File consolidato con TUTTI i deliverable del drop nuovo episodio. Generato da
podcast-promov4.8 il 2026-10-30. Identifier campaign:ep78_drop
| Campo | Valore |
|---|---|
| Titolo | Modelli frontiera ogni 2 settimane: come stare al passo |
| Format | numerato |
| Episode number | 78 |
| Drop date | 2026-10-31 13:00 Europe/Rome |
| YouTube ID | DLUnJi5YFrA → https://www.youtube.com/watch?v=DLUnJi5YFrA |
| Spotify Episode ID | 6v5rX5ZSATUk94OF39gxVv → https://open.spotify.com/episode/6v5rX5ZSATUk94OF39gxVv |
| Apple URL | null (da aggiungere post-publish Apple RSS, T+4-24h) |
| Thumbnail path | /assets/images/episodes/ep78.png |
| Jekyll post path | _posts/2026-10-31-modelli-frontiera-ogni-2-settimane-come-stare-al-passo.md |
| Durata | 1:11:31 (PT1H11M31S) |
Modelli frontiera ogni 2 settimane: come stare al passo
55 char, keyword-first (“modelli frontiera” in apertura), angolo pratico per chi deve scegliere quale usare.
[04:00] "Ho detto bomba, questo cambia il mondo" (7 parole)
[06:15] "Un'app per il cellulare senza sapere niente di cellulare" (10 parole)
[08:40] "Processava il video di un'ora in due minuti" (8 parole)
[13:20] "I modelli possono essere trainati sulle domande del benchmark" (9 parole)
[25:10] "La stessa domanda con mezzo miliardo di token: 6-7 euro" (10 parole)
[53:30] "Quella informazione è quasi mai vera" (6 parole)
[1:04:00] "Quello che cambia davvero è l'efficienza per watt" (8 parole)
[27:50] "Questo vi dà l'idea del passo con cui d'ora in poi rilasceremo i modelli di frontiera" (16 parole)
[31:00] "Se sei una banca devi assicurarti che la risposta di ieri sia la stessa di oggi" (16 parole)
[1:10:05] "Non è tanto il jailbreak, è quello che hanno scoperto che le televisioni fanno" (14 parole)
Nota: timestamp ±15s, frasi verbatim dal transcript (overlay combacia con l’audio).
Motivazioni: 04:00 claim a-moment di Stefano sul primo GPT; 06:15 momento vibe coding; 08:40 Parakeet di Paolo; 13:20 contaminazione benchmark; 25:10 costo reale contesto pieno; 53:30 scetticismo sul WER; 1:04:00 sintesi blocco RTX; 27:50 tweet di Pichai (claim dell’episodio); 31:00 contrappunto enterprise (ispirazione del titolo); 1:10:05 cliffhanger TV jailbreakate.
OGNI 2 SETTIMANE (3 parole, 15 char)#FFC700 giallo scettico (ultimi drop: ep77 verde, ep76 fucsia, ep75 rosso)/assets/images/episodes/ep78.png, 1280x720 minimoAllega PRIMA la foto reference dell’host nello stesso turn, poi incolla:
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 55-60% of the composition, cropped from the chest up, slight
3/4 profile angle.
Expression: skeptical and focused, one eyebrow slightly raised, intense
measured gaze slightly off-camera, as if reacting to a release cadence that
is hard to believe. Not smiling, not stiff corporate, not posed-for-LinkedIn.
Background: solid saturated dark 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 "OGNI 2 SETTIMANE" rendered prominently in the image as
bold condensed sans-serif ultra-heavy weight (Anton / Impact / Bebas Neue
style), black text with no outline, 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 dopo 3-4 tentativi il testo esce sporco: rigenera senza il blocco “Include the text…”, poi aggiungi OGNI 2 SETTIMANE a mano in Canva/Figma/Photopea (font Anton / Bebas Neue / Impact, nero, no outline, lato sinistro centrato, ~40% larghezza frame), esporta PNG 1280x720 o 1920x1080.
Checklist pre-upload:
/assets/images/episodes/ep78.png, 1280x720 minimo00:00 Momenti a-moment: da GPT 2022 alla vibe coding
12:20 Artificial Analysis rifà gli indici di intelligenza
18:00 GPT Terra 6.1: orchestratore multi-agente economico
23:00 Token input, contesti lunghi e costi reali
26:45 Gemini Carbon: un modello frontiera ogni 2 settimane
31:00 Release frequenti: il punto di vista enterprise
35:10 Grokbot e Instinct: agenti consumer su WhatsApp
40:20 Nemotron Transcribe 3.5: cosa fa davvero
46:40 Modelli specializzati e il costo del fine-tuning
52:45 Word Error Rate: quanto fidarsi dei numeri
58:35 RTX 30 e 40 sbloccate: i due registri
1:04:00 Efficienza per watt: pre-fill e quantizzazione
1:09:45 Lampadine, TV jailbreakate e saluti
Precisione timestamp ±15s.
Un modello frontiera ogni 2 settimane: Gemini Carbon esce a 14 giorni da Argon e Sundar Pichai promette che il passo resterà tale. Cosa significa per chi usa questi modelli in produzione?
Nell'episodio 78 di Risorse Artificiali, Stefano, Paolo e Alessio partono dal tweet di Pichai e dal nuovo indice di Artificial Analysis (per il 60% chiuso, per evitare la contaminazione dei benchmark) per ragionare su come stare al passo senza perdere il controllo: riproducibilità per l'enterprise, costi reali dei token input nei contesti lunghi, e la scelta consapevole del modello giusto per ogni caso d'uso, tra Nemotron Transcribe e i modelli specializzati.
Nel blocco hardware: come due registri bloccati in fabbrica limitano le RTX 30 e 40, cosa cambia davvero (efficienza per watt, pre-fill in FP16) e perché non va al doppio.
Capitoli:
00:00 Momenti a-moment: da GPT 2022 alla vibe coding
12:20 Artificial Analysis rifà gli indici di intelligenza
18:00 GPT Terra 6.1: orchestratore multi-agente economico
23:00 Token input, contesti lunghi e costi reali
26:45 Gemini Carbon: un modello frontiera ogni 2 settimane
31:00 Release frequenti: il punto di vista enterprise
35:10 Grokbot e Instinct: agenti consumer su WhatsApp
40:20 Nemotron Transcribe 3.5: cosa fa davvero
46:40 Modelli specializzati e il costo del fine-tuning
52:45 Word Error Rate: quanto fidarsi dei numeri
58:35 RTX 30 e 40 sbloccate: i due registri
1:04:00 Efficienza per watt: pre-fill e quantizzazione
1:09:45 Lampadine, TV jailbreakate e saluti
Spotify: https://open.spotify.com/episode/6v5rX5ZSATUk94OF39gxVv?utm_source=youtube&utm_medium=description&utm_campaign=ep78_drop
Sito: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep78_drop
Iscriviti al canale: parliamo di AI Engineering in italiano, per chi la scrive.
#78
~220 parole (capitoli inclusi). Primi 125 char (snippet YT feed/search): “Un modello frontiera ogni 2 settimane: Gemini Carbon esce a 14 giorni da Argon e Sundar Pichai promette che il passo resterà tale.”
Un modello frontiera ogni 2 settimane: il passo promesso da Google dopo Gemini Carbon, a 14 giorni da Argon. Ma come si sta al passo se la risposta di ieri deve essere la risposta di oggi?
Nell'episodio 78 di Risorse Artificiali, Stefano, Paolo e Alessio ragionano sul nuovo ritmo di rilascio dei modelli e su cosa cambia per chi li usa davvero: il nuovo indice di Artificial Analysis e la contaminazione dei benchmark, GPT Terra 6.1 come orchestratore multi-agente, i costi reali dei token input nei contesti lunghi (da qualche centesimo a 6-7 euro a chiamata), il punto di vista enterprise sulla riproducibilità.
Poi i modelli specializzati con Nemotron Transcribe 3.5, il Word Error Rate e quanto fidarsi dei numeri dichiarati, e l'hacking delle RTX 30 e 40: due registri impostati in fabbrica, il doppio delle operazioni e l'efficienza per watt.
Qui su Spotify trovi l'episodio completo. Se il podcast ti è utile, seguici: è il modo migliore per non perdere i prossimi episodi. E se preferisci il video, lo trovi su YouTube.
#78
~190 parole, no timestamp, CTA follow. Primi 100 char (snippet Spotify): “Un modello frontiera ogni 2 settimane: il passo promesso da Google dopo Gemini Carbon, a 14 giorni”
gemini carbon, gpt terra, modelli frontiera, artificial analysis, AI engineering, intelligenza artificiale, LLM, agenti AI, benchmark AI, contaminazione benchmark, costo token input, context window, nemotron transcribe, word error rate, RTX 30, RTX 40, hacking GPU, efficienza per watt, podcast tech italia, modelli open weight
20 tag, mix ~60% it / 40% en, 3 generici max, long-tail inclusi. Da incollare in YT Studio > Dettagli > Tag.
Segmento: [59:25 → 1:00:55], voce sola di Alessio (~90s grezzi, taglio in post a ~55s levando pause e intercalari). Motivo: il momento più tecnico e contro-intuitivo dell’episodio (hardware capace bloccato in fabbrica con due registri), alta signal density, minimo cross-talk.
| Hook 0-3s: “qualcuno ha scoperto come far andare sensibilmente più veloce le schede consumer Nvidia” | overlay grande: LE RTX VANNO AL DOPPIO? |
| Cliffhanger 40-50s: “se sono impostati in un certo modo ne fa il doppio delle operazioni” | teaser: non va al doppio, thermal throttling |
EPISODIO COMPLETO SUL CANALE + link nel primo commentoOverlay mute-friendly: LE RTX 30/40 VANNO AL DOPPIO? → DUE REGISTRI BLOCCATI IN FABBRICA → BY DESIGN: DIMEZZATE → EPISODIO COMPLETO SUL CANALE
Descrizione Shorts:
Due registri impostati in fabbrica dimezzano le RTX 30 e 40: cosa succede se li cambi. Episodio completo sul canale.
https://www.youtube.com/watch?v=DLUnJi5YFrA&utm_source=youtube_short&utm_medium=description&utm_campaign=ep78_drop
Pinned comment:
Episodio completo: https://www.youtube.com/watch?v=DLUnJi5YFrA&utm_source=youtube_short&utm_medium=pinned&utm_campaign=ep78_drop
Spotify: https://open.spotify.com/episode/6v5rX5ZSATUk94OF39gxVv?utm_source=youtube_short&utm_medium=pinned&utm_campaign=ep78_drop
Publishing: sabato 31 ottobre, ore 13:45-14:00 (stesso giorno del drop, gap 30-60 min dal long-form; strategia corrente del canale). Schedulabile in anticipo: YT genera l’URL all’upload.
Segmento: [30:19 → 31:23] (64s), voce di Paolo. Relazione con lo Short: complementare (tema enterprise/riproduibilità allineato al titolo vs hardware RTX nello Short), per coprire bacini diversi.
Trascrizione segmento:
Questa corsa a rilascio frequente è il solito problema a due facce. È bleeding edge: se tu vuoi qualcosa di nuovo e funzionante, soprattutto da consumer, è una cosa interessante. Se sei una società, se sei una banca, se sei qualcuno che deve assicurarsi che la risposta di ieri sia la stessa risposta di oggi, il modello, sebbene più intelligente, te ne dà una diversa, ed è una bella tortura di scatole. Per cui i modelli delle offerte corporate, enterprise, più noiosi dei vendor tradizionali, che rallentano ma ti danno più controllo, si giustificano un pochettino. Google fa Google come al solito: caccia fuori cose nuove, poi si annoia e te le chiude.
UN MODELLO OGNI 2 SETTIMANEPublishing: STESSO MOMENTO del drop (zero gap). La Clip va ai non-follower nel discovery feed, l’episodio ai follower in Library.
Due modelli frontiera a due settimane di distanza non era mai successo. Il ritmo finora era trimestrale, quando andava bene.
Adesso Pichai lo scrive chiaramente: Carbon è uscito 14 giorni dopo Argon, e quel passo è quello da qui in avanti.
Nell'episodio 78 ci siamo chiesti cosa significa per chi usa questi modelli in produzione. Un rilascio ogni due settimane è perfetto se cerchi la bleeding edge, un problema se devi garantire che la risposta di ieri sia la risposta di oggi. Paolo lo dice senza girarci intorno: per l'enterprise la riproducibilità conta più dell'ultimo punto in classifica.
E c'è la questione portafoglio: la stessa domanda fatta con mezzo miliardo di token nel contesto può passare da qualche centesimo a 6-7 euro a chiamata. Le conversazioni corte non sono solo una questione di efficacia.
Nel resto dell'episodio: il nuovo indice di Artificial Analysis e la contaminazione dei benchmark, Nemotron Transcribe 3.5 e i modelli specializzati, e l'hacking delle RTX 30 e 40 (due registri in fabbrica, il doppio delle operazioni FP32).
Link in primo commento. E se il podcast ti è utile, iscriviti al canale.
#AIEngineering #LLM #ModelliFrontiera #CodingAgents
Primo commento: https://www.youtube.com/watch?v=DLUnJi5YFrA&utm_source=linkedin&utm_medium=post&utm_campaign=ep78_drop
Secondo commento: https://open.spotify.com/episode/6v5rX5ZSATUk94OF39gxVv?utm_source=linkedin&utm_medium=comment&utm_campaign=ep78_drop
Publishing hint: martedì 3 novembre 2026, ore 14:00 Europe/Rome (+3 giorni dal drop sabato, peak audience italiano).
Modalità: bullet. Da inserire nell’intro della prossima edizione regolare. 34 parole.
- Sabato è uscito "Modelli frontiera ogni 2 settimane: come stare al passo": il nuovo ritmo di rilascio di Google, quanto costa davvero un contesto lungo, e l'hacking delle RTX 30 e 40. Ascolta: https://www.youtube.com/watch?v=DLUnJi5YFrA&utm_source=codiceartificiale&utm_medium=newsletter&utm_campaign=ep78_drop
Publishing: nella prossima edizione regolare di codiceartificiale (no orario forzato).
Sezione omessa: non applicabile a episodi numerati.
/assets/images/episodes/ep78.pngapple_episode_url via RSS (podcast-transcript modalità B)_posts/2026-10-31-modelli-frontiera-ogni-2-settimane-come-stare-al-passo.md/assets/images/episodes/ep78.png# 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.ep78_drop come
campaign. Non modificarlo nelle pubblicazioni (altrimenti perdi attribution
cross-piattaforma).thumbnail-gen v1.1.| Campo | Valore |
|---|---|
| Titolo target | 99,9% nel benchmark, 61 nell’indice: il caso GPT-6 Astra (ep70) |
| YT ID | y79Nb91Akto |
| Durata | 72:37 |
| Views (al 2026-10-30) | N/D (flat-playlist) |
| Pubblicato | 2026-09-05 |
| URL | https://www.youtube.com/watch?v=y79Nb91Akto |
Razionale (perché questo video, in 3-5 righe):
L’episodio corrente apre il blocco news proprio con il nuovo indice di Artificial Analysis (cap. 12:20) e la contaminazione dei benchmark: ep70 è l’episodio in cui il canale ha fatto il post-mortem completo del caso opposto, il GPT-6 Astra maxato a 99,9% su ARC-AGI ma 61 nell’indice, con capitolo dedicato “L’indice di Artificial Analysis non torna” (25:33). Chiude il cerchio narrativo: “vi avevamo raccontato quando l’indice non tornava: ecco che l’hanno rifatto, con il 60% chiuso”. Visione completa del tema (più di 20 minuti di episodio dedicati), semantic match 0.92, recency 0.81 (1,8 mesi). Vince come end screen perché offre il contesto completo del tema centrale del corrente.
Setup in YT Studio (operativo, ~90s):
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.
10:30 del video corrente| Campo | Valore |
|---|---|
| Linka video | AI code review e altri cambiamenti nei nostri workflow (ep71) |
| YT ID target | EIyz3vMiLKU |
| URL | https://www.youtube.com/watch?v=EIyz3vMiLKU |
| Tema della card | Trascrizione locale e voice on-device |
| Custom message (opzionale) | Trascrizione on-device ep71 |
| Teaser text (opzionale) | Trascrizione locale su Android |
Razionale:
Al min 10:30 di questo episodio Stefano richiama il momento in cui Paolo ha fatto sentire OmniVocale con le voci di tutti e due sui 5 secondi di audio dal Mac. In ep71 al min 19:50 c’è il capitolo dedicato “Antivocale: trascrizione on-device su Android”: il tema trascrizione locale del corrente (che poi riprende a 40:20 con Nemotron Transcribe) ha qui il suo approfondimento naturale. Semantic 0.75, recency 0.83.
26:45 del video corrente| Campo | Valore |
|---|---|
| Linka video | Non descrivi più le immagini: le programmi in JSON (ep77) |
| YT ID target | rzXCmvk89qo |
| URL | https://www.youtube.com/watch?v=rzXCmvk89qo |
| Tema della card | Gemini Argon e l’accelerazione dei rilasci |
| Custom message (opzionale) | Gemini 4 Argon due settimane fa |
| Teaser text (opzionale) | Da Argon a Carbon |
Razionale:
Al min 26:45 il corrente cita il tweet di Pichai su Carbon a 14 giorni da Argon: ep77 è l’episodio in cui Argon è stato presentato e commentato (cap. 58:47 “Gemini 4 Argon: coding, consumer e 3D”, più “Accelerazione, reinforcement learning e le perdite di Anthropic” a 43:13). La card aggancia chi vuole la tappa precedente della storia del ritmo di rilascio. Semantic 0.72, recency 0.97 (video più recente del canale).
36:30 del video corrente| Campo | Valore |
|---|---|
| Linka video | L’AGI personale è già in vendita: Muse, Dots e Grokbot (ep74) |
| YT ID target | LkyUYux9AWE |
| URL | https://www.youtube.com/watch?v=LkyUYux9AWE |
| Tema della card | Agenti personali consumer |
| Custom message (opzionale) | Grokbot e agenti personali |
| Teaser text (opzionale) | Agenti consumer su WhatsApp |
Razionale:
Al min 36:30 Stefano sta raccontando la prova di Grokbot su WhatsApp: ep74 ha Grokbot nel titolo e tratta la tesi opposta e complementare, “il consumatore vuole che funzioni e basta” (33:10) e “dall’AI che risponde all’AI che fa cose” (38:54). Match per nome del prodotto, il più diretto del set. Semantic 0.80, recency 0.90.
47:30 del video corrente| Campo | Valore |
|---|---|
| Linka video | Sign in with OpenAI: l’abbonamento diventa un portafoglio (ep75) |
| YT ID target | QaeBULeqFH8 |
| URL | https://www.youtube.com/watch?v=QaeBULeqFH8 |
| Tema della card | Costi di inferenza: token, GPU e margini |
| Custom message (opzionale) | Costi dell’inferenza |
| Teaser text (opzionale) | Token, GPU e margini |
Razionale:
Al min 47:30 il corrente è nel blocco “il costo del fine-tuning” (14 ore di risorse NVIDIA per specializzare Nemotron). Il tema economia dell’inferenza è il cuore di ep75, con il capitolo “Token, GPU, margini: i costi dell’inferenza” (37:30), e si collega anche ai 6-7 euro a chiamata citati a 25:10 del corrente. Semantic 0.68, recency 0.92.
1:02:00 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 | Hardware locale: RTX, DGX Spark e intelligenza ibrida |
| Custom message (opzionale) | RTX e intelligenza ibrida |
| Teaser text (opzionale) | DGX Spark, RTX e Apple Silicon |
Razionale:
Al min 1:02:00 il corrente è nel pieno del blocco RTX 30/40 sbloccate con due registri. ep67 ha il capitolo “Intelligenza ibrida: DGX Spark, RTX e Apple Silicon” (11:20) e cita Nemotron come workhorse: l’angolo hardware-consumer della stessa conversazione. Chiude il set prima dell’end screen. Semantic 0.72, recency 0.75.
10:30, 26:45, 36:30, 47:30, 1:02:00)
c. (Opzionale) Compila Custom message + Teaser text dai campi delle tabelle| Card | Timestamp video corrente | Posizione relativa |
|---|---|---|
| Card 1 | 10:30 | 15% (primi 15-20%) |
| Card 2 | 26:45 | 37% |
| Card 3 | 36:30 | 51% (metà) |
| Card 4 | 47:30 | 66% |
| Card 5 | 1:02:00 | 87% (verso la fine, prima dell’end screen) |
Durata totale: 71:31. Gap minimi tra card: tutti superiori a 90s. Temi: 5 differenti (trascrizione locale, ritmo di rilascio Gemini, agenti consumer, costi inferenza, hardware locale). Nota: tutte e 5 le card sono episodi numerati, le interviste recenti non avevano match tematico sufficiente.
| Video | Score finale | Semantic | Recency | Views (log) | Note |
|---|---|---|---|---|---|
| ep70 GPT-6 Astra (end screen) | 0.71 | 0.92 | 0.81 | 0.00 | massimo score, tema centrale |
| ep77 JSON images (card 2) | 0.64 | 0.72 | 0.97 | 0.00 | tema: Argon/rilasci |
| ep74 Grokbot (card 3) | 0.67 | 0.80 | 0.90 | 0.00 | tema: agenti consumer |
| ep75 Sign in OpenAI (card 4) | 0.61 | 0.68 | 0.92 | 0.00 | tema: costi inferenza |
| ep71 Code review (card 1) | 0.62 | 0.75 | 0.83 | 0.00 | tema: trascrizione on-device |
| ep67 Open weight asterisco (card 5) | 0.58 | 0.72 | 0.75 | 0.00 | tema: hardware locale |
Pesi: semantic 0.55, recency 0.25 (decay esponenziale half-life 6 mesi), views log-normalizzata 0.20. Recency = exp(-ln(2) * months_since_upload / 6). Views_log = 0 per tutti: la cache --flat-playlist non espone view_count, lo score poggia su semantic + recency.
youtube-cross-link per nuova selezione.