Source: https://eschatialabs.com/it/ ![Logo di Eschatia Labs: Pegaso impennato sopra alcune cime, disegnato a tratto dentro un cerchio punteggiato](https://eschatialabs.com/brand/logo-640.webp) # Un laboratorio indipendente di ricerca sull’intelligenza artificiale open source. Creiamo piccoli modelli di intelligenza artificiale per compiti specifici, test aperti che ne misurano i risultati e strumenti che mostrano perché un modello ha preso una certa decisione. Pubblichiamo i modelli, i dati, il codice e gli articoli, insieme ai passaggi necessari per riprodurre ogni risultato. [Scopri la ricerca](https://eschatialabs.com/it/research/) [8600](https://huggingface.co/mertkayacs) download di modelli e dataset su Hugging Face e [9000](https://www.npmjs.com/package/reevesagents) su npm, al 18 ottobre 2026. ## [Modelli decisionali](https://eschatialabs.com/it/research/#decision-models) Piccoli modelli che leggono la descrizione di una situazione, scelgono una delle risposte proposte e assegnano una probabilità a ciascuna risposta. Deem-4B lavora in inglese, Karar-4B in turco e Wähler-4B in tedesco. Sulle domande escluse dall’addestramento, Deem-4B raggiunge il 94,7% di accuratezza, contro l’84,7% di [Kev-4B](https://huggingface.co/jaredpalmer/kev-4b), un modello decisionale aperto basato su Qwen3.5-4B. Karar-4B raggiunge il 96,8%, contro l’87,1% di Kev-4B, e Wähler-4B il 92,0%, contro l’81,1% di Kev-4B. Tutti e tre sono stati addestrati a partire da Intern-Decision-4B: prima sulle tre lingue insieme, poi su ciascuna lingua separatamente. [Rapporto tecnico](https://eschatialabs.com/it/research/jevalt-report/) - [Deem-4B](https://huggingface.co/mertkayacs/Deem-4B). Modello decisionale per l’inglese. - [Modelli e dati (Hugging Face)](https://huggingface.co/mertkayacs/Deem-4B) - [Esegui sul tuo computer (GGUF)](https://huggingface.co/mertkayacs/Deem-4B-GGUF) - [Karar-4B](https://huggingface.co/mertkayacs/Karar-4B). Modello decisionale per il turco. - [Modelli e dati (Hugging Face)](https://huggingface.co/mertkayacs/Karar-4B) - [Esegui sul tuo computer (GGUF)](https://huggingface.co/mertkayacs/Karar-4B-GGUF) - [Wähler-4B](https://huggingface.co/mertkayacs/Wahler-4B). Modello decisionale per il tedesco. - [Modelli e dati (Hugging Face)](https://huggingface.co/mertkayacs/Wahler-4B) - [Esegui sul tuo computer (GGUF)](https://huggingface.co/mertkayacs/Wahler-4B-GGUF) - [JevAlt](https://jevalt.mertkayacs.com/). Codice, metodo di addestramento e tutti i file dei tre modelli decisionali. - [Codice (GitHub)](https://github.com/mertkayacs/jevalt) - [Modelli e dati (Hugging Face)](https://huggingface.co/collections/mertkayacs/jevalt-decision-models) - [Emberwick](https://emberwick.mertkayacs.com/). Un villaggio medievale nel browser in cui i tre modelli decisionali scelgono come gli abitanti reagiscono a tempeste, incendi, mercati e lupi. ## [Benchmark aperti](https://eschatialabs.com/it/benchmarks/) Test aperti per confrontare modelli di intelligenza artificiale. Ogni test pubblica i propri dati o il proprio codice. - [jevalt-bench](https://eschatialabs.com/it/benchmarks/jevalt-bench/). 3.116 descrizioni di situazioni in inglese, turco e tedesco per valutare modelli che scelgono tra risposte predefinite e assegnano una probabilità a ciascuna. 1600 download su Hugging Face al 18 ottobre 2026. - [JevOss](https://eschatialabs.com/it/benchmarks/jevoss/). Una suite di test aperta che verifica come le modifiche a una domanda influiscono su un modello che sceglie tra risposte predefinite. - [Tholos-Bench](https://eschatialabs.com/it/benchmarks/tholos-bench/). 160 attività in uno spazio di lavoro per valutare piccoli assistenti di intelligenza artificiale in base alla corrispondenza tra il lavoro svolto e la richiesta. 170 download su Hugging Face al 18 ottobre 2026. [Tutti i benchmark](https://eschatialabs.com/it/benchmarks/) ## [Rilevamento spiegabile dei deepfake](https://eschatialabs.com/it/research/#deepfake-detection) I deepfake sono video in cui l’intelligenza artificiale ha alterato o sostituito un volto. Studiamo diversi modi per addestrare i rilevatori e usiamo mappe di calore Grad-CAM per mostrare quali parti del volto hanno determinato ogni decisione. Il punteggio AUC va da 0,5, il livello del puro caso, a 1, la separazione perfetta. Su FaceForensics++, una raccolta pubblica di video con volti reali e alterati, il modello per immagini EfficientNet-B4 raggiunge un AUC di 0,897 quando viene addestrato con immagini variate e in parte oscurate, contro 0,868 senza queste immagini. [Articolo UBMK 2026](https://eschatialabs.com/it/research/ubmk-2026/) [Tesi magistrale](https://eschatialabs.com/it/research/msc-thesis/) - [xdfdet](https://xdfdet.mertkayacs.com/). Gli otto rilevatori addestrati per la tesi magistrale, con codice, mappe di calore e due giochi per il browser. L’articolo collegato è stato accettato a UBMK 2026. - [Reale o IA?](https://xdfdet.mertkayacs.com/game/) - [Codice (GitHub)](https://github.com/mertkayacs/xdfdet) - [Modelli e dati (Hugging Face)](https://huggingface.co/mertkayacs/xdfdet) ## [Assistenti locali per attività](https://eschatialabs.com/it/research/#local-ai) Tholos permette agli assistenti di intelligenza artificiale di svolgere compiti sul proprio computer, in uno spazio di lavoro condiviso con tabelle, note e una bacheca delle attività. Per ogni azione, le regole stabiliscono se eseguirla, attendere l’approvazione o bloccarla. Sulla stessa scheda grafica, una Kaggle T4, Tholos-2B supera 137 dei 160 compiti di Tholos-Bench, contro 112 per MiniCPM5-2B, il modello da cui deriva. Sullo stesso normale processore (CPU), Tholos-2B ne supera 134, contro 117 per MiniCPM5-2B. [Rapporto tecnico](https://eschatialabs.com/it/research/tholos-2b-report/) - [Tholos](https://tholos.mertkayacs.com/). Tholos-2B è il piccolo modello usato dagli assistenti. Deriva da MiniCPM5-2B ed è stato addestrato su esecuzioni registrate di compiti completati. - [Codice (GitHub)](https://github.com/mertkayacs/tholos) - [Modelli e dati (Hugging Face)](https://huggingface.co/mertkayacs/Tholos-2B) - [reevesagents](https://reevesagents.mertkayacs.com/). Esegue diversi assistenti di programmazione basati sull’intelligenza artificiale nello stesso terminale, mentre uno di loro coordina gli altri. - [Codice (GitHub)](https://github.com/mertkayacs/reevesagents) - [Pacchetto (npm)](https://www.npmjs.com/package/reevesagents) ## [Conservazione linguistica](https://eschatialabs.com/it/research/#language-preservation) Eldalambë aiuta a leggere e scrivere le lingue elfiche inventate da Tolkien, Quenya e Sindarin, e la loro scrittura, Tengwar. Un piccolo modello linguistico controlla le proprie risposte con un dizionario e regole grammaticali. L’articolo è pubblico; codice, dati, file dei modelli e domande di test sono privati. Nell’articolo, la versione adottata, Pro-Preserve, produce la frase attesa in 40 richieste di test su 100, contro 21 della versione precedente, Pro2508, e riconosce le parole di Tolkien in 277 casi su 300, contro 259 di Pro2508. [Articolo (preprint)](https://eschatialabs.com/it/research/eldalambe-2026/) - [Eldalambë](https://eldalambe.mertkayacs.com/). Traduzione controllata con un dizionario, formazione delle parole e scrittura Tengwar. ## Metodo Come il laboratorio addestra, valuta e pubblica i modelli. - ### Piccoli modelli per compiti specifici. Ogni modello viene addestrato per un compito preciso e messo alla prova su quello stesso compito. - ### Test separati dall’addestramento. Le domande di test vengono messe da parte prima dell’addestramento finale. Ogni confronto indica entrambi i modelli e il set di test. - ### Risultati riproducibili. Pubblichiamo i risultati, gli errori noti e i dati, il codice o i file dei modelli necessari per ripeterli. - ### Esecuzione sul proprio computer. I file JevAlt pubblicati funzionano sul processore di un portatile e richiedono circa 3 GB di memoria. ## Pubblicazioni Articoli e rapporti tecnici sui modelli pubblicati e sulle relative valutazioni. - ### [Articolo UBMK 2026](https://eschatialabs.com/it/research/ubmk-2026/). Articolo accettato che confronta nove modi di addestrare un rilevatore di deepfake: quanto è accurato, quanto le probabilità dichiarate corrispondono ai risultati e su quali parti del volto si basa. - ### [Preprint Eldalambë](https://eschatialabs.com/it/research/eldalambe-2026/). Articolo pubblico su un piccolo modello linguistico per le lingue elfiche di Tolkien, che controlla le proprie risposte con un dizionario e regole grammaticali. - ### [Rapporto tecnico JevAlt](https://eschatialabs.com/it/research/jevalt-report/). Come sono stati addestrati e messi alla prova i tre modelli decisionali, con risultati, limiti e link per scaricarli. ## Contatti Scrivi a [Mert Kaya](https://mertkayacs.com/it/), fondatore del laboratorio insieme a Betül Keleş Kaya. [mertkayacs@gmail.com](mailto:mertkayacs@gmail.com)