Elon Musk ha anticipato che Grok 4.6 è entrato nella fase finale di addestramento iniziale e che il nuovo modello di xAI dovrebbe completare questo passaggio già la prossima settimana. Il dato che colpisce di più è la scala: si parla di 2.000 miliardi di parametri, un salto rispetto alla generazione attuale.
L’obiettivo dichiarato non è soltanto aumentare la dimensione del modello, ma farlo mantenendo velocità di inferenza ed efficienza dei token vicine a quelle della versione da 1.500 miliardi di parametri. È un dettaglio importante, perché nella corsa ai grandi modelli contano sempre di più anche tempi di risposta e costo operativo.
Grok 4.6 punta ai 2.000 miliardi di parametri senza sacrificare l’efficienza
Musk ha spiegato che il nuovo Grok 4.6 da 2T è superiore sotto ogni aspetto all’attuale versione basata su 1,5T parametri, indicata come Grok 4.5. Allo stesso tempo, xAI starebbe lavorando per mantenere prestazioni di inferenza e resa per token molto vicine al modello precedente, così da evitare che l’aumento di scala si traduca in un peggioramento della fruibilità pratica.
Nel confronto competitivo, Musk ritiene che questo modello possa superare Kimi 3, una delle proposte più recenti nel segmento dei grandi modelli linguistici. Per ora, però, non ci sono ancora dettagli ufficiali su data di lancio, specifiche complete o architettura finale del modello.
- Completamento dell’addestramento iniziale previsto la prossima settimana.
- Dimensione del modello indicata in 2.000 miliardi di parametri.
- Velocità di inferenza ed efficienza dei token attese vicino al livello del modello da 1,5T.
- Obiettivo dichiarato: fare meglio della generazione attuale e puntare oltre Kimi 3.
La crescita di Grok passa da più potenza di calcolo e da una concorrenza sempre più serrata
Il percorso di crescita di xAI si inserisce in una strategia di forte espansione delle risorse di calcolo. In precedenza l’azienda aveva già indicato che Grok 4 è stato addestrato sul cluster AI chiamato Colossus, una piattaforma con circa 200.000 GPU usata per training e reinforcement learning.
Questo chiarisce anche perché il semplice aumento dei parametri non vada letto in modo isolato. Le prestazioni reali dipendono anche da qualità dei dati, metodo di addestramento, architettura di inferenza, disponibilità di calcolo e ottimizzazioni successive.
- Grok 4 è stato addestrato con il cluster Colossus.
- L’infrastruttura citata conta circa 200.000 GPU.
- La fase successiva al training può includere fine-tuning e reinforcement learning.
- La competizione oggi si gioca su capacità, velocità di risposta ed efficienza dei costi.
