File consolidato con TUTTI i deliverable del drop nuovo episodio. Generato da podcast-promo v4.8 il 2026-09-04. Identifier campaign: ep70_drop

Cheat sheet

Campo	Valore
Titolo	99,9% nel benchmark, 61 nell’indice: il caso GPT-6 Astra
Format	numerato
Episode number	70
Drop date	2026-09-05 13:00 Europe/Rome
YouTube ID	`y79Nb91Akto` → https://www.youtube.com/watch?v=y79Nb91Akto
Spotify Episode ID	`50oM4N7LLJLU3szU2Sh2x7` → https://open.spotify.com/episode/50oM4N7LLJLU3szU2Sh2x7
Apple URL	`null` (da aggiungere post-publish Apple RSS, T+4-24h)
Thumbnail path	`/assets/images/episodes/ep70.png`
Jekyll post path	`_posts/2026-09-05-999-nel-benchmark-61-nellindice-il-caso-gpt-6-astra.md`

1. Titolo

99,9% nel benchmark, 61 nell'indice: il caso GPT-6 Astra

56 char. Numerato: numeri contrapposti + keyword tech (GPT-6 Astra) nel claim.

2. Frasi in sovraimpressione (overlay video)

Citazioni verbatim dal transcript, ancorate al minuto. Distribuite da 05:57 a 1:07:53.

2.1 Frasi brevi (max 10 parole) — 7

[05:57] "Astra fa il 99,9" (3 parole)
[17:58] "Costi per intelligent task: Fable 5.1 sfondiamo nuovi massimi" (9 parole)
[28:47] "C'è qualcosa che non torna sui modelli di punta" (8 parole)
[37:17] "Serve quello che mi dà il risultato medio migliore" (9 parole)
[46:52] "Siamo nella fase di ingegnerizzazione dei modelli" (6 parole)
[53:48] "12,9 miliardi di dollari in contanti di piccola taglia" (9 parole)
[1:07:53] "Io ce l'ho un'etica, non sono Astra" (7 parole)

2.2 Frasi lunghe (max 20 parole) — 3

[08:00] "Maxare il benchmark vuol dire farlo vedere al modello in addestramento" (11 parole)
[41:00] "Stiamo cercando di decidere che macchina devo comprare per portare i figli a scuola" (17 parole)
[54:20] "Usano hardware diverso da Nvidia per fare l'inferenza, 100.000 chip" (11 parole)

Motivazioni: [05:57] numero-shock del caso Astra; [08:00] definisce il sospetto overfitting; [17:58] costo reale per intelligent task; [28:47] tesi scettica sull’indice; [37:17] sintesi dell’episodio; [41:00] metafora Formula 1 vs auto di famiglia; [46:52] claim sull’ingegnerizzazione (Qwen 3.8 Flash Next); [53:48] cifra Nvidia-Hugging Face; [54:20] scoop GLM su Huawei Ascent; [1:07:53] chiusura ad arco, momento comedy.

Nota: timestamp ±15s. In montaggio sovrapponi ogni frase intorno al timestamp indicato, così l’overlay combacia con ciò che si sente.

3. Brief thumbnail + prompt image pronto

Brief

Elemento	Scelta	Derivazione
Hook testo	`BENCHMARK MAXATO?` (16 char)	Claim centrale del titolo, il punto interrogativo preserva il dubbio
Tono emozionale	Scettico / contrarian	Drama tech + sospetto benchmark maxato
Background	`#FFC700` giallo saturo	Tono scettico/shock, non usato negli ultimi 3 drop (rosso, fucsia, verde)
Testo colore	Nero bold, nessun outline	Contrasto massimo su giallo
Composizione	Host a destra ~60% frame, crop dal petto, testo a sinistra centrato verticalmente ~40% width	Template numerato (volto 40%+ frame)
File output	`/assets/images/episodes/ep70.png` (1280×720 min, 16:9)	Convenzione numerato

Workflow: allega la foto reale dell’host a ChatGPT Image 2 nello stesso turn del prompt, PRIMA di incollarlo. La foto è source of truth del volto.

Prompt ChatGPT Image 2 (con face reference)

Create a YouTube thumbnail image, 16:9 aspect ratio, photorealistic style,
1280x720 minimum, suitable for a feed at 246x138 pixels.

Use the attached reference photo of the subject as the basis for the portrait.
Maintain the exact facial features, hair, complexion, and identifiable
likeness with high fidelity. Do NOT alter, idealize, beautify, or stylize the
face. Keep the resemblance as close as possible to the reference photo.

Place the subject in a close-up portrait on the right side of the frame,
occupying about 60% of the composition, cropped from the chest up, angled
slightly toward the text.

Expression: skeptical, contrarian, one eyebrow raised, intense focused gaze.
Not smiling, not stiff corporate, not posed-for-LinkedIn: natural analytical
disbelief.

Background: solid saturated yellow (#FFC700), no elements, no gradient,
uniform.

Lighting: dramatic key light from the left, shallow depth of field, subject
in focus, background perfectly smooth, 85mm portrait lens feel.

Include the text "BENCHMARK MAXATO?" rendered prominently in the image as
bold condensed sans-serif ultra-heavy weight (Anton / Impact / Bebas Neue
style), black (#000000) with no outline on the yellow background, positioned
left side vertically centered, filling approximately 40% of the frame width.
The text must be perfectly legible, crisp, integrated as part of the
composition, not as watermark, every letter rendered correctly.

Style: high-contrast YouTube thumbnail aesthetic, attention-grabbing in
the feed.

Avoid: circular portrait frames, dark blue cosmic backgrounds, multiple
faces, stiff corporate poses, garbled text, obituary aesthetic, altering
or beautifying the subject's facial features beyond what the reference
photo shows.

Se la prima generazione idealizza il volto, rilancia con: “the subject’s facial features must match the reference photo exactly, do not change face shape, jawline, or eye spacing”.

Fallback post-production e verifica pre-upload

Dopo 3-4 tentativi con testo garblato: rigenera senza il blocco Include the text..., aggiungi “BENCHMARK MAXATO?” in Canva/Figma/Photopea (Bebas Neue / Anton / Impact, nero, lato sinistro centrato verticalmente, ~40% frame width), esporta PNG 1280×720.

Checklist:

Leggibilità a 246×138px (preview feed YT Studio)
Volto copre almeno 40% del frame (numerato)
Zero ritratti circolari, zero fondo blu scuro, zero numero episodio
Ogni lettera del testo corretta (niente glyph strani)
Testo leggibile anche in scala di grigi
Safe area bottom-right 20% libera (badge durata YT)
File in /assets/images/episodes/ep70.png, 1280×720 minimo (16:9)

4. Chapters YouTube

00 GPT-6 Astra e il 99,9% su ARC-AGI
18 Overfitting: quando il benchmark è maxato
21 Fable 5.1: costi da record e cache
10 Il nostro benchmark alla pellicano
33 L'indice di Artificial Analysis non torna
40 Coding: conta la sensazione d'uso
04 Formula 1 o auto per la scuola?
18 Qwen 3.8 Flash Next: l'ingegnerizzazione dei modelli
34 Waymo in Europa: inferenza locale su TPU
46 Nvidia compra Hugging Face, GLM su Huawei
00:52 Le licenze open weight cambiano
04:07 Hermes in Gen Z, Q&A e OmniRouter

12 capitoli, precisione timestamp ±15s.

5. Descrizioni YouTube + Spotify + Tag YouTube

5.1 Descrizione YouTube

GPT-6 Astra fa 99,9% su ARC-AGI-3 ma l'indice di intelligenza gli dà 61: il caso del benchmark maxato, spiegato da chi i benchmark li usa tutti i giorni.

OpenAI ha rilasciato GPT-6 Astra con numeri da record su tutta la linea: incrementi a doppia cifra su ogni benchmark e un 99,9% su ARC-AGI-3 che nessun altro modello sfiora. Ma un benchmark maxato, cioè mostrato al modello in addestramento, vale ancora qualcosa? E perché l'indice di intelligenza di Artificial Analysis gli dà 61, lo stesso punteggio di GLM 5.3 Max?

In puntata Stefano, Paolo e Alessio prendono il rilascio e lo girano al contrario: i costi per intelligent task (Fable 5.1 a 3,69 dollari contro 1,67 di Astra, 8.500 dollari per una test suite completa), i pesi che compongono l'indice, il tasso di allucinazioni che nessuno cita. E tutta la parte che i benchmark non raccontano: Qwen 3.8 Flash Next con l'architettura che arriverà su Qwen 4, l'inferenza locale di Waymo scesa da 250 mila a 50 mila dollari grazie a una TPU di Google, Nvidia che compra Hugging Face per 12,9 miliardi in contanti, GLM che serve 100 mila chip Huawei Ascent e le licenze open weight che non sono più MIT puro.

00:00 GPT-6 Astra e il 99,9% su ARC-AGI
06:18 Overfitting: quando il benchmark è maxato
13:21 Fable 5.1: costi da record e cache
23:10 Il nostro benchmark alla pellicano
25:33 L'indice di Artificial Analysis non torna
33:40 Coding: conta la sensazione d'uso
38:04 Formula 1 o auto per la scuola?
43:18 Qwen 3.8 Flash Next: l'ingegnerizzazione dei modelli
48:34 Waymo in Europa: inferenza locale su TPU
53:46 Nvidia compra Hugging Face, GLM su Huawei
1:00:52 Le licenze open weight cambiano
1:04:07 Hermes in Gen Z, Q&A e OmniRouter

Ascolta l'audio anche su Spotify:
https://open.spotify.com/episode/50oM4N7LLJLU3szU2Sh2x7?utm_source=youtube&utm_medium=description&utm_campaign=ep70_drop

Sito, show notes e trascrizione completa:
https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep70_drop

Iscriviti al canale: AI engineering in italiano, senza hype, ogni sabato.

#70

Primi 125 char (snippet YT feed/search): “GPT-6 Astra fa 99,9% su ARC-AGI-3 ma l’indice di intelligenza gli dà 61: il caso del benchmark maxato, spiegato da chi i benchmark li…”

5.2 Descrizione Spotify

GPT-6 Astra fa 99,9% su ARC-AGI-3 ma l'indice di intelligenza gli dà 61: il caso del benchmark maxato.

OpenAI ha rilasciato GPT-6 Astra con numeri da record su tutta la linea, incluso un 99,9% su ARC-AGI-3 che nessun altro modello sfiora. Ma un benchmark mostrato al modello in addestramento vale ancora qualcosa? E perché l'indice di Artificial Analysis gli assegna 61, pari a GLM 5.3 Max?

Stefano, Paolo e Alessio smontano i numeri del rilascio: i costi per intelligent task di Fable 5.1, i pesi che compongono l'indice, il tasso di allucinazioni. Poi tutto ciò che i benchmark non dicono: Qwen 3.8 Flash Next e l'architettura di Qwen 4, l'inferenza locale di Waymo scesa da 250 a 50 mila dollari, Nvidia che compra Hugging Face per 12,9 miliardi, GLM su 100 mila chip Huawei e le licenze open weight non più MIT puro.

La sintesi: non serve il modello più performante in assoluto, serve quello che dà il risultato medio migliore al minor costo.

Video completo su YouTube:
https://www.youtube.com/watch?v=y79Nb91Akto&utm_source=spotify&utm_medium=description&utm_campaign=ep70_drop

Segui il podcast per il consueto appuntamento del sabato.

#70

Primi 100 char (snippet Spotify): “GPT-6 Astra fa 99,9% su ARC-AGI-3 ma l’indice di intelligenza gli dà 61: il caso del benchmark maxato.”

5.3 Tag YouTube custom

Termini chiave dal transcript: GPT-6 Astra, ARC-AGI-3, overfitting, Artificial Analysis, Fable 5.1, costi per intelligent task, Qwen 3.8 Flash Next, Waymo, Nvidia, Hugging Face, GLM 5.3, Huawei Ascent, licenze open weight.

GPT-6 Astra,benchmark LLM,ARC-AGI 3,overfitting,OpenAI,Artificial Analysis,Fable 5.1,Anthropic,costi LLM,inferenza locale,Qwen 3.8 Flash Next,Waymo,Nvidia Hugging Face,GLM 5.3,Huawei Ascent,open weight,AI engineering italiano,podcast AI italiano,intelligenza artificiale

19 tag, ~60% IT / ~40% EN, pronti per YouTube Studio > Dettagli > Tag.

6. YouTube Shorts script + Spotify Clip spec

6.1 YouTube Shorts script

Segmento: [07:35 - 08:27] (~52s), voce Stefano, zero cross-talk. È il claim centrale dell’episodio (il benchmark maxato) con chiusura ironica, completo e self-contained.

Script (montaggio del segmento reale):

Hook 0-3s: “Ci vorranno mesi o anni per maxare questo benchmark. Ecco: ci ha messo settimane.” (taglia la ripetizione “ci ha mette” in edit)
Corpo 3-40s: “Poi hanno maxato il benchmark, che in gergo maxare il benchmark vuol dire farlo vedere al modello in addestramento, e quindi poi per forza capace di farlo. Di solito accusano i cinesi di fare qualcosa lì, però non so se chi scaglia la prima pietra…”
Cliffhanger 40-50s: “…il primo che alza la mano e dice chi ha fatto la scorreggia, poi è lui che l’ha fatta.” + overlay “Ma allora il 99,9% conta?”
CTA 50-60s: “Il caso GPT-6 Astra completo nell’episodio, link nel primo commento.”

Testo overlay mute-friendly:

99,9% su ARC-AGI-3
MAXARE = farlo vedere in addestramento
Chi accusa... sei sicuro?
L'episodio completo è sul canale

Descrizione Shorts:

Il 99,9% di GPT-6 Astra su ARC-AGI-3, spiegato in 60 secondi. L'episodio completo: https://www.youtube.com/watch?v=y79Nb91Akto&utm_source=youtube_short&utm_medium=description&utm_campaign=ep70_drop

Pinned comment:

L'episodio completo: https://www.youtube.com/watch?v=y79Nb91Akto&utm_source=youtube_short&utm_medium=pinned&utm_campaign=ep70_drop

Publishing: STESSO GIORNATE del long-form, sabato 2026-09-05 ~13:30 Europe/Rome (strategia canale: Short del drop a drop day, gap 30-60 min). Schedulabile in anticipo, YT genera l’URL all’upload.

6.2 Spotify Clip spec

Segmento: [40:36 - 42:06] (~90s), voce Paolo, una voce sola, self-contained. Complementare allo Short (scetticismo sul numero vs metafora dell’acquisto reale). È il momento più memorabile e il più adatto ai non-follower.

Trascrizione (verbatim ripulita): “Talvolta sembra che, se facessimo una trasposizione di questo lavoro dei modelli, è come se parlassimo di automobili. Da un lato guardiamo le macchine di Formula 1 che vanno 300 all’ora su un circuito, ma sono praticamente delle astronavi. Ma poi in pratica stiamo cercando di decidere tra di noi che macchina devo comprare per portare i figli a scuola, e i criteri non sono gli stessi: non guardo la velocità, guardo il rapporto costi qualità, l’efficienza, una curva dove la media è il valore più significativo, non tanto il valore massimo raggiunto.”

Overlay Spotify: Quale macchina compri per la scuola? Titolo Clip (39 char): I modelli LLM non sono auto di Formula 1

Publishing: STESSO MOMENTO del drop (sabato 2026-09-05 13:00), zero gap.

7. Post LinkedIn (host)

GPT-6 Astra fa 99,9% su ARC-AGI-3. L'indice di intelligenza di Artificial Analysis gli dà 61, lo stesso punteggio di GLM 5.3 Max.

Uno dei due numeri dice qualcosa che non torna.

Abbiamo passato la puntata a girare il rilascio al contrario: un benchmark "maxato" è un benchmark che il modello ha già visto in addestramento, e a quel punto il 99,9% si legge in un altro modo. Abbiamo guardato i costi per intelligent task (una test suite completa: 8.500 dollari con Fable 5.1, 3.000 con GPT-6), i pesi con cui l'indice aggrega i benchmark e il tasso di allucinazioni che nessuno cita nei thread entusiasti.

E siamo finiti dove finiamo di solito: a cercare la macchina giusta per portare i figli a scuola, non la Formula 1. Ormai il modello giusto è quello che dà il risultato medio migliore, al costo minore, nel tempo minore. Non è solo sensazione: Google la pensa così con Gemini Flash, e Qwen 3.8 Flash Next sta ingegnerizzando i modelli per girare su hardware normale.

Episodio completo (dentro c'è anche Waymo scesa a 50 mila dollari di allestimento e Nvidia che compra Hugging Face per 12,9 miliardi):
https://www.youtube.com/watch?v=y79Nb91Akto&utm_source=linkedin&utm_medium=post&utm_campaign=ep70_drop

#AIEngineering #LLM #GPT6 #Benchmark

~195 parole. Publishing hint: martedì 2026-09-08 14:00 Europe/Rome (+3 giorni dal drop, peak audience italiano).

Modalità bullet (30-50 parole), da inserire in intro:

- Sabato è uscito "99,9% nel benchmark, 61 nell'indice: il caso GPT-6 Astra": smontiamo i numeri del rilascio OpenAI, i costi reali per intelligent task e perché l'indice di Artificial Analysis non torna. Ascolta: https://www.youtube.com/watch?v=y79Nb91Akto&utm_source=codiceartificiale&utm_medium=newsletter&utm_campaign=ep70_drop

35 parole effettive. Publishing: prossima edizione regolare di codiceartificiale, nessun orario forzato.

9. Guest Launch Kit (solo se intervista)

Sezione omessa — non applicabile a episodi numerati.

10. Checklist Publishing

PRE-DROP (T-1gg, venerdì 2026-09-04):

Genera thumbnail dal prompt del cap. 3 (ChatGPT Image 2 + foto reale) → /assets/images/episodes/ep70.png
Monta le frasi in sovraimpressione nel video (cap. 2, timestamp ±15s)
Commit + push: post Jekyll + thumbnail + promo file
YouTube Studio: titolo (cap. 1) / descrizione (cap. 5.1) / tag (cap. 5.3) / capitoli (cap. 4) / thumbnail + visibilità Programmata sabato 13:00
Spotify for Creators: metadati + descrizione (cap. 5.2) + publish programmato sabato 13:00
Prepara Spotify Clip [40:36-42:06] (cap. 6.2) per pubblicarla a drop
Edita + schedula YT Short [07:35-08:27] per sabato ~13:30 (drop day)
codiceartificiale: bullet del cap. 8 nella prossima edizione

DROP (sabato 2026-09-05):

13:00 YouTube long-form pubblica automatico
13:00 Spotify episodio pubblica automatico
13:00 Spotify Clip: pubblica SUBITO (zero gap)
~13:30-14:00 YT Short (stesso giorno del drop, gap 30-60 min)
Pinned comment sullo Short (template cap. 6.1)
Verifica thumbnail rendering + CTR primi 30 min

POST-DROP:

Mar 2026-09-08 14:00 LinkedIn post (cap. 7)
codiceartificiale prossima edizione (cap. 8)
T+4-24h: Apple URL retrofit via RSS → campo apple_episode_url del frontmatter Jekyll

MONITORING:

T+7 (sab 2026-09-12): CTR YT, retention, Spotify plays vs storico
T+30 (lun 2026-10-05): engagement cumulato, eventuale Test & Compare thumbnail

11. Link rapidi

YT Studio deep-link al video: https://studio.youtube.com/video/y79Nb91Akto/edit
Spotify for Creators: https://creators.spotify.com
Jekyll post path: _posts/2026-09-05-999-nel-benchmark-61-nellindice-il-caso-gpt-6-astra.md
Thumbnail path: /assets/images/episodes/ep70.png
LinkedIn company: https://www.linkedin.com/company/risorseartificiali
Substack codiceartificiale: https://codiceartificiale.substack.com

12. Note operative

Apple URL: il frontmatter Jekyll ha # apple_episode_url: commentato. Quando Apple Podcasts auto-pubblica via RSS (T+4-24h dal drop), estrai l’URL e decommenta il campo con un micro-commit separato.
Preservazione engagement history: NON re-uploadare video/audio dopo il drop. Per correzioni di titolo/descrizione usa edit in-place su YT Studio e Spotify Creators.
UTM campaign: tutti i link in questo file usano ep70_drop. Non modificarlo nelle pubblicazioni (altrimenti perdi attribution cross-piattaforma).
Frasi overlay: verbatim e ancorate al minuto. In montaggio sovrapponi ogni frase intorno al timestamp (±15s).
Short del drop: pubblica lo Short lo STESSO giorno del long-form (gap 30-60 min), non il lunedì successivo. Canale a regime: 6 Shorts/settimana (5 Lun-Ven derivati + 1 a drop day).
Thumbnail iteration: se dopo 48h il CTR YT è sotto target, usa YT Studio Test & Compare per A/B test (rigenera il prompt del cap. 3 variando palette/espressione).
Rilancio futuro: se a T+90gg l’episodio sottoperforma, considera nuova thumbnail via thumbnail-gen v1.1 (per numerati).
Workflow tip: la thumbnail è al cap. 3 (early nel flusso). Lancia in parallelo ChatGPT Image 2 (con foto reference) così hai già la thumbnail pronta per YT Studio.

13. End screen + YT Cards (suggerito da youtube-cross-link v1.2)

Campo	Valore
Titolo target	Era stealth, era GLM: 5.3 Flash e i numeri da giganti (ep69)
YT ID	`_C22mIG9LZs`
Durata	71:20
Views (al 2026-09-04)	N/D (flat-playlist non espone view_count)
Pubblicato	2026-08-29
URL	https://www.youtube.com/watch?v=_C22mIG9LZs

Razionale: è il callback più diretto dell’intero canale. L’episodio corrente chiude il cerchio aperto sette giorni fa: ep69 annunciava Nvidia-Hugging Face come voce (“Nvidia compra Hugging Face: il parallelo GitHub”, min 20:30) che in ep70 diventa ufficiale per 12,9 miliardi; il capitolo “GLM 5.3 Flash: benchmark, costi, 6B attivi” (min 56:25) è il presupposto della discussione su Z.AI/Huawei Ascent; e Free LLM API (ep69) riceve in ep70 il follow-up OmniRouter. Score 0.77 (semantic 0.95, recency 0.97). Vince come end screen perché offre la continuazione naturale della terna Cina-hardware-open weight, non un semplice accenno.

Setup in YT Studio (operativo, ~90s):

YT Studio → Content → seleziona video corrente → Editor → End screen
Aggiungi elemento → Subscribe (canale Risorse Artificiali, già selezionato di default)
Aggiungi elemento → Video → Specific video → incolla URL sopra
Layout: pre-set “Subscribe + 1 video”. Posiziona negli ultimi 20 secondi (timestamp consigliato: ~72:50 → fine).
Save.

YT Cards — 5 cards a timestamp specifici del video corrente

Le YT Cards si configurano in YT Studio → Editor video → Cards. Ogni card mostra un teaser nell’angolo superiore destro per 5-10 secondi al timestamp impostato, poi resta cliccabile come icona “i” fino a fine video.

Card 1 — Mostra al min `13:21` del video corrente

Campo	Valore
Linka video	Fable, GPT 5.6 e tanti modelli cinesi (ep61)
YT ID target	`Xsmd-qbtgVA`
URL	https://www.youtube.com/watch?v=Xsmd-qbtgVA
Tema della card	Costi reali dei modelli
Custom message (opzionale)	Costi reali dei modelli
Teaser text (opzionale)	Quanto costa davvero Fable

Razionale: al min 13:21 si apre il capitolo “Fable 5.1: costi da record e cache” (3,69 dollari per intelligent task, 8.500 dollari di test suite). Ep61 al min 32:33 (“Costi reali: Fable, Grok e Sonnet più di Opus”) affronta lo stesso tema con l’angolo del confronto storico tra modelli, e al min 1:00:34 (“LongCat 2.0 trainato su chip Huawei”) anticipa proprio lo scoop Huawei ripreso in questo episodio. La card aggancia il viewer nel momento di massima rilevanza tematica.

Card 2 — Mostra al min `25:33` del video corrente

Campo	Valore
Linka video	L’AGI è un asintoto: perché non serve la perfezione (ep65)
YT ID target	`ay18maVnX_k`
URL	https://www.youtube.com/watch?v=ay18maVnX_k
Tema della card	Benchmark e scetticismo sui punteggi
Custom message (opzionale)	Benchmark inversi
Teaser text (opzionale)	Quanto sbagli, non quanto sai

Razionale: al min 25:33 parte la polemica sull’indice di Artificial Analysis (Astra Max a 61). Ep65 al min 12:55 (“Benchmark inversi: non cosa sai fare, quanto sbagli”) è l’episodio più coerente sul tema “i punteggi non dicono quello che sembrano”, e al min 27:41 tratta Inkling/Thinking Machines Lab, la stessa realtà citata nella polemica dei 42 punti. Complementare, non ridondante.

Card 3 — Mostra al min `43:18` del video corrente

Campo	Valore
Linka video	Bannato da GLM: hybrid routing con LiteLLM (ep68)
YT ID target	`Y7gkGLG4LPY`
URL	https://www.youtube.com/watch?v=Y7gkGLG4LPY
Tema della card	Qwen 3.8 e modelli open nel quotidiano
Custom message (opzionale)	Qwen 3.8 in locale
Teaser text (opzionale)	Coding su 16 giga

Razionale: al min 43:18 si discute Qwen 3.8 Flash Next e l’architettura di Qwen 4. Ep68 al min 19:55 (“Qwen 3.8 27B: coding su 16 giga”) è l’esperienza pratica dello stesso modello su hardware modesto, e al min 46:15 (“Report Hugging Face sui modelli open”) fornisce il contesto del mercato open weight citato a più riprese nell’episodio corrente. Dalla teoria architetturale alla pratica.

Card 4 — Mostra al min `48:34` del video corrente

Campo	Valore
Linka video	Physical AI: VLA contro World Model (ep58)
YT ID target	`8Dlsukidue4`
URL	https://www.youtube.com/watch?v=8Dlsukidue4
Tema della card	Guida autonoma e edge inference
Custom message (opzionale)	Waymo e guida autonoma
Teaser text (opzionale)	Robotica su quattro ruote

Razionale: al min 48:34 si apre il capitolo Waymo (allestimento da 250 a 50 mila dollari, TPU locale, arrivo in Europa). Ep58 al min 10:36 (“Edge, cloud e i dati di Tesla e Waymo”) e al min 1:03:39 (“Guida autonoma in Europa e sovranità”) trattano esattamente il binomio edge-vs-cloud e l’arrivo in Europa, con l’angolo della robotica. È l’unico candidato con doppio capitolo dedicato al tema.

Card 5 — Mostra al min `1:00:52` del video corrente

Campo	Valore
Linka video	Open weight con l’asterisco: cosa Qwen non ha rilasciato (ep67)
YT ID target	`Fv1Uf-TksLM`
URL	https://www.youtube.com/watch?v=Fv1Uf-TksLM
Tema della card	Licenze open weight
Custom message (opzionale)	Licenze open weight
Teaser text (opzionale)	Open, con l’asterisco

Razionale: al min 1:00:52 parte “Le licenze open weight cambiano” (GLM 5.3 non più MIT, MiniMax M3 retroattivo, ipotesi licenza OEM). Ep67 è l’episodio-madre di questo tema: dal min 16:14 (“Minimax H3 e le licenze per regione”) al min 1:07:37 (“La fine dei modelli open? Al contrario”), con in apertura proprio “Qwen 3.8 senza Max” (00:00). Continuità perfetta di una serie tematica interna al canale.

Setup in YT Studio (cards, operativo ~5min)

YT Studio → Content → video corrente → Editor → Cards
Per ogni card sopra: a. Click “Aggiungi card” → Tipo “Video” → incolla URL del video target b. Imposta “Show card at” al timestamp indicato c. (Opzionale) Compila Custom message + Teaser text dai campi della tabella
Aggiungi tutte e 5 in una sessione, poi un solo Save a fine.
Verifica: riproduci il video, scorri ai timestamp, controlla il teaser (~5s nell’angolo superiore destro).

Distribuzione timestamp lungo l’episodio

Card	Timestamp video corrente	Posizione relativa
Card 1	13:21	18% (primi 15-20%)
Card 2	25:33	35%
Card 3	43:18	60%
Card 4	48:34	67%
Card 5	1:00:52	83% (verso la fine, prima dell’end screen)

Score breakdown (trasparenza algoritmo)

Video	Score finale	Semantic	Recency	Note
ep69 Era stealth, era GLM	0.77	0.95	0.97	end screen: callback diretto Nvidia-HF/ox-alpha/Free LLM
ep67 Open weight con l’asterisco	0.67	0.80	0.92	card 5: tema licenze open weight
ep68 Bannato da GLM	0.63	0.72	0.95	card 3: Qwen 3.8 locale + report HF open
ep65 L’AGI è un asintoto	0.62	0.72	0.88	card 2: benchmark inversi + Inkling
ep61 Fable, GPT 5.6 e cinesi	0.62	0.75	0.81	card 1: costi reali + LongCat/Huawei
ep58 Physical AI	0.55	0.66	0.77	card 4: Waymo/edge/guida autonoma Europa

Note operative

Cards visibili sia su mobile che desktop: teaser di pochi secondi al timestamp, poi icona “i” cliccabile fino a fine video.
End screen e ultimi secondi: lascia 15-20 secondi finali con outro pulito (no contenuto critico sovrapposto).
Misurazione: YT Studio → Analytics → Engagement → “End screens” e “Cards”. Soglie: CTR card > 2% buono, > 4% ottimo.
Refresh cache canale: valida 5 giorni (prossimo refresh suggerito: 2026-09-09).
Re-invocazione: se a T+30gg il CTR è sotto soglia, re-invoca la skill: il capitolo #13 viene sovrascritto dopo conferma.
Nessun match decente: non applicato, tutti i selezionati hanno score >= 0.55.

Promo — 99,9% nel benchmark, 61 nell’indice: il caso GPT-6 Astra