Emma-6: un nuovo tentativo, ma con risorse limitate

La società italiana Egomnia, guidata da Matteo Achilli, ha presentato in beta privata Emma-6, il suo nuovo large language model (LLM) che segue Emma-5. Quest’ultimo, lanciato nell’estate scorsa, è diventato oggetto di meme sui social per le risposte imprecise e talvolta bizzarre.

Dopo pochi giorni dal lancio, Emma-5 è stato chiuso con la motivazione ufficiale di “utilizzo non pienamente in linea con gli obiettivi previsti per il tipo di test”. In pratica, la decisione è servita a non esporre ulteriormente un modello da 550 milioni di parametri, troppo piccolo per competere sul mercato.

Per contestualizzare, le indiscrezioni più diffuse (non confermate) attribuiscono a GPT‑6 di OpenAI ben 6 000 miliardi di parametri (6 trilioni). I parametri di un modello – pesi, embedding e bias – sono i valori numerici appresi durante l’addestramento e determinano il funzionamento della rete neurale.

Perché la dimensione conta

Un modello generalista con pochi parametri non possiede le capacità di base per rispondere a domande di conoscenza generale. Emma-5 ha dimostrato sul campo le limitazioni di un modello di tale dimensione, generando risposte errate o addirittura pericolose.

Emma-6: tre volte più grande ma ancora inadeguato

Emma-6 è stato dotato di circa 1,55 miliardi di parametri, quasi tre volte il numero di Emma-5. Tuttavia, questo valore resta molto al di sotto della soglia minima di qualità per modelli general purpose, che si aggira intorno ai 9 miliardi di parametri.

Le prime condivisioni sui social evidenziano che il nuovo modello non riesce a cancellare l’impressione negativa lasciata dal predecessore. Un esempio è la risposta di Emma-6 a una domanda su Ryanair: il modello riconosce correttamente la compagnia aerea, evitando l’assurda identificazione con uno yogurt liquido che aveva caratterizzato Emma-5.

Altri esempi, però, non sono altrettanto rassicuranti. Le risposte pubblicate su temi semplici mostrano una scarsa capacità di generalizzazione, con errori di logica e formulazioni poco chiare.

Test tecnici e sperimentazioni

Abbiamo scaricato il modello da Hugging Face e lo abbiamo installato su un Mac. Durante il test abbiamo cambiato il framework da ONNX a MLX, mantenendo inalterati i pesi, provandoli sia in bf16 che in fp32.

Emma-6 può fornire risposte corrette, ma spesso sono inadatte o formulate male. Un caso tipico è la risposta sulla capitale d’Italia, che include una precisazione errata sul 1871.

Limitazioni evidenti

Nonostante non abbia ripetuto l’errore di Emma-5 sull’AK‑47 regalato a un bambino, il nuovo modello dimostra difficoltà nel calcolo, nella narrazione di storie della buonanotte e persiste nella convinzione che i cani sappiano volare.

Queste carenze suggeriscono che, nonostante l’aumento di parametri, Emma-6 non riesce a colmare il divario qualitativo rispetto ai grandi LLM internazionali.

    • Parametro: 1,55 miliardi (circa 3× Emma-5)
    • Confronto minimo consigliato: 9 miliardi per modelli general purpose
    • Risultati: errori di logica, risposte imprecise, capacità narrative carenti

In conclusione, Emma-6 rappresenta un tentativo di miglioramento che, pur aumentando la scala, resta impraticabile per chi cerca affidabilità e coerenza in un LLM. La comunità italiana dell’IA dovrà attendere soluzioni più robuste o collaborazioni internazionali per colmare il divario.