solito accompagna l’ingresso di un modello di frontiera nel mondo reale.

Il report, per inciso, porta la firma di oltre 140 autori e un titolo ambizioso, “Atria Dawn: The Dawn of Agentic Superintelligence”, l’alba della superintelligenza agentica. Una promessa enorme che, come vedremo, conviene prendere con le pinze.

I numeri dichiarati: BrowseComp, AutomationBench e i sedici benchmark

Veniamo ai risultati, che sono la ragione per cui il modello ha fatto rumore. Su BrowseComp, il test che misura quanto bene un agente sa cercare informazioni navigando il web in autonomia, Atria Dawn Preview segna 92,5, davanti al 92,2 di GPT-5.6 Sol e al 90,8 di Claude Opus 5. Sono margini piccoli, ma sufficienti per prendersi la vetta di una classifica dominata finora dai laboratori americani.

Su AutomationBench, che valuta l’automazione di compiti lunghi di ricerca e ingegneria, il punteggio dichiarato è 53,8, anch’esso al primo posto. Nel complesso il paper sostiene che il modello è competitivo con i migliori agenti di frontiera su sedici benchmark che spaziano tra ricerca, ingegneria e lavoro digitale, e che ottiene il punteggio più alto mai riportato su cinque di essi.

Qui però serve prudenza. Tutti questi numeri sono dichiarati da chi ha costruito il modello. Al momento nessun valutatore indipendente, come Artificial Analysis, ha ancora verificato le prestazioni: finché non arrivano i test esterni, i primati vanno letti come promesse e non come certezze.

C’è anche un punto debole già emerso. Su SWE-bench Pro, un banco di prova per gli agenti che scrivono e correggono codice, il modello si ferma a 59,6 contro il 74,7 di Claude, un divario netto proprio nell’area in cui i sistemi occidentali restano più solidi.

Il metodo: esperienza verificabile e collaborazione con l’uomo

La novità più interessante non è un singolo numero, ma il modo in cui il modello è stato addestrato. Gli autori descrivono una Verifiable Experience Pipeline, una pipeline di esperienza verificabile che collega le azioni del modello, cioè l’uso degli strumenti, ad ambienti eseguibili e a esiti controllati dall’esterno.

Il principio è semplice da enunciare e difficile da realizzare: invece di premiare risposte che sembrano giuste, si premia il modello solo quando il risultato è concretamente verificabile, per esempio un codice che gira davvero o un esperimento che produce l’output atteso. È un modo per ancorare l’apprendimento alla realtà e ridurre le allucinazioni nei compiti operativi.

Attorno a questo metodo ruota lo studio forse più significativo dell’intero report. Durante lo sviluppo, il laboratorio ha raccolto 769 registrazioni di attività svolte da 56 partecipanti che hanno lavorato fianco a fianco con il modello.

Circa un terzo dei compiti portati a termine è stato giudicato dai partecipanti stessi come “irrealizzabile senza l’AI”. Gli autori raccontano una dinamica in cui gli agenti propongono metodi e implementano modifiche, mentre le persone mantengono la maggior parte delle decisioni finali e guidano l’esplorazione con giudizio ed esperienza. Non più semplice esecuzione di singoli compiti, dunque, ma quella che definiscono una partnership a livello di progetto.

Cosa cambia davvero: licenza MIT, costi e la corsa open cinese

La licenza MIT è il vero moltiplicatore di impatto. Non ci sono limiti al numero di chiamate, non c’è una bolletta a consumo che cresce con l’uso e non c’è il rischio che un laboratorio riprezzi l’accesso da un giorno all’altro. Per chi costruisce prodotti, questa prevedibilità vale quanto qualche punto di benchmark, se non di più.

Attenzione però a non confondere gratuito con economico. Ospitare un modello da 744 miliardi di parametri significa gestire tra i 756 gigabyte e 1,5 terabyte di pesi: il costo non sparisce, si sposta semplicemente dall’API all’infrastruttura. Serve hardware serio, e non tutti possono permetterselo. Per chi non vuole ospitarlo in proprio, il laboratorio ha comunque attivato endpoint gestiti, con un indirizzo per il traffico internazionale e uno dedicato alla Cina.

C’è poi il quadro d’insieme. Atria Dawn è l’ultimo capitolo di una strategia cinese sempre più aggressiva sull’open weight. Nei mesi scorsi Alibaba ha presentato Qwen 3.8, il suo modello open-weight da 2400 miliardi di parametri, mentre Moonshot AI ha rilasciato Kimi K3, il più grande modello open mai reso pubblico. Sullo sfondo si muovono i capitali, con DeepSeek verso un round da 7,4 miliardi e una possibile IPO.

Il messaggio è chiaro. Mentre buona parte dei laboratori occidentali discute di guardrail e di prudenza, quelli cinesi puntano a diffondere i pesi il più rapidamente possibile, facendo dell’apertura una leva competitiva oltre che geopolitica.

Per te che lavori con questi strumenti, il risultato pratico è un ventaglio di opzioni open sempre più credibile. La distanza dai modelli proprietari, almeno su alcuni compiti agentici, si sta assottigliando in fretta.

Cosa aspettarti nelle prossime settimane

Atria Dawn Preview è una fotografia scattata in movimento. Mancano ancora le verifiche indipendenti, manca un’API ufficiale stabile con un listino trasparente e manca la controprova sul campo, quella che arriva solo quando migliaia di sviluppatori mettono le mani su un modello e ne scoprono pregi e limiti reali.

Nei prossimi giorni è probabile che compaiano i primi benchmark di terze parti e le prime integrazioni negli strumenti che usi ogni giorno. Sarà quello il momento in cui capiremo se i numeri dichiarati reggono alla prova dei fatti o se, come spesso accade, la realtà è più sfumata delle classifiche.

Se vuoi farti un’idea diretta, puoi consultare il modello sulla sua pagina ufficiale su Hugging Face e continuare a seguire gli aggiornamenti qui sul sito, dove verifichiamo e raccontiamo come si muove la frontiera dell’intelligenza artificiale. E tu, saresti pronto ad affidare a un agente open un intero progetto, oppure preferiresti tenere per te l’ultima parola sulle decisioni chiave?