Anthropic introduce Claude Opus 4.8: meglio del precedente e segnala quando sbaglia

Anthropic ha presentato Opus 4.8, aggiornamento della famiglia di modelli linguistici avanzati Claude.

I miglioramenti coprono le attività di programmazione, di “ragionamento”, di gestione dei flussi di lavoro agentivi e, in particolare modo, perfezionano il riconoscimento di limiti ed errori nelle risposte fornite dall’intelligenza artificiale (IA).

Nel comunicato ufficiale si legge che Opus 4.8 migliora i task “long-horizon”, ovvero quelli che richiedono pianificazione, memoria contestuale estesa e capacità di mantenere coerenza durante operazioni molto lunghe.

Allo stesso modo, il modello introduce miglioramenti nel “tool triggering”, riducendo i casi in cui ignora strumenti o funzioni necessarie per completare il compito assegnatogli.

Cosa sapere a proposito di Claude Opus 4.8

Tra le novità più corpose va evidenziata la maggiore tendenza del modello IA ad ammettere incertezze o limiti informativi. Claude Opus 4.8, dice Anthropic, è meno incline a produrre risposte inventate o formulate con un eccesso di certezza.

Un punto rilevante a prescindere dallo scopo per il quale il modello viene usato, perché le allucinazioni (risposte che sembrano plausibili ma sono false o completamente inventate) sono ancora uno dei principali limiti dei modelli linguistici di grandi dimensioni. Un sistema capace di generare risposte plausibili ma inesatte, infatti, può rappresentare un problema enorme in ambiti come la cybersecurity, la finanza, la medicina, lo sviluppo di software e altri ancora.

Un altro miglioramento più che sensibile riguarda proprio gli sviluppatori. Opus 4.8 introduce funzionalità tecniche per una più accorta configurazione del livello di sforzo, ovvero della quantità di “ragionamento” che un modello decide di applicare a un compito. Inoltre, la modalità Fast Mode promette maggiore velocità nella generazione di codice. Non di meno, Anthropic sostiene che Opus 4.8 è più efficace nell’individuare bug o problemi nel codice arrivando, in alcuni casi, a ridurre di quattro volte la probabilità di ignorare errori software.

Un altro elemento centrale è l’evoluzione delle capacità agentive. Anthropic sta infatti spingendo verso sistemi in grado di coordinare flussi di lavoro complessi tramite sub-agenti paralleli capaci di verificare autonomamente risultati, correggere errori intermedi e suddividere attività articolate in operazioni più piccole.

Le controindicazioni

Un modello che dichiara di non sapere dare una risposta non deve ammaliare, perché non significa che ha una reale consapevolezza dei propri errori. Evitare di affidarcisi senza spirito critico, perché chi lo produce ne promuove i vantaggi, è sempre buona cosa.

Resta, inoltre, l’annoso e sempiterno problema del “dual-use”. Un modello più capace nel reasoning - ovvero la capacità di eseguire “ragionamenti” strutturati per arrivare a una conclusione – e più performante nella generazione di codice e nelle attività produttive, può essere usato anche da malintenzionati.

Un modello più “onesto” come Claude Opus 4.8 non è per forza di cose meno soggetto ad abusi e manipolazioni tipiche dei cyber criminali. Un discorso che si può ampliare fino a coinvolgere tutti i player del settore, perché OpenAI (che produce ChatGpt), Google (con i modelli Gemini) e Meta (Meta AI) stanno investendo miliardi di dollari per aumentare la capacità computazionale, l’autonomia e l’affidabilità dei rispettivi modelli, cercando di primeggiare in un mercato competitivo popolato da colossi.

Tutto ciò, certamente utile a chi usa le IA per la produttività, spalleggia anche chi vi fa ricorso per scopi meno nobili tra social engineering, phishing e contenuti manipolatori di diverso genere.

La lotta ai deepfake

Mentre chi produce modelli IA si impegna a renderli sempre più performanti, c’è chi dietro le quinte si dà da fare per trovare soluzioni ai problemi che questa evoluzione comporta.

Oggi il problema non è più solo manipolare contenuti, perché è relativamente facile creare deepfake, fenomeno in crescita esponenziale, il problema cardine è riuscire a distinguere ciò che è reale da ciò che è sintetico, soprattutto quando i sistemi IA diventano più competenti.

Sul fronte della lotta ai deepfake va segnalato il progetto OpenFake, piattaforma aperta progettata da ricercatori di varie università per migliorare il riconoscimento dei deepfake che ha restituito risultati incoraggianti. I ricercatori hanno raccolto circa quattro milioni di immagini, combinando tre milioni di scatti autentici con quasi un milione di falsi generati da diversi modelli IA e hanno prodotto uno studio nel quale viene evidenziato come le nuove tecnologie generative sono in grado di ingannare l’occhio umano, rendendo necessari rilevatori automatici sempre più sofisticati.

Una caratteristica distintiva del progetto è OpenFake Arena, una piattaforma di crowdsourcing che permette di aggiornare continuamente il dataset di immagini e che vuole proteggere l’integrità dell’informazione nel suo insieme, con particolare enfasi sulla disinformazione politica.