01La domanda
Nelle ultime settimane due fatti sono arrivati insieme: vulnerabilità gravi in software che usano quasi tutti i siti, e un produttore di modelli che ha deciso di togliere capacità di attacco al proprio modello prima di pubblicarne i pesi. Ho voluto capire che cosa cambia per chi non ha un reparto di sicurezza. Le domande sono tre.
- Che cosa si sa, con fonti verificabili, sui modelli aperti a cui vengono tolti i filtri?
- Che cosa offre oggi un'applicazione reale di questo tipo, e quali rischi porta a chi la installa?
- Che cosa gira davvero su un computer piccolo, come il MacBook Air M1 da 8 GB su cui lavoro?
Lo studio non contiene istruzioni per togliere i filtri a un modello né prove con richieste dannose. La simulazione è un calcolo: nessun modello è stato installato o eseguito.
02Che cosa vuol dire uncensored
Un modello open weight è un modello di cui l'azienda pubblica i pesi, cioè i numeri che ne contengono l'addestramento. Chi li scarica può farlo girare sul proprio computer e può anche modificarlo. «Uncensored» indica un modello modificato perché non rifiuti più nessuna richiesta. Le due strade più diffuse:
- Abliteration: si individua nella rete la componente legata al rifiuto e la si neutralizza, senza un nuovo addestramento completo.
- Fine-tuning: si prosegue l'addestramento con esempi in cui il modello risponde sempre.
- Un servizio commerciale
TechCrunch, il 3 settembre 2026, ha descritto Abliteration.ai: una piattaforma che ospita versioni di modelli aperti con i filtri rimossi, tra cui GLM-5.3 di Z.ai, accessibile dal browser o via API. Nei test del giornale il modello ha eseguito richieste di codice per rubare password dal browser. L'articolo nota anche che Hugging Face ospita migliaia di modelli «abliterated». Articolo di TechCrunch.
- Un rischio per chi li scarica
Una nota della Cloud Security Alliance del 21 ottobre 2026 riassume una prova di concetto di ProjectDiscovery: un modello aperto modificato si comporta normalmente nei test e, dentro un agente di programmazione, esegue un codice che ruba credenziali quando compare una frase precisa. Nella prova sono bastati circa 8 dollari e 2,5 ore su una GPU. La raccomandazione: trattare ogni modello modificato come codice non fidato. Nota della CSA.
Il secondo punto viene raccontato poco. Chi cerca un modello senza filtri di solito pensa al rischio che pone agli altri. Ma un modello scaricato da uno sconosciuto è anche un rischio per chi lo installa, soprattutto se gli dà accesso a comandi e file.
03Il caso Kimi K3.1 Pro
Moonshot AI ha presentato Kimi K3.1 Pro il 23 ottobre 2026, con i pesi aperti promessi entro il 4 novembre. Le cifre che seguono sono quelle dichiarate dall'azienda e riportate dalle fonti indicate; i punteggi non sono stati riprodotti in modo indipendente.
| Voce | Valore | Fonte |
|---|---|---|
| Architettura | Mixture of Experts, 2,8 mila miliardi di parametri, 104 miliardi attivi | scheda alphaXiv, Notebookcheck |
| Contesto | 1 milione di token | alphaXiv, VKTR |
| Prezzo API | 2 dollari per milione di token in ingresso, 10 in uscita | Notebookcheck (fonte unica) |
| Che cosa è stato tolto | contenuti di sicurezza offensiva dai dati di mid-training e dagli ambienti di apprendimento per rinforzo, solo nella versione aperta | VKTR, Notebookcheck |
| Obiettivo dichiarato | non pubblicare pesi che spostino in avanti la frontiera assoluta delle capacità cyber | VKTR, Notebookcheck |
| Modello | Risolti |
|---|---|
| Kimi K3.1 Pro, versione senza riduzione | 90,5% |
| Kimi K3.1 Pro, versione con pesi aperti | 81% |
| Kimi K3, modello precedente | 33,3% |
LetturaLa riduzione toglie circa 9,5 punti, ma la versione aperta resta più del doppio della precedente. Una volta pubblicati, i pesi possono essere riaddestrati da chi ha dati e risorse: la scelta di Moonshot alza la soglia, non la chiude. È però la prima volta che un produttore pubblica un confronto così esplicito tra versione piena e versione ridotta, e questo rende la decisione verificabile da fuori.
04Ottobre 2026: il contesto
Gli episodi che seguono sono confermati da fonti ufficiali o da più fonti indipendenti. Non ho trovato prove dirette che siano stati condotti con modelli senza filtri: molti lo ipotizzano, ma le comunicazioni ufficiali non lo dicono.
| Data | Che cosa | Che cosa fare |
|---|---|---|
| 21 ottobre | PHP: due falle di esecuzione di codice da remoto senza autenticazione (CVE-2026-109618 e 109619). Il 26 ottobre la CISA le mette tra quelle sfruttate attivamente. | Aggiornare a PHP 8.5.12, 8.4.27, 8.3.36 o 8.2.35. Con PHP 8.1 o precedenti, la CISA indica di togliere i sistemi da internet. |
| 21 ottobre | Node.js: dieci vulnerabilità corrette, la più grave nel decompressore Brotli (CVE-2026-111497). | Aggiornare a 26.12.1, 24.22.1 o 22.23.4. Node 20 e 25 non ricevono più correzioni. |
| 20-22 ottobre | Railway: un attaccante legge variabili d'ambiente cifrate e ne decifra una parte, al massimo nell'1,85% dei workspace. | Revocare e reinserire i segreti salvati prima di quella data, togliere l'accesso pubblico ai database. |
| stessi giorni | LiteLLM: fonti secondarie riportano una versione malevola su PyPI e Docker Hub per poche ore, con un ladro di chiavi AI. | Controllare le versioni installate in quei giorni e ruotare le chiavi dei servizi AI. |
05Caso studio: Locally Uncensored 3.0.10
Per capire che cosa trova oggi chi cerca un'AI senza filtri ho analizzato un'applicazione reale, Locally Uncensored, nella versione 3.0.10 (beta su macOS per Apple Silicon). Ho letto la pagina principale, le note legali, l'informativa privacy e i termini il 16 novembre 2026. Non l'ho installata. Quello che segue è ciò che il sito dichiara, con le mie valutazioni separate.
- Che cos'è
Un'applicazione desktop gratuita e open source (licenza AGPL-3.0) per Windows, Linux e macOS, con un servizio cloud a pagamento separato. Il sito la descrive come un'app da installare «come qualunque altra» e dichiara oltre 270.000 download, un numero che non ho potuto verificare.
- Chi la gestisce
Una persona fisica con sede in Germania, indicata nelle note legali. Codice pubblico su GitHub.
- Modelli
Il sito dichiara modelli «abliterated», cioè con i rifiuti rimossi, e cita tra gli altri GPT-OSS-20B e 120B, GLM-4.7 Flash, Qwen 3.8 27B, Llama 4, Gemma 4 e Mistral Small 3. Le dimensioni contano: lo vedremo nella simulazione.
- Requisiti
Per la chat di testo il sito indica 8 GB di RAM. Su Mac servono Apple Silicon e macOS 14 o successivo.
- Privacy dichiarata
L'app dichiara di non inviare ciò che scrivi, i modelli usati o i tempi d'uso, e di non avere strumenti di analisi. Contatta però GitHub per gli aggiornamenti, motori di ricerca per la ricerca web e i siti da cui scarica i modelli. L'accesso remoto passa da Cloudflare, e il sito stesso avverte che Cloudflare potrebbe leggere quel traffico.
- Termini
«Sei tu a decidere che cosa scrivi e generi, e ne sei responsabile.» Il servizio cloud non aggiunge moderazione al testo. Alcuni modelli hanno licenze che vietano l'uso commerciale.
Scheda di rischio
Per ogni funzione dichiarata indico che cosa può andare storto per chi la usa in un'azienda e che cosa farei io. La valutazione del livello è mia.
- Alto
Modalità agente con esecuzione di comandi e scrittura di file (strumenti chiamati
shell_executeefile_write), più il controllo di mouse e tastiera in beta, disattivato all'avvio.Un modello senza filtri, o un modello modificato con un comando nascosto come quello della nota CSA, può eseguire qualunque cosa sul computer. Da usare solo in una macchina virtuale senza credenziali e senza dati aziendali.
- Alto
Modelli modificati scaricati da registri pubblici.
La provenienza di un modello «abliterated» è difficile da verificare. Secondo la CSA va trattato come codice non fidato: niente accesso alla rete e alla shell finché non è stato controllato.
- Medio
Accesso remoto via internet.
Comodo per usare il modello dal telefono, ma il traffico passa da un servizio terzo e la porta di accesso diventa un bersaglio. In azienda lo lascerei spento.
- Medio
Installazione di eseguibili scaricati da GitHub.
Il sito dichiara che il pacchetto per macOS è firmato e notarizzato da Apple. Per Windows non ho trovato una dichiarazione analoga. Prima di installare controllerei la firma del file.
- Basso
Codice aperto e autore identificato.
Sono segnali a favore: il codice si può leggere e c'è un responsabile indicato. Non sostituiscono un controllo del codice, che in questo studio non ho fatto.
LetturaL'app non è uno strumento di attacco: è un'interfaccia che rende facile usare in locale modelli a cui sono stati tolti i rifiuti. Il rischio maggiore per una piccola impresa non è che un dipendente la usi per attaccare qualcuno, ma che la installi su un computer di lavoro, con la modalità agente, un modello di provenienza incerta e le credenziali aziendali a portata di mano.
06Simulazione su un MacBook Air M1 da 8 GB
Il computer su cui lavoro è piccolo: MacBook Air M1, 8 GB di memoria unificata. È lo stesso tipo di macchina che hanno molti professionisti e molte piccole imprese, ed è il requisito minimo indicato dall'app del caso studio. Invece di installare qualcosa ho calcolato che cosa ci starebbe e a che velocità.
Il metodo
- Dimensione dei pesi. Quantizzazione Q4_K_M, circa 4,85 bit per parametro. Con questo valore i conti tornano con le dimensioni reali di Ollama documentate nel capitolo dell'Academy: Mistral 7B 4,4 GB, Llama 3.1 8B 4,9 GB, Phi-3.5 mini 2,3 GB.
- Memoria in più. 0,6 GB per il contesto (circa 4.000 token) e per il motore.
- Memoria utilizzabile. 5,5 GB sugli 8: il resto va a macOS e alle applicazioni aperte. È un'ipotesi prudente, non una misura.
- Velocità. Per ogni token generato il computer legge tutti i pesi una volta, quindi il limite è la banda della memoria: 68,25 GB/s sull'M1 (memoria LPDDR4X-4266 su un bus da 128 bit). Il massimo teorico è banda diviso dimensione dei pesi; nella pratica si arriva tra il 50 e il 70%.
Memoria necessaria per modello, contro i 5,5 GB disponibili
- Entra
- Al limite
- Non entra
- Soglia 5,5 GB
- Phi-3.5 miniAcademy2,9 GB
- Mistral 7BAcademy5,0 GB
- Llama 3.1 8BAcademy5,5 GB
- Gemma 2 9BAcademy6,2 GB
- Qwen 2.5 14BAcademy9,5 GB
- GPT-OSS-20Bcaso studio13,3 GB
- Mistral Small 3caso studio15,1 GB
- Qwen 3.8 27Bcaso studio17,0 GB
- GPT-OSS-120Bcaso studio71,5 GB
Scala fino a 18 GB; GPT-OSS-120B esce dalla scala. La linea tratteggiata è la memoria utilizzabile ipotizzata.
Dati: memoria e velocità stimate
| Modello | Parametri (miliardi) | Pesi Q4_K_M | Memoria totale | Esito | Token al secondo |
|---|---|---|---|---|---|
| Phi-3.5 mini | 3,82 | 2,3 GB | 2,9 GB | entra | 14,7-20,6 |
| Mistral 7B | 7,24 | 4,4 GB | 5,0 GB | entra | 7,8-10,9 |
| Llama 3.1 8B | 8,03 | 4,9 GB | 5,5 GB | al limite | 7,0-9,8 |
| Gemma 2 9B | 9,24 | 5,6 GB | 6,2 GB | non entra | - |
| Qwen 2.5 14B | 14,7 | 8,9 GB | 9,5 GB | non entra | - |
| GPT-OSS-20B | 21 | 12,7 GB | 13,3 GB | non entra | - |
| Mistral Small 3 | 24 | 14,5 GB | 15,1 GB | non entra | - |
| Qwen 3.8 27B | 27 | 16,4 GB | 17,0 GB | non entra | - |
| GPT-OSS-120B | 117 | 70,9 GB | 71,5 GB | non entra | - |
LetturaSugli 8 GB dell'M1 entrano solo i modelli da 7-8 miliardi di parametri, a 7-11 token al secondo: abbastanza per una chat, lento per un agente che deve leggere file e ragionare in più passaggi. Nessuno dei modelli grandi citati dall'app del caso studio ci sta. Ne derivano due cose. Chi vuole un modello senza filtri davvero capace su un computer così piccolo finisce verso il cloud, dove i dati escono dal computer e il servizio, come dichiara quello del caso studio, non aggiunge moderazione. E un attaccante con risorse serie non usa un portatile da 8 GB: il divario di capacità tra chi attacca e chi si difende con mezzi da piccola impresa resta ampio.
07Chi resta esposto
Le grandi organizzazioni stanno ricevendo strumenti dedicati. Con Project Glasswing, annunciato il 7 aprile 2026, Anthropic dà a un gruppo di grandi aziende tecnologiche e a più di quaranta organizzazioni che mantengono software critico l'accesso a un modello che non distribuirà al pubblico, Claude Mythos Preview, per trovare e correggere vulnerabilità. Il motivo dichiarato per non renderlo pubblico è proprio la necessità di protezioni che blocchino gli usi più pericolosi.
Le piccole imprese e i privati restano in mezzo. Usano gli stessi software delle grandi aziende, come PHP e Node.js, ma non hanno né i modelli riservati né il personale per aggiornare in poche ore. Il tempo tra la pubblicazione di una correzione e la sua installazione è il periodo in cui si è esposti, e con strumenti che automatizzano la ricerca di sistemi vulnerabili quel periodo pesa di più. È un'inferenza, non un dato misurato: non ho trovato una fonte che quantifichi gli attacchi condotti con modelli senza filtri.
08Piano di difesa per PMI e privati
Le misure che seguono non richiedono modelli speciali. Le ho ordinate per rapporto tra effetto e fatica.
Accorciare il tempo di aggiornamento. Un elenco di ciò che hai esposto su internet (sito, gestionale, server) con la versione di PHP, Node.js e CMS, e una persona responsabile di aggiornarlo entro pochi giorni da ogni correzione grave.
Segreti fuori dai posti comodi. Chiavi API e password ruotabili in fretta, mai nei file che un agente AI o uno script possono leggere. Dopo incidenti come quello di Railway, ruotarle subito.
Modelli locali con i loro filtri. Se usi l'AI in locale per la privacy, usa modelli ufficiali e annota nome e versione. Lascia l'API su
localhost: con Ollama, maiOLLAMA_HOST=0.0.0.0.Niente agenti con la shell sui computer di lavoro. Esecuzione di comandi e scrittura di file solo in una macchina virtuale senza credenziali.
Un controllo esterno periodico. Una verifica di che cosa vede un attaccante da fuori costa meno di un incidente e dà le priorità per tutto il resto.
09Limiti
- I punteggi di xdev-bench-hard sono dichiarati da Moonshot AI su un test interno: non li ho riprodotti.
- Il prezzo delle API di Kimi K3.1 Pro viene da una sola fonte secondaria.
- L'incidente di LiteLLM è riportato da fonti secondarie; non ho letto un comunicato del progetto.
- Il caso studio si basa su ciò che il sito dichiara: non ho installato l'app né controllato il codice sorgente.
- La simulazione è un calcolo con ipotesi dichiarate. La memoria realmente libera e la velocità cambiano con la versione del motore, il contesto e le app aperte. Per i modelli con architettura Mixture of Experts la velocità reale può essere più alta di quella stimata, ma la memoria necessaria resta quella dei pesi totali.
- Non è un lavoro sottoposto a revisione paritaria.
10Riproducibilità
La simulazione è uno script Python che usa solo la libreria standard. Si lancia con python3 simulazione_m1.txt (estensione .txt solo per poterlo scaricare dal sito) e scrive risultati.json con ipotesi e risultati.
I file, da scaricare: simulazione_m1.txt · risultati.json. Verifica delle pagine citate: 16 novembre 2026.
11Fonti
- CISA. «Critical Vulnerabilities in PHP Require Immediate Patching», 21 ottobre 2026, aggiornato il 26 ottobre 2026. cisa.gov
- Qualys. «Node.js Patches Brotli Remote Code Execution Flaw», 23 ottobre 2026. blog.qualys.com
- Railway. «Preliminary Report: Oct 21st Security Incident», 22 ottobre 2026, aggiornato al 26 ottobre. blog.railway.com
- Moonshot AI. Kimi K3.1 Pro Tech Blog, scheda su alphaXiv. alphaxiv.org
- VKTR. «Kimi K3.1 Pro Nears Top Proprietary Models as Moonshot Limits Its Cyber Skills». vktr.com
- Notebookcheck. «Kimi K3.1 Pro: Free to try, hacking skills deliberately weakened», 25 ottobre 2026. notebookcheck.net
- Rebecca Bellan, TechCrunch. «Abliteration.ai is making a business out of removing AI guardrails», 3 settembre 2026. techcrunch.com
- Cloud Security Alliance. «Poisoned Weights: Trigger-Activated Backdoors in Abliterated Open-Weight Models», 21 ottobre 2026. labs.cloudsecurityalliance.org
- Anthropic. «Project Glasswing», 7 aprile 2026, aggiornato il 6 ottobre 2026. anthropic.com/glasswing
- Locally Uncensored, pagina principale, note legali, informativa privacy e termini, versione 3.0.10, lette il 16 novembre 2026. locallyuncensored.com
- Banda di memoria dell'M1 (68,25 GB/s, LPDDR4X-4266, bus da 128 bit): Low End Mac, «Apple Silicon: M1 chip specs». lowendmac.com
Questo studio è indipendente: non è affiliato, sponsorizzato né approvato dalle aziende e dai progetti citati. I nomi dei prodotti sono marchi dei rispettivi titolari.
12Come citare questo studio
Balzamà, R. (2026). «AI uncensored e modelli aperti: analisi del rischio per PMI e privati». roccobalzama.it, 16 novembre 2026. https://www.roccobalzama.it/studi-pubblicazioni/ai-uncensored-rischio-modelli-aperti.html
Tutti gli studi e le pubblicazioni · Leggi l'articolo sul blog






