Cosa nasconde il nome di un modello?

A35B è la parte che lavora

In Qwen3-Coder-480B-A35B-Instruct la sigla A35B indica 35 miliardi di parametri attivi. Il modello ha 480 miliardi di parametri in tutto, i numeri appresi di cui è fatto: sono il 480B che precede la A. Legge e scrive il testo a pezzetti di parola, i token, e per ogni token lavorano solo 35B di quei parametri. Entrambi i valori si trovano nella model card di Qwen.

La A c'è perché il modello è un mixture of experts (MoE), costruito con tante piccole parti, delle quali solo poche lavorano su ogni token. I due numeri si pagano in modi diversi. Il totale decide quanta memoria serve, perché ogni parte deve essere caricata e pronta. Il numero attivo decide quanto lavoro richiede ogni token, quindi la velocità e il costo di utilizzo. Su questa divisione si regge DeepSeek-V4.1-Flash, un modello da 552B che per ogni token letto usa solo 8B di parametri.

Nelle presentazioni dei fornitori tornano sempre le stesse cinque famiglie: Qwen, DeepSeek, Gemini, GPT e Claude. Qwen e DeepSeek rendono pubblici i file dei modelli e le dimensioni, Qwen già nel nome e DeepSeek nella model card. Claude, GPT e Gemini non pubblicano nessuna dimensione, quindi i loro nomi seguono altre regole.

Come si legge il nome di un modello?

Spezzando il nome di Qwen ai trattini si ottengono cinque parti, e ciascuna risponde a una domanda diversa.

Qwen3 indica la famiglia con la sua generazione, Coder la specializzazione, perché questo modello è nato per il codice. Seguono i due valori, 480B di parametri in totale e A35B attivi. Instruct, in coda, descrive la messa a punto, qui per seguire le istruzioni. Qwen aggiunge che il modello funziona solo in quella che chiama modalità non-thinking, quindi risponde senza prima ragionare sul problema.

Le dimensioni non si fermano ai miliardi. Qwen3.8-2.4T-A95B ha 2,4 bilioni di parametri, la T della sigla (trillion in inglese), cioè 2.400 miliardi, e ne usa 95B per ogni token.

Un nome senza la parte A merita una seconda occhiata. Qwen3.6-27B non ce l'ha perché è un modello denso, che a ogni token usa tutti i suoi 27B di parametri. Anche gpt-oss-120b, il modello open-weight di OpenAI, non ha la A, eppure è un MoE da 117B in totale con 5.1B attivi. Perfino il 120 nel nome è un arrotondamento rispetto ai 117B scritti nella sua model card. Quando il nome non dice tutto, conviene aprire la model card.

Una sigla come FP8 o BF16 indica la precisione, cioè con quanti bit è memorizzato ogni parametro: 16 bit (2 byte) per BF16, 8 bit (1 byte) per FP8. Qwen3.6-27B-FP8 è Qwen3.6-27B memorizzato a 8 bit, quindi occupa meno memoria e conserva tutti i suoi 27B di parametri.

Anche un numero in coda può essere una data. DeepSeek ha rilasciato V4.1-Flash il 10 settembre 2026 e un aggiornamento con la stessa architettura il 17 ottobre, il cui nome, V4.1-Flash-1017, riporta mese e giorno. Un discorso a parte sono Flash, Lite, Pro e Mini, le parole che indicano la fascia: il significato lo decide ogni produttore.

Perché un 552B risponde come un 8B?

In un modello MoE la maggior parte dei parametri sta in tante piccole reti, gli esperti. Per ogni token un router ne sceglie alcuni, e solo quelli sono attivi mentre gli altri aspettano in memoria. Quello che producono gli esperti attivi prosegue poi nel modello, fino alla risposta.

DeepSeek-V4.1-Flash ha 384 esperti instradati. Il suo router ne sceglie 6 per ogni token e a questi si aggiunge sempre un esperto condiviso. Secondo DeepSeek il risultato sono 8B di parametri attivi mentre il modello legge l'input e 16B mentre scrive la risposta, su 552B in totale. Qwen3.6-35B-A3B funziona allo stesso modo, in scala ridotta: 8 dei suoi 256 esperti più uno condiviso per token, che fanno 3B su 35B.

Mettendo sei modelli uno accanto all'altro si vede che ogni MoE tiene la parte attiva sotto il 9% del proprio totale. DeepSeek-V4.1-Flash legge con 8B su 552B, circa l'1,4%, la quota più piccola della figura. Qwen3.8-2.4T-A95B e gpt-oss-120b stanno vicini, con 95B su 2.4T (4,0%) e 5.1B su 117B (4,4%). Qwen3-Coder-480B-A35B-Instruct lavora con 35B su 480B (7,3%), Qwen3.6-35B-A3B con 3B su 35B (8,6%). Solo il modello denso Qwen3.6-27B usa tutto, 27B su 27B.

Con la memoria il discorso cambia. Il router può scegliere qualunque esperto per il token successivo, quindi devono restare tutti caricati. Per i soli pesi, cioè i parametri così come sono salvati, basta una stima veloce: si moltiplicano i parametri totali per i byte che occupa ciascun parametro, e vengono circa 2 GB ogni miliardo di parametri in BF16, 1 GB in FP8 e 0,5 GB a 4 bit. Oltre ai pesi serve altra memoria per il contesto e per il software che esegue il modello.

Prendiamo i due Qwen3.6. Qwen3.6-35B-A3B in BF16 richiede circa 70 GB per i pesi (35 × 2), anche se per ogni token sono attivi solo 3B. Qwen3.6-27B-FP8 richiede circa 27 GB (27 × 1) e usa tutti i 27B a ogni token. Una parte della differenza dipende dalla precisione, ma anche con lo stesso formato di memorizzazione il MoE resta il più grande, 35B contro 27B, e a ogni token fa comunque meno lavoro: è per questo che può rispondere in fretta.

Cosa significano Flash, Sonnet e Luna?

Claude, GPT e Gemini si usano solo via API: ci si collega al servizio del produttore e i file del modello non si ottengono mai. Nei nomi compaiono un numero di generazione e una parola che indica la fascia, cioè un livello di dimensione o di velocità all'interno della famiglia. A cosa serva ogni fascia lo dice soltanto la descrizione del produttore.

La tabella riporta le descrizioni dei produttori, tratte dalla panoramica dei modelli Claude di Anthropic, dalla pagina dei modelli di OpenAI e dalla pagina dei modelli Gemini di Google. Nomi e numeri di questo articolo sono quelli pubblicati dai produttori il 21 ottobre 2026, e queste famiglie vengono aggiornate di frequente. Anche i prezzi cambiano spesso, e ogni produttore li pubblica sulla propria pagina dei prezzi.

Anthropic valuta anche la velocità dei quattro modelli Claude l'uno rispetto all'altro: Fable è più lento, Opus moderato, Sonnet veloce e Haiku il più veloce. Tutti e quattro accettano testo e immagini. Se state confrontando Claude Opus e Sonnet, Anthropic consiglia di partire da Opus 5.5 per la maggior parte dei carichi di lavoro.

Quanto alla finestra di contesto, cioè quanto testo un modello riesce a leggere in una volta sola, i produttori indicano 1 milione di token per tutti e quattro i modelli Claude, per Gemini 4 Argon e per Gemini 3.8 Flash. OpenAI ne indica 1,05 milioni per i tre modelli di punta, GPT-6 Astra, GPT-6.1 Sol e GPT-6 Luna. La pagina di Google su Gemini 3.8 aggiunge che Gemini 3.8 Flash produce fino a 64K token in uscita e ha livelli di thinking impostabili su basso, medio o alto.

OpenAI descrive GPT-6.1 Sol come quasi all'altezza di Astra, benché GPT-6 Astra abbia il numero più basso: un numero di generazione più alto non significa una fascia più alta.

Attenzione alla parola Flash, perché due produttori la usano per cose diverse. Il Flash di DeepSeek è un modello open-weight da 552B, che DeepSeek definisce «il modello più piccolo della famiglia della nostra nuova architettura, con comprensione visiva nativa». Il Flash di Google è una fascia veloce di una famiglia solo via API, e Google non ne pubblica le dimensioni. Quando un fornitore dice di usare Flash, chiedete di quale dei due parla.

Quali modelli potete eseguire in proprio?

I modelli Qwen, DeepSeek e gpt-oss di questo articolo sono open-weight, cioè con i pesi pubblicati: si scaricano i file e si fanno girare sul proprio hardware, nel rispetto della licenza che li accompagna. Open weights, però, non significa sempre gestire il modello in proprio, perché DeepSeek offre V4.1-Flash anche tramite una propria API, con il nome deepseek-flash.

Si parte dalla licenza. DeepSeek-V4.1-Flash è sotto licenza MIT, mentre gpt-oss-120b e tre dei quattro modelli Qwen sono sotto Apache 2.0. Il più grande dei Qwen, Qwen3.8-2.4T-A95B, ha una licenza propria, la Qwen3.8-Max, quindi anche dentro una famiglia le condizioni possono cambiare. Se confrontate Qwen e DeepSeek per i vostri server, leggete la licenza prima che qualcuno ordini l'hardware.

Poi si dimensiona l'hardware con la stima della memoria. Tra i file pubblicati da DeepSeek ci sono pesi salvati a 8 bit (FP8), e a 1 byte per parametro 552B fanno circa 552 GB per i soli pesi. Serve quindi un server con più GPU, per un modello che per ogni token ne attiva da 8B a 16B. OpenAI salva i pesi degli esperti di gpt-oss-120b in un formato a 4 bit chiamato MXFP4 e dice che questo gli permette di «girare su una singola GPU da 80 GB».

Cambiano anche gli input e lo stile di risposta. DeepSeek-V4.1-Flash accetta testo e immagini, mentre Qwen3.8-2.4T-A95B lavora solo con il testo e ragiona sempre sul problema prima di rispondere, in quella che Qwen chiama modalità thinking. Qwen3.6-35B-A3B fa lo stesso per impostazione predefinita, ma si può passare alla risposta diretta.

Quale modello per quale compito?

Nell'assistenza clienti un modello ha compiti molto diversi. Una chiamata in corso richiede la risposta mentre chi chiama è ancora in linea, e il riassunto delle chiamate di ieri non lo aspetta nessuno. La tabella segue le descrizioni dei produttori, quindi ogni riga è un punto di partenza per i test, non una classifica.

La chiamata in corso è la riga più esigente. Chi chiama sente ogni pausa, e il modello è solo una delle cause. Il nostro articolo sull'origine dell'attesa in una chiamata vocale divide quella pausa in parti che si possono misurare.

Scegliete due o tre candidati dalla riga che corrisponde al vostro compito e provateli sulle vostre chiamate registrate, con i nomi dei prodotti, le lingue e le domande che i clienti fanno davvero. Valutate ciascuno sul compito vero e proprio, per esempio se un riassunto ha colto l'orario di richiamata promesso al cliente.

Quando un fornitore vi presenta la sua offerta, chiedete quale modello gira in ogni passaggio, dalla conversazione in corso allo smistamento fino al riassunto dopo la chiamata. Fatevi dare il nome completo, con numero di generazione e fascia. Se per tutti i passaggi vi danno lo stesso nome, vale la pena approfondire. Cos'altro controllare lo trovate nelle nostre 30 domande da fare prima di acquistare l'AI vocale.

Dove entra in gioco DRING?

Lo stack di DRING è indipendente dai modelli. I modelli vocali e di ragionamento dietro ogni agente AI si scelgono in base alla lingua e al processo, e i fornitori di speech-to-text, modello linguistico e text-to-speech si selezionano per ogni agente tra i principali sul mercato. Ognuno si può sostituire senza ricostruire nulla e senza toccare il resto dello stack, come spiega la nostra pagina sul livello dei modelli.

Un processo può anche passare a un altro modello senza cambiare piattaforma, e se un fornitore di modelli ha un problema, il failover può spostare la chiamata su uno funzionante. La nostra pagina per i direttori IT passa in rassegna le domande che una revisione dell'architettura pone subito dopo.

Un cambio di modello si collauda come un lancio. Ogni agente DRING affronta da 1.000 a 10.000 conversazioni simulate, costruite per la vostra azienda, prima della sua prima chiamata reale. Un modello più potente entra in produzione solo dopo aver superato la suite di regressione che gira su tutto lo stack, e i risultati vengono confrontati con la release precedente prima di ogni rilascio. Diteci quale passaggio delle vostre chiamate volete affidare per primo a un modello AI, e DRING vi chiama in due minuti.