Ornith-1.5-397B: licenza dichiarata, il file assente per la terza volta in tre giorni
7 min di lettura
Il 18 agosto 2026, nel giro di un’ora, compaiono su Hugging Face i repository della famiglia Ornith-1.5 dell’organizzazione ornith-ai — tre taglie di base, 9B, 35B-A3B e il modello di cui scriviamo, ornith-ai/Ornith-1.5-397B, più le rispettive versioni quantizzate FP8, GGUF, MLX e NVFP4, venticinque repository in tutto. createdAt dell’API per il 397B: 2026-08-18T06:34:59Z; ultima modifica 2026-08-20T02:23:15Z, il giorno prima della nostra verifica. Interrogato di persona il 21 agosto: 672 download, 65 like, 137 file nel repository, di cui 122 shard .safetensors. Tag dichiarati: transformers, safetensors, qwen3_5_moe, image-text-to-text, text-generation, conversational, license:mit, eval-results, region:us. Chi è Ornith? La pagina dell’organizzazione mostra 5 utenti, 25 modelli, non è verificata (isVerified: false), ha 2.637 follower — e nessuna informazione su sede, forma societaria o finanziamento: né lì, né sul sito ornith.ai, né nel post che la scheda cita come fonte, firmato solo «Ornith Team».
Trecentonovantasette miliardi di parametri, un cluster per farli girare
Il campo safetensors dell’API dichiara 396.802.360.816 parametri in BF16: a 2 byte ciascuno, 793,6 GB solo di pesi — coerente con quanto scrive la scheda stessa: «Ornith-1.5-397B is a ~397B mixture-of-experts model (≈800 GB in bf16), so multi-GPU serving is required.» — traduzione nostra: Ornith-1.5-397B è un modello a esperti misti da circa 397 miliardi di parametri (~800 GB in bf16), per cui serve necessariamente più di una GPU. config.json conferma l’architettura Qwen3_5MoeForConditionalGeneration: 60 livelli, 512 esperti instradati, 10 attivati per token più un esperto condiviso, hidden_size 4096. Il README non dichiara quanti parametri restino attivi per token: solo la struttura del sistema di esperti, non il conto finale — a differenza di altri modelli a pesi aperti che pubblicano quella cifra esplicitamente. Il contesto dichiarato è 262.144 token, cioè 256K, non 262K, estendibile con YaRN fino a circa un milione con fattore di scala 4.0. config.json porta anche un vision_config completo (encoder da 27 livelli), ma il README non lo documenta né lo dimostra: la scheda descrive solo un uso testuale e agentico.
Per servirlo la scheda indica «8-way tensor parallelism on a single node (e.g., 8× H200 141GB)» — traduzione nostra: parallelismo tensoriale a 8 vie su un nodo singolo, per esempio 8 GPU H200 da 141GB — oppure build quantizzate FP8/INT4 per installazioni più piccole; richiede inoltre runtime recenti (Transformers ≥5.8.1, vLLM ≥0.19.1, SGLang ≥0.5.9). La scheda riporta anche un confronto — «performing on par with Claude Opus 4.8 (85.0 and 59.0) while outperforming leading open-source models of similar scale, including GLM-5.2 and DeepSeek-V4-Flash-0731» — traduzione nostra: prestazioni in linea con Claude Opus 4.8, superiori ai modelli open-source di scala comparabile, inclusi GLM-5.2 e DeepSeek-V4-Flash-0731 — su benchmark come Terminal-Bench 2.1 (86,1) e SWE-bench Verified (86): numeri della scheda, calcolati da chi pubblica il modello, non verificati da noi.
La licenza dichiarata, il file assente per la terza volta in tre giorni
Qui il controllo riga per riga. Il tag pubblico è license:mit, confermato da cardData.license. Il README va oltre: nel frontmatter YAML dichiara anche license_link: https://huggingface.co/ornith-ai/Ornith-1.5-397B/blob/main/LICENSE — un collegamento preciso, non un rimando generico. Lo abbiamo aperto: HTTP 404. Abbiamo poi cercato ogni variante che la piattaforma usa per questo file — LICENSE, LICENSE.md, LICENCE, NOTICE, USE_POLICY.md — 404 su tutte e cinque, verificato sia sulla pagina sia sull’endpoint raw. Fra i 137 file del repository nessuno porta quel nome. Un secondo documento che restringa l’uso — una usage policy, un’acceptable use — non esiste: il README non contiene nessuna di quelle espressioni, solo istruzioni tecniche di avvio.
Non è un caso isolato, ed è per questo che lo scriviamo. Il 19 agosto era toccato a Ling-3.0-tiny di Ant Group: licenza MIT nei tag, nessun file nel repository. Il 20 agosto a UI-Mate-27B di Tencent: Apache 2.0 dichiarata, testo reperibile solo su GitHub, non nel repository dei pesi. Oggi, terzo giorno consecutivo, lo stesso schema — con l’aggravante di un collegamento che punta a un file specifico e comunque non esiste. Non è più un incidente isolato di un singolo laboratorio: è una prassi diffusa fra editori diversi, verificata da noi su tre repository in tre giorni. Abbiamo controllato anche il repository gemello ornith-ai/Ornith-1.5-35B-A3B, pubblicato dieci minuti prima: stessa dichiarazione license:mit, stessa assenza dei cinque file. Non è un caso isolato nemmeno dentro la stessa famiglia di modelli — diverso, per contrasto, dal caso in cui il file c’era per intero.
Gated falso, verificato senza credenziali
Il campo gated è false. Verificato senza autenticarci: config.json in resolve/main restituisce un reindirizzamento 307 verso la cache pubblica, non un 401; l’API risponde 200, private: false. Abbiamo anche provato i link che la scheda promette — il file chat_template.jinja citato nel testo, il repository GGUF gemello per Ollama e llama.cpp, il post ornith.ai/ornith_1_5.html citato come fonte dei benchmark: rispondono tutti 200. Non abbiamo trovato, né sul sito né altrove, una versione ospitata di Ornith-1.5-397B con funzioni assenti dai pesi: a differenza di Ling-3.0-tiny, raggiungibile anche via un endpoint gratuito su OpenRouter, qui non risulta alcun servizio equivalente verificato da noi.
Il perimetro, non solo il download
Pesi scaricabili senza il calcolo che li rende eseguibili non sono sovranità: qui il calcolo è tutto fuorché trascurabile. Un cluster da 8 GPU H200 non è una spesa che un reparto approva senza che nessuno lo sappia — ma il download dei pesi sì, ed è quello il primo passo di cui deve restare traccia. Il problema non è se un’azienda può permettersi l’hardware: è se, quando può, qualcuno ha annotato con che licenza ha scaricato quei 793,6 GB, da quale organizzazione — della quale, in questo caso, non sappiamo nemmeno la sede — e con quale autorizzazione a distribuirla ulteriormente all’interno del perimetro. La stessa disciplina che chiediamo per il rapporto tecnico che una scheda modello dovrebbe fornire prima dell’installazione vale qui: versione e digest dell’artefatto, canale e data di acquisizione, licenza archiviata nel testo del giorno — non richiamata a memoria mesi dopo, quando un collegamento può restituire ancora lo stesso 404 di oggi — e gli usi approvati, con chi li ha approvati.
Quello che non sappiamo
Non abbiamo eseguito il modello: nessuna affermazione su qualità, comportamento o affidabilità. I punteggi di benchmark riportati sono quelli dichiarati dalla scheda, non verificati da noi. Non conosciamo i parametri attivati per token, che il README non dichiara. Non sappiamo su quali dati sia stato addestrato né chi ne risponda legalmente: la pagina dell’organizzazione non riporta una sede, una società o un finanziatore. Non formuliamo qualificazioni giuridiche, AI Act incluso. Non sappiamo se un file LICENSE comparirà in futuro nel repository, né se il collegamento oggi rotto verrà corretto: riportiamo lo stato verificato il 21 agosto 2026.
Vedi il servizio · Parlane con un tecnico
Il registro, applicato a questo caso
Adempiere: per un modello come questo il registro non si ferma a nome e licenza dichiarata. Deve annotare che il collegamento alla licenza citato dal README stesso restituisce 404, la data in cui lo abbiamo verificato, e la conferma che nessun secondo documento restrittivo esiste — con la traccia datata da esibire a un’ispezione, a un cliente in gara o a un consiglio di amministrazione, indipendentemente dal fatto che l’organizzazione che ha pubblicato il modello risponda o meno a una richiesta di chiarimento.
Decidere: lo stesso impianto tiene insieme modelli, dati, contratti, archivi e documenti in un modello operativo unico, su cui agenti AI eseguono decisioni con un operatore al comando, per grandi imprese, difesa, pubblica amministrazione e sanità. Più cresce la taglia del modello — qui quasi 800 GB di soli pesi, un cluster da otto GPU per servirlo — più cresce la tentazione di fidarsi dell’etichetta senza controllare il file dietro l’etichetta: è esattamente il contrario di quello che un registro serio deve fare. Sempre in due modalità, on-premise su macchine autonome del cliente o cloud dedicato con VPN dedicata e data center in Italia, sempre con gestione condivisa.
Dalla prima sessione, senza costi, esce il registro datato dei modelli che avete in esercizio: per ciascuno, la licenza archiviata nel testo del giorno del download, non un collegamento che potrebbe già restituire un errore. Resta a voi anche se non proseguiamo insieme.