← Blog
·5 min di lettura

Qwen-Image-2.1, Shieldstral e Granite 4.2: tre gradi diversi di apertura, tra agosto e settembre 2026

Un modello di generazione immagini con pesi pubblici ma vietato in produzione senza un contratto separato, un classificatore di sicurezza Apache 2.0 pensato per girare sui vostri server, e una famiglia di modelli di ragionamento con un interruttore acceso/spento: tre release recenti raccontano tre modi diversi di essere "open". Solo una delle tre lo è davvero, senza condizioni.

Modelli openNotizieLicenze
Qwen-Image-2.1, Shieldstral e Granite 4.2: tre gradi diversi di apertura, tra agosto e settembre 2026

Tre release delle ultime settimane raccontano tre gradi molto diversi di apertura, e nessuna si lascia riassumere con la solita etichetta "open-weight". Il 20 settembre 2026 Alibaba ha pubblicato Qwen-Image-2.1 con pesi scaricabili da chiunque, ma vietati in produzione senza un contratto commerciale separato. Poche settimane prima, il 4 agosto, Mistral aveva rilasciato Shieldstral, un classificatore di sicurezza da 3 miliardi di parametri sotto una vera Apache 2.0, pensato esplicitamente per girare sui server di chi lo scarica. E il 25 agosto IBM ha aggiunto Granite 4.2, tre modelli di ragionamento con un interruttore che decide se pensare passo per passo o rispondere subito. Messe insieme, le tre release sono un promemoria utile: "pesi pubblici" non vuol dire più niente di preciso finché non si legge la licenza, release per release.

Qwen-Image-2.1: i pesi si scaricano, ma non si possono usare in produzione senza chiedere il permesso

Il 20 settembre 2026 il team Qwen di Alibaba ha pubblicato Qwen-Image-2.1, un modello di generazione ed editing immagini da 7 miliardi di parametri basato su un'architettura Single-Stream DiT a 32 livelli. Le novità tecniche sono concrete: il modello scrive nativamente la trasparenza (formato RGBA), invece di generare su sfondo pieno e ritagliare il soggetto con un modello di matting separato; accetta fino a dieci immagini di riferimento in una singola composizione; supporta editing locale e output fino a 2K; e riusa la cache KV per trattare immagini e istruzioni di editing come contesto statico calcolato una sola volta, riducendo memoria e tempo di inferenza. I pesi sono su Hugging Face, ModelScope e GitHub, con supporto giorno-zero in ComfyUI, Diffusers, vLLM-Omni e SGLang.

La sorpresa è nella licenza. La precedente generazione, Qwen-Image, era sotto Apache 2.0 — permissiva quanto MiniCPM5-2B di cui scrivevamo la settimana scorsa. Qwen-Image-2.1 arriva invece sotto la Qwen Research License Agreement, che il testo pubblicato su GitHub definisce senza ambiguità: l'uso è concesso solo "a scopo di ricerca o valutazione", e chi vuole un uso commerciale deve prima ottenere una licenza separata scrivendo a model-business@notice.qwencloud.com. Chi distribuisce un derivato deve inoltre indicare in modo visibile "Built with Qwen" o "Improved using Qwen", e non può usare il nome Qwen come identificatore principale del proprio prodotto. In pratica: i pesi sono pubblici e ispezionabili quanto quelli di un modello open source, ma usarli per generare immagini in un prodotto commerciale — anche solo per uno strumento interno che produce contenuti di marketing — richiede un contratto che, oggi, semplicemente non esiste ancora in forma pubblica.

Shieldstral: un contro-esempio di apertura vera, pensato apposta per girare da soli

Il 4 agosto 2026 Mistral AI ha rilasciato Shieldstral, un classificatore di sicurezza multimodale da 3 miliardi di parametri sotto Apache 2.0 — nessuna soglia, nessuna clausola d'uso commerciale, nessun contratto da firmare. Gira su una singola GPU da 16 GB e valuta sia testo sia immagini. La caratteristica che lo distingue dai guardrail tradizionali è che è "policy-adaptive": invece di essere riaddestrato ogni volta che cambia la policy di moderazione, accetta la policy in linguaggio naturale direttamente al momento dell'inferenza e restituisce un punteggio di sicurezza calibrato. Nei test di Mistral batte modelli fino a sette volte più grandi. Per un'azienda che deve applicare le proprie regole di moderazione dei contenuti — non quelle decise da un fornitore cloud terzo — è un esempio concreto di cosa significhi apertura reale: potete scaricarlo, eseguirlo sui vostri server, cambiare la policy quando volete, senza mai far uscire i contenuti dal vostro perimetro.

Granite 4.2: IBM punta su tre taglie aperte con un interruttore per il ragionamento

Il 25 agosto 2026 IBM ha pubblicato Granite 4.2, una famiglia di modelli di ragionamento decoder-only in tre taglie — 3, 8 e 30 miliardi di parametri — tutte sotto Apache 2.0 e disponibili su Hugging Face. La caratteristica interessante è il "thinking switch": lo stesso checkpoint può ragionare passo per passo su un compito complesso oppure rispondere direttamente su uno semplice, senza bisogno di due modelli separati. Sul benchmark SWE-bench Verified, il modello da 30 miliardi segna 57,00 punti. Per chi valuta un deployment locale, la combinazione di taglie contenute, licenza pulita e un controllo esplicito su "quanto ragionare" si traduce in un costo di calcolo più prevedibile — un dettaglio che conta quanto la licenza, quando si pianifica un budget di infrastruttura.

Cosa conta davvero, per chi valuta un'architettura AI oggi

È esattamente il lavoro che facciamo ogni settimana con i nostri clienti: leggere il testo esatto di ogni licenza prima di un'adozione, distinguere un modello davvero open da uno che lo sembra soltanto, e scegliere l'architettura — grande o piccola, generalista o specializzata — che garantisce conformità e proprietà dei vostri dati, non quella che fa più notizia.

Fonti

Vuoi parlarne applicato al tuo caso?

Prenota una call →Altri articoli
Continua a leggere

Modelli open vs modelli chiusi: cosa cambia davvero per i tuoi dati sensibili

Un modello chiuso e uno open-weight non sono due varianti dello stesso prodotto: cambiano chi vede i tuoi dati e chi controlla il sistema. Ecco come decidere caso per caso.

nLPD, GDPR e intelligenza artificiale: la checklist per chi decide in azienda

Adottare uno strumento AI senza aver verificato dove finiscono i dati è il modo più rapido per trasformare un guadagno di produttività in un problema di conformità. Ecco cosa controllare prima.