Alibaba e MiniMax aprono i modelli AI, ma il deployment continua ad avere costi

Alibaba e MiniMax sono approdate su Google News dopo aver rilasciato modelli AI aperti che mettono in discussione la struttura dei costi dei sistemi proprietari di OpenAI e Anthropic.

Alibaba ha presentato Qwen3.8-Max il 3 agosto 2026, promettendo di rilasciare i pesi del modello la settimana successiva. MiniMax ha aperto i pesi di H3, il suo sistema video multimodale, nello stesso giorno. La coincidenza ha trasformato due lanci distinti in una sfida più ampia alle piattaforme AI chiuse.

Il cambiamento importante non consiste semplicemente nel fatto che siano disponibili per il download più modelli. Questi rilasci combinano capacità ambiziose con architetture progettate per ridurre il calcolo richiesto durante l'inferenza. Ciò offre agli sviluppatori maggiore controllo su deployment, personalizzazione e collocazione dei dati.

Tuttavia, pesi scaricabili non rendono gratuito il funzionamento di un sistema AI. Infrastruttura, valutazione, sicurezza e licenze commerciali continuano a determinare il costo totale. Reuters ha inoltre riferito che Alibaba intende richiedere una condivisione dei ricavi ad alcuni grandi utenti commerciali.

Questa tensione mette sotto pressione OpenAI, Anthropic, Google e altri provider proprietari. Devono giustificare servizi controllati e più costosi rispetto a modelli che i clienti possono ispezionare, adattare e distribuire altrove.

Cosa hanno effettivamente rilasciato Alibaba e MiniMax

I due rilasci ampliano l'accesso a sistemi AI capaci, ma rispondono a carichi di lavoro diversi per gli sviluppatori.

Alibaba ha descritto Qwen3.8-Max come un modello mixture-of-experts contenente 2,4 trilioni di parametri. Un'architettura mixture-of-experts instrada ogni richiesta attraverso solo una parte del modello invece di attivare tutti i parametri.

Secondo Alibaba, Qwen3.8-Max attiva circa 95 miliardi di parametri durante l'inferenza. Questo design mira a preservare un'ampia capacità del modello limitando al contempo il calcolo utilizzato per ciascun token generato.

Il modello supporta inoltre una finestra di contesto fino a un milione di token. Una finestra di contesto è la quantità di materiale che un modello può considerare all'interno di una richiesta. Questa capacità è rivolta a grandi codebase, raccolte di documenti, file di ricerca e flussi di lavoro estesi basati su agenti.

Alibaba ha posizionato il modello per ingegneria del software, ragionamento multimodale, analisi finanziaria, conformità legale e altri lavori ad alta intensità di conoscenza. Il suo rilascio del modello Qwen presenta il sistema come alternativa ai principali modelli proprietari.

L'azienda ha inoltre pubblicato confronti interni di benchmark che coinvolgono sistemi di Anthropic e OpenAI. Questi numeri restano affermazioni aziendali finché valutatori indipendenti non li riprodurranno in condizioni comparabili.

Alibaba ha evidenziato un progetto software autonomo che, secondo quanto riportato, è stato eseguito per 16 giorni. Tuttavia, l'azienda non ha fornito pubblicamente dettagli sufficienti per valutare l'intervento umano, la qualità del codice o la prontezza per la produzione.

MiniMax ha aperto una categoria di modello diversa. H3 è un sistema video general-purpose che accetta combinazioni di testo, immagini, video e audio.

Il sistema può generare video con audio stereo sincronizzato. MiniMax afferma che gli output possono raggiungere una risoluzione 2K e durare fino a 15 secondi.

I suoi pesi del modello H3 includono checkpoint per generare audio e video da diversi formati di riferimento. I repository includono inoltre componenti per tokenizzazione, codifica del testo, elaborazione video ed elaborazione audio.

MiniMax supporta diversi framework di inferenza comuni, tra cui SGLang, vLLM, diffusers e ComfyUI. È rilevante perché gli sviluppatori possono integrare il modello nei flussi di lavoro esistenti invece di adottare un ambiente di editing proprietario.

I due lanci attaccano quindi segmenti diversi del mercato AI. Qwen3.8-Max si concentra su coding, ragionamento e flussi di lavoro enterprise. H3 si rivolge a creator e team di prodotto che costruiscono pipeline di generazione multimodale.

Google News li ha raggruppati sotto una narrativa comune sui costi. Questa impostazione è utile in linea generale, anche se nasconde differenze importanti in termini di requisiti hardware, licenze e deployment pratico.

Entrambe le aziende utilizzano i pesi aperti per rendere più semplice l'adozione. Nessuno dei due rilasci elimina il lavoro operativo necessario per trasformare un checkpoint del modello in un servizio affidabile.

Perché Google News segue la corsa ai costi dei modelli aperti

I pesi aperti stanno diventando una strategia di distribuzione per conquistare gli sviluppatori, non semplicemente un gesto di ricerca.

Un servizio AI chiuso controlla i pesi del modello, l'ambiente di hosting e le condizioni di accesso. I clienti interagiscono di solito tramite un'application programming interface, comunemente chiamata API.

Un rilascio open-weight dà agli utenti accesso ai parametri addestrati. Gli sviluppatori possono eseguire tali pesi tramite software compatibile, ottimizzarli ulteriormente o ospitarli nell'infrastruttura scelta.

Questa flessibilità può ridurre la dipendenza da un singolo fornitore. Consente inoltre alle organizzazioni di mantenere i carichi di lavoro sensibili nei propri account cloud o data center.

Alibaba e MiniMax hanno validi motivi per seguire questa strada ora. Entrambe competono con laboratori americani dotati di brand globali più grandi, contratti enterprise consolidati e prodotti per sviluppatori ampiamente utilizzati.

La distribuzione aperta riduce la prima barriera alla sperimentazione. Uno sviluppatore può valutare un modello senza impegnare l'intera architettura di prodotto nella piattaforma ospitata dal provider originario.

La strategia amplia anche l'ecosistema circostante. Host cloud, aziende di inferenza, manutentori di framework, consulenti e sviluppatori di applicazioni possono ottimizzare o distribuire lo stesso modello.

Ogni integrazione aggiuntiva rende il modello più facile da adottare per il cliente successivo. La rete risultante può crescere più rapidamente del servizio ospitato di una singola azienda.

MiniMax dispone già di prove dell'importanza della distribuzione internazionale. Il suo rapporto annuale 2025 afferma che l'azienda ha servito oltre 236 milioni di utenti in più di 200 Paesi e regioni.

Il documento riporta inoltre 214.000 clienti enterprise e sviluppatori in oltre 100 Paesi e regioni. Più del 70 percento dei ricavi del 2025 è arrivato dai mercati internazionali.

Si tratta di dati riportati dall'azienda, ma spiegano perché i rilasci aperti sostengano la posizione commerciale di MiniMax. Gli sviluppatori globali non sono un pubblico secondario per l'azienda.

Alibaba dispone di un vantaggio correlato attraverso la sua attività cloud. Può distribuire ampiamente i pesi di Qwen vendendo al contempo l'infrastruttura, il supporto e i servizi gestiti richiesti per utilizzarli.

Questo crea pressione sui laboratori proprietari da due direzioni. I modelli aperti competono per l'attenzione degli sviluppatori, mentre i provider cloud competono per ospitarne il deployment.

Uno sviluppatore che sceglie un modello aperto può comunque pagare per l'inferenza gestita. La differenza è che il modello sottostante diventa più portabile tra i provider.

Questa portabilità rafforza la posizione negoziale del cliente. Riduce inoltre il rischio che una singola modifica dell'API imponga una riprogettazione immediata del prodotto.

L'argomento dei costi va oltre l'accesso al modello. I team che lavorano con grandi repository di codice possono elaborare file sorgente, specifiche e documenti tecnici all'interno di un'infrastruttura sotto il loro controllo.

Tuttavia, la portabilità ha dei limiti. Un grande modello potrebbe tecnicamente funzionare al di fuori del cloud del suo creatore, pur restando poco pratico da ospitare per organizzazioni più piccole.

Le prestazioni dipendono anche dal software di inferenza, dalla configurazione hardware, dal metodo di quantizzazione e dal carico di lavoro. La quantizzazione riduce la precisione numerica per abbassare l'uso di memoria e talvolta modifica la qualità dell'output.

La corsa ai modelli aperti riguarda quindi le opzioni, non un funzionamento universalmente più economico. Alibaba e MiniMax offrono agli sviluppatori più modi per assemblare lo stack, per poi competere per restarne parte.

I pesi aperti mettono sotto pressione i provider AI proprietari

I modelli aperti costringono i provider proprietari a dimostrare che comodità, affidabilità e governance giustificano un controllo più stretto.

OpenAI, Anthropic e Google offrono generalmente i loro sistemi di punta tramite prodotti gestiti e API. I clienti ottengono un accesso rapido senza dover gestire i pesi del modello o l'infrastruttura di inferenza.

Questa formula ha un valore reale. Il provider gestisce pianificazione della capacità, aggiornamenti del modello, controlli contro gli abusi, monitoraggio e gran parte della complessità operativa.

Crea anche dipendenza. Gli sviluppatori devono accettare la struttura dei prezzi del provider, la disponibilità geografica, le policy di utilizzo, i limiti di frequenza e la roadmap del prodotto.

Alibaba e MiniMax contestano questo compromesso. I loro rilasci comunicano agli sviluppatori che l'accesso a modelli capaci non richiede di rinunciare a ogni decisione sul deployment.

La pressione più forte ricade sui team software sensibili ai costi. Queste organizzazioni eseguono spesso elevati volumi di attività ripetitive, tra cui revisione del codice, estrazione, elaborazione di documenti e assistenza clienti.

Piccole differenze nell'efficienza dell'inferenza si accumulano su carichi di lavoro continuativi. Un modello che attiva meno parametri può diventare interessante anche senza vincere ogni benchmark.

L'analista di Forrester Charlie Dai ha dichiarato a Computerworld che i sistemi open-weight stanno diventando opzioni credibili per ingegneria del software, personalizzazione, sovranità e deployment sensibili ai costi. I suoi commenti nell'analisi dei modelli enterprise sottolineano che la leadership assoluta nei benchmark non è la priorità di ogni acquirente.

Questo cambia la questione competitiva. I clienti non devono più chiedersi soltanto quale modello ottenga il punteggio pubblicato più alto.

Possono chiedersi quale sistema produca risultati accettabili entro i loro vincoli di latenza, sicurezza, portabilità e operatività. È una competizione più difficile da dominare per i provider chiusi.

MiniMax H3 crea una pressione simile nel software creativo. Un team di prodotto può costruire flussi di lavoro video specializzati attorno a checkpoint scaricabili invece di dipendere interamente da un'interfaccia di generazione ospitata.

Questo controllo supporta pipeline personalizzate, impostazioni visive ripetibili, elaborazione in batch e integrazione con gli strumenti di produzione esistenti. Consente inoltre agli sviluppatori di scegliere le proprie sedi di archiviazione ed elaborazione.

I provider proprietari possono rispondere con affidabilità superiore, interfacce più semplici, controlli di sicurezza più robusti e tutele contrattuali. Questi vantaggi sono particolarmente importanti per le imprese regolamentate.

Possono inoltre aggiornare i sistemi ospitati senza chiedere ai clienti di scaricare un altro checkpoint. Un servizio gestito può distribuire correzioni di sicurezza o miglioramenti della capacità a tutti i clienti contemporaneamente.

I modelli aperti rispondono con personalizzazione e leva contrattuale. Uno sviluppatore può modificare il livello di serving, scegliere hardware compatibile e preservare una versione esistente del modello.

Nessuno dei due approcci vince per ogni carico di lavoro. Il conflitto si concentra su chi controlla il deployment e chi cattura il valore economico che gli ruota attorno.

Ecco perché la storia di Alibaba e MiniMax conta oltre un titolo su Google News. Rappresenta una competizione tra l'accesso al modello come componente portabile e l'accesso al modello come servizio controllato.

La fase successiva non sarà decisa soltanto dalle classifiche dei benchmark. Sarà decisa da affidabilità in produzione, adozione da parte degli sviluppatori ed economia circostante.

Costi AI più bassi comportano condizioni di licenza e infrastruttura

La promessa di costi inferiori diventa meno certa quando licenze, hosting, valutazione e governance entrano nel calcolo.

L'espressione “open source” può implicare libertà che una specifica licenza di modello non offre. Molti rilasci AI sono descritti più precisamente come open-weight perché espongono parametri addestrati.

Di solito non forniscono tutti i dataset di addestramento, le decisioni di pre-elaborazione o una procedura di addestramento riproducibile. Senza questi elementi, un team esterno non può ricreare l’intero sistema da zero.

Le licenze possono inoltre limitare determinati utilizzi o richiedere accordi commerciali su larga scala. Gli sviluppatori devono leggere i termini effettivi anziché affidarsi a un’etichetta open source.

Reuters ha riferito che Alibaba intende richiedere una quota dei ricavi ad alcuni importanti utenti commerciali di Qwen3.8-Max. La tariffa proposta non era pubblica al momento della pubblicazione del servizio.

Il rapporto sulle licenze commerciali citava due persone a conoscenza dei piani di Alibaba. Alibaba non aveva confermato pubblicamente la struttura riportata.

Se attuato, questo approccio manterrebbe un ampio accesso monetizzando al contempo le implementazioni di grandi dimensioni. Complicherebbe inoltre l’affermazione secondo cui i modelli aperti eliminano automaticamente i costi dei fornitori.

I pesi del modello potrebbero restare scaricabili. Un’azienda che genera ricavi significativi attorno a essi potrebbe comunque aver bisogno di un accordo separato.

Le spese cloud creano un’ulteriore condizione. L’attivazione sparsa di Qwen3.8-Max riduce la quantità di modello utilizzata per ogni richiesta, ma rimane un sistema molto grande.

Per eseguirlo servono memoria, acceleratori, rete, archiviazione, osservabilità e supporto ingegneristico. La capacità deve inoltre gestire i picchi di traffico senza peggiorare i tempi di risposta.

MiniMax H3 presenta un altro carico di lavoro impegnativo. La generazione video richiede notevoli risorse di calcolo e archiviazione, soprattutto quando i prodotti supportano risoluzioni più elevate e audio sincronizzato.

Le organizzazioni possono evitare queste responsabilità tramite un provider gestito. Tuttavia, così facendo restituiscono una parte dell’implementazione a una piattaforma esterna.

La valutazione aggiunge ulteriori costi. Un punteggio di benchmark non rivela se un modello opera in modo affidabile sui documenti, sul codice, sui clienti o sulle regole di conformità di un’azienda.

I team hanno bisogno di set di test rappresentativi, revisione umana, esercitazioni red-team e monitoraggio. Hanno inoltre bisogno di un processo per rilevare regressioni dopo modifiche al modello o al servizio.

L’esercizio di programmazione di 16 giorni riportato da Alibaba illustra il divario di verifica. La durata sembra impressionante, ma non dimostra la qualità del software completato.

I revisori avrebbero bisogno della definizione dell’attività, dei registri degli interventi, dei tentativi falliti, della copertura dei test, dei risultati di sicurezza e del codice finale. Senza queste prove, l’affermazione resta difficile da confrontare.

La governance dei dati crea un altro compromesso. L’hosting autonomo può mantenere i prompt all’interno di un’infrastruttura controllata, ma la responsabilità si sposta quindi verso il cliente.

L’organizzazione deve proteggere gli endpoint del modello, i registri di accesso, i checkpoint, i dati di fine-tuning e l’output generato. Deve inoltre gestire i dipendenti che connettono strumenti non approvati.

Un provider in hosting può offrire impegni contrattuali e controlli di policy integrati. Le implementazioni aperte possono eguagliare tali protezioni solo quando l’operatore le realizza.

Il dibattito sui rischi dei modelli aperti include anche l’esposizione normativa. Le organizzazioni possono dover affrontare regole riguardanti la localizzazione dei dati, i fornitori, le revisioni di sicurezza o i modelli sviluppati in giurisdizioni straniere.

Queste preoccupazioni non dimostrano che una determinata origine sia intrinsecamente insicura. Mostrano che la selezione di un modello implica dipendenze legali e operative che vanno oltre le prestazioni nei benchmark.

Una bolletta di inferenza più bassa può coesistere con costi di governance più elevati. Gli acquirenti devono calcolare l’intero sistema anziché confrontare una sola metrica di utilizzo.

La vera sfida è tra controllo e affidabilità gestita

Alibaba e MiniMax possono ridurre la dipendenza dalle piattaforme chiuse, ma i clienti devono assumersi maggiori responsabilità per lo stack AI che ne deriva.

Il compromesso centrale non è semplicemente tra aperto e chiuso. È tra il controllo sull’implementazione e la comodità di un servizio gestito.

I pesi aperti consentono a un’azienda di scegliere dove eseguire il proprio modello. I team possono mantenere una versione nota, personalizzare il comportamento e migrare tra provider di hosting compatibili.

Questo controllo diventa prezioso quando un’applicazione dipende fortemente da un comportamento stabile del modello. Altrimenti, un aggiornamento improvviso del provider può modificare la qualità dell’output senza alterare il codice del cliente.

L’implementazione locale aiuta inoltre le organizzazioni che gestiscono materiale sensibile. Documenti legali, codice sorgente interno, piani di prodotto e registri di ricerca possono rimanere nell’infrastruttura designata.

Tuttavia, il controllo locale non garantisce la privacy. Endpoint configurati in modo errato, autorizzazioni deboli, registri non sicuri o processi di fine-tuning negligenti possono esporre le stesse informazioni.

I servizi gestiti riducono diversi oneri tecnici. I provider gestiscono il modello, scalano la capacità, mantengono le API e spesso forniscono monitoraggio o controlli sui contenuti.

I clienti rinunciano alla visibilità su alcune decisioni sottostanti. Dipendono inoltre dalla continua disponibilità del provider a offrire il modello a condizioni accettabili.

La posizione di Alibaba copre entrambi i lati. Distribuisce i pesi di Qwen mentre gestisce una piattaforma cloud in grado di ospitarli.

Ciò permette ad Alibaba di acquisire consenso tra gli sviluppatori grazie all’apertura e valore commerciale dall’infrastruttura. Il modello diventa un punto d’ingresso in un rapporto di servizi più ampio.

MiniMax utilizza i rilasci aperti per ampliare la distribuzione tra flussi di lavoro testuali, agentici, video, vocali e musicali. La sua base utenti internazionale offre a questa strategia un pubblico già pronto.

L’amministratore delegato Yan Junjie ha inquadrato la concorrenza dell’azienda attorno alle grandi aziende tecnologiche globali. In un’intervista globale sull’AI, ha sottolineato costi operativi più bassi e un vasto pubblico internazionale.

Questa strategia affronta comunque una prova di sostenibilità. Addestrare modelli di frontiera, servire applicazioni consumer e supportare gli sviluppatori richiede investimenti continui.

La distribuzione di pesi aperti può aumentare l’adozione prima di produrre ricavi proporzionali. Licenze commerciali e servizi gestiti offrono modi per colmare questo divario.

I laboratori proprietari affrontano il problema opposto. I loro servizi generano ricavi diretti dall’utilizzo, ma l’accesso chiuso può motivare i clienti a cercare alternative portabili.

Devono dimostrare che i loro sistemi producono abbastanza valore aggiuntivo da giustificare un controllo ridotto. Affidabilità, supporto, test di sicurezza e indennizzo possono sostenere questa tesi.

Il vincitore varierà in base al carico di lavoro. Un’istituzione regolamentata potrebbe dare priorità alla responsabilità contrattuale. Una startup software potrebbe privilegiare velocità, flessibilità e la possibilità di cambiare provider.

Uno studio creativo potrebbe utilizzare MiniMax H3 localmente per flussi di produzione ripetibili. Potrebbe comunque usare un modello in hosting quando le scadenze richiedono capacità immediata.

Un team di sviluppo potrebbe indirizzare le attività di codice di routine a Qwen, riservando un altro sistema alle revisioni ad alto rischio. Il routing dei modelli consente alle applicazioni di selezionare sistemi diversi in base a ciascuna richiesta.

Questo approccio misto indebolisce l’idea che un singolo laboratorio possiederà ogni attività AI. I modelli aperti rendono più facile giustificare architetture multi-modello.

Aumentano anche la complessità gestionale. I team devono monitorare versioni dei modelli, licenze, risultati delle valutazioni, flussi di dati e comportamenti di fallback tra vari provider.

L’opportunità pratica appartiene alle organizzazioni che trattano i modelli come componenti sostituibili. Questi team possono testare nuovi rilasci senza ricostruire l’intero prodotto.

Il rischio pratico appartiene alle organizzazioni che adottano un modello a basso costo senza documentarne le dipendenze. Una successiva modifica della licenza, una restrizione normativa o un fallimento della qualità possono diventare costosi.

Alibaba e MiniMax stanno ampliando la scelta. Stanno anche trasferendo più decisioni architetturali al cliente.

Cosa dovrebbero osservare gli sviluppatori dopo i titoli di Google News

Tre segnali mostreranno se questi rilasci cambiano davvero il mercato: prestazioni verificate, chiarezza delle licenze e adozione sostenuta in produzione.

Il primo segnale è una valutazione tecnica indipendente. Gli sviluppatori dovrebbero osservare test riproducibili di Qwen3.8-Max e MiniMax H3 su carichi di lavoro realistici.

Per Qwen, prove utili includerebbero progetti software con definizioni delle attività pubbliche, registri degli interventi, test e revisioni di sicurezza. I punteggi di benchmark dovrebbero utilizzare strumenti e impostazioni di inferenza comparabili.

Per H3, i valutatori dovrebbero esaminare l’aderenza ai prompt, la sincronizzazione audio, la coerenza visiva, la velocità di generazione e i requisiti hardware. Dovrebbero inoltre documentare i casi di fallimento.

Risultati indipendenti positivi rafforzerebbero l’affermazione che i modelli aperti si stanno avvicinando ai sistemi proprietari negli ambiti in cui i clienti ne hanno bisogno. Ampi divari indebolirebbero l’argomento dei costi, perché un output più economico ha valore limitato quando richiede correzioni estese.

Il secondo segnale è il linguaggio definitivo delle licenze. Gli sviluppatori hanno bisogno di definizioni chiare che coprano l’implementazione commerciale, la modifica del modello, la redistribuzione, i servizi in hosting e gli obblighi di condivisione dei ricavi.

Il piano riportato di Alibaba merita particolare attenzione. Un repository pubblico, una model card e una licenza completa avranno più peso di un annuncio su un accesso futuro.

Gli utenti di MiniMax dovrebbero effettuare la stessa revisione tra checkpoint H3 e formati di distribuzione. “Scaricabile” e “senza restrizioni” non sono termini equivalenti.

Licenze chiare e stabili aiuterebbero le imprese a calcolare l’esposizione a lungo termine. Termini ambigui o soggetti a frequenti cambiamenti spingerebbero gli acquirenti sensibili al rischio verso piattaforme gestite.

Il terzo segnale è un’adozione sostenuta in produzione. I conteggi dei download e l’attenzione sui social possono misurare la curiosità, ma non dimostrano un utilizzo affidabile.

Gli sviluppatori dovrebbero osservare la disponibilità di hosting, il supporto dei framework, l’ottimizzazione dell’inferenza, le correzioni della community e il traffico ricorrente. I case study aziendali dovrebbero identificare carichi di lavoro effettivi e risultati misurabili.

L’adozione rafforzerebbe la conclusione che i pesi aperti stanno rimodellando le decisioni di acquisto. Un breve picco seguito da un utilizzo debole suggerirebbe che i rilasci hanno prodotto attenzione senza una migrazione duratura.

Il comportamento dei concorrenti fornirà prove di supporto. OpenAI, Anthropic, Google, Meta e altri provider possono rispondere attraverso costi operativi più bassi, nuovi rilasci aperti o protezioni aziendali più solide.

Una risposta concentrata solo sui benchmark mancherebbe il punto centrale. Alibaba e MiniMax competono attraverso la distribuzione e il controllo dell’implementazione tanto quanto attraverso la capacità grezza dei modelli.

Gli sviluppatori dovrebbero quindi eseguire valutazioni circoscritte prima di modificare sistemi critici. Utilizzate attività rappresentative, registrate i tassi di intervento, testate i confini di sicurezza e calcolate l’intero onere operativo.

Non trattate l’espressione “open source” come un sostituto della revisione della licenza. Non trattate una tariffa API come il costo totale di proprietà.

La storia di Google News coglie un cambiamento reale, ma l’esito rimane incerto. I modelli aperti stanno diventando una leva credibile contro le piattaforme chiuse, mentre le condizioni commerciali stanno diventando più visibili.

Per la prossima decisione di implementazione, ponetevi una domanda pratica: il modello offre risultati affidabili sotto i vostri vincoli di infrastruttura, governance e licenza? La risposta conta più del titolo di lancio.