IT EN
Avvia una prova

Note operative Osservatorio

MiniCPM5-2B: nominare gli otto dataset non basta all’AI Act

7 min di lettura

Parete fittissima di rotoli di carta visti di testa, decine e decine, impilati in file irregolari, fotografia in bianco e nero; nessun rotolo è identificabile, non ci sono persone, loghi né scritte leggibili
Si conta la quantità dei rotoli, non quello che c’è scritto sopra a ciascuno.

Un’impresa che porta un modello di intelligenza artificiale dentro il proprio perimetro — perché i dati che tratta non possono uscire — prima o poi si sente chiedere che cosa c’è dentro quel modello, e con che diritto. Non è un’ipotesi da manuale: abbiamo letto un Equity Purchase Agreement depositato alla SEC il 2 settembre in cui il compratore fa giurare al venditore di avere «a valid and enforceable right to use each Training Dataset» — un diritto valido su ogni dataset di addestramento — e la definizione contrattuale comprende esplicitamente «scraped or harvested datasets», dataset raccolti tramite scraping. Chi porta un modello in casa propria eredita prima o poi la stessa domanda: che cosa lo ha addestrato, e con quale diritto?

Il 6 settembre 2026, alle 11:12 UTC secondo il campo createdAt dell’API di Hugging Face, OpenBMB ha pubblicato MiniCPM5-2B: secondo modello della serie MiniCPM5 dopo MiniCPM5-1B, denso da 2 miliardi di parametri, apache-2.0, non gated, tag on-device, edge-ai, long-context, tool-calling, lingue inglese e cinese. Fin qui niente di insolito per la fascia. La scheda contiene però una dichiarazione più rara: nel campo datasets del frontmatter compaiono otto nomi propri — Ultra-FineWeb, UltraX-Preview, Ultra-FineWeb-L3, UltraData-Math, UltraData-Code, UltraData-SFT-2605, UltraData-SFT-Agent-2609, UltraData-RL-2609 — ciascuno un link a un dataset specifico, non una frase generica su dati web filtrati.

Otto nomi, verificati uno per uno

Un nome in un frontmatter non prova nulla da solo: può puntare a un repository privato, cancellato o mai esistito. Abbiamo interrogato l’endpoint pubblico https://huggingface.co/api/datasets/openbmb/<nome> per ciascuno degli otto, e tutti e otto esistono, sono pubblici e apache-2.0. Sette sono scaricabili senza restrizioni; uno solo, UltraData-SFT-2605, risulta gated: auto — accesso dietro accettazione automatica dei termini, non una barriera editoriale. I numeri letti il 9 settembre: Ultra-FineWeb, 64.669 file, 120.491 download; UltraX-Preview, 483 file; Ultra-FineWeb-L3, 1.771; UltraData-Math, 1.831; UltraData-Code, 1.131; UltraData-SFT-2605, 1.510; UltraData-SFT-Agent-2609, 57; UltraData-RL-2609, 26. Otto corpora nominati, otto corpora che rispondono.

Dove la dichiarazione si ferma

Il nome più pesante della lista è Ultra-FineWeb, oltre 64 mila file da solo. La sua scheda spiega come nasce, verbatim: «We use the proposed efficient verification-based high-quality filtering pipeline to the FineWeb and Chinese FineWeb datasets» — applichiamo la pipeline di filtraggio proposta ai dataset FineWeb e Chinese FineWeb — cioè a valle di Common Crawl, la scansione del web aperto alla base di FineWeb. Ultra-FineWeb non raccoglie da zero: filtra ciò che altri hanno già raccolto.

Abbiamo letto quella scheda per intero: 1.242 parole, contate da noi. La parola copyright non compare mai. Non compaiono le parole opt-out né robots: nessuna riga su un titolare che segnala di non voler finire in un corpus, né su come la pipeline tratti i robots.txt a monte. C’è però un dettaglio in direzione opposta: lo schema del dataset, interrogato via API, riporta tre campi per record — content, score, source — quest’ultimo il riferimento alla provenienza del singolo documento. La provenienza è registrata da qualche parte nella pipeline; semplicemente non è raccontata, né aggregata, nella scheda pubblica.

L’articolo 53, paragrafo 2

L’AI Act — regolamento (UE) 2024/1689, articolo 53, paragrafo 1, testo italiano autentico scaricato da Cellar, l’archivio ufficiale dell’Unione — impone ai fornitori di modelli per finalità generali quattro obblighi. Due riguardano proprio questo punto. Lettera c): i fornitori «attuano una politica volta ad adempiere al diritto dell’Unione in materia di diritto d’autore e diritti ad esso collegati e, in particolare, a individuare e rispettare, anche attraverso tecnologie all’avanguardia, una riserva di diritti espressa a norma dell’articolo 4, paragrafo 3, della direttiva (UE) 2019/790». Lettera d): «redigono e mettono a disposizione del pubblico una sintesi sufficientemente dettagliata dei contenuti utilizzati per l’addestramento del modello di IA per finalità generali, secondo un modello fornito dall’ufficio per l’IA».

Segue il paragrafo che chi lavora con modelli aperti cita spesso a memoria, e spesso in modo impreciso: l’eccezione riguarda solo due lettere su quattro. «Gli obblighi di cui al paragrafo 1, lettere a) e b), non si applicano ai fornitori di modelli di IA rilasciati con licenza libera e open source che consentono l’accesso, l’uso, la modifica e la distribuzione del modello e i cui parametri, compresi i pesi, le informazioni sull’architettura del modello e le informazioni sull’uso del modello, sono resi pubblici. Tale eccezione non si applica ai modelli di IA per finalità generali con rischi sistemici.» L’esenzione copre solo la documentazione tecnica interna (lettera a) e le informazioni per chi integra il modello a valle (lettera b). La politica sul diritto d’autore e la sintesi dei contenuti — lettere c) e d) — restano dovute a prescindere dalla licenza: MiniCPM5-2B, apache-2.0 e pesi pubblici, rientrerebbe nell’esenzione solo per due obblighi su quattro.

Nominare non è avere il diritto

Otto nomi propri, ciascuno verificabile con una chiamata API, sono più di quanto offra qualunque interfaccia in cloud, dove i dati di addestramento restano un segreto industriale non discusso. È un passo concreto verso ciò che la lettera d) chiede — una sintesi dei corpora, pubblica, prima ancora che qualcuno la pretenda. Ma nominare un dataset non equivale a dimostrare il diritto di averlo usato, e il documento che un giorno arriva sul tavolo — un’acquisizione, una due diligence, una richiesta dell’ufficio per l’IA — non chiede il nome del corpus: chiede la prova del diritto.

È qui che il perimetro cambia le carte in tavola. Con un modello di frontiera via API, la provenienza dei dati resta dietro un cancello che nessun cliente può aprire: si giudica il modello dai risultati, non dai dati con cui è stato costruito. Chi porta un modello come questo in casa guadagna, insieme al controllo dei dati che ci fa passare dentro, la possibilità concreta di andare a vedere — scaricare Ultra-FineWeb, aprire i campi source, verificare i documenti citati, come abbiamo fatto noi qui. Ed eredita, con la stessa mossa, il compito di documentare quello che ha visto: nessun fornitore in cloud lo farà al posto suo.

Vedi il servizio · Parlane con un tecnico

Quello che non sappiamo

Non abbiamo scaricato gli otto corpora né ispezionato i documenti che contengono: sappiamo che i file esistono e sono pubblici, non che ogni documento al loro interno sia legittimamente in un dataset di addestramento. La licenza apache-2.0 di ciascun dataset riguarda la raccolta come pubblicata su Hugging Face, non necessariamente ogni documento sorgente che la compone — il caso di Ultra-FineWeb, costruito su corpora terzi come FineWeb, lo mostra bene. Non sappiamo se OpenBMB abbia pubblicato altrove una politica sul diritto d’autore o la sintesi richiesta dalla lettera d): non l’abbiamo cercata fuori da Hugging Face. Non sappiamo, infine, se e quando OpenBMB immetta MiniCPM5-2B sul mercato dell’Unione in un modo che faccia scattare gli obblighi dell’articolo 53: il regolamento si applica a chi lo fa, non alla pubblicazione su un repository pubblico.

I due assi

Adempiere. Chi porta MiniCPM5-2B dentro il proprio perimetro non eredita gli obblighi dell’articolo 53: restano di OpenBMB, il fornitore. Eredita però la stessa domanda che un compratore, un revisore o un cliente porrà prima o poi: su che cosa è stato addestrato quello che avete installato, e con quale diritto. Rispondere richiede un registro tenuto da subito — modello, dataset dichiarati, dataset verificati — non ricostruito il giorno della domanda.

Decidere. La possibilità di andare a vedere — aprire un dataset, leggerne lo schema, contare le parole di una scheda — distingue un modello portato in casa da uno consumato via API. Vale la pena spenderla: non per fidarsi della dichiarazione di OpenBMB, ma per costruire sopra di essa la propria — quali otto dataset avete verificato, quando, con quali numeri. È la sintesi che, un giorno, risponderà al posto vostro.

Fonti