LBS-27B: un repository vuoto, un README di 28 byte e un nome da 27B che nessuno ha spiegato

Alle 05:36 UTC del 26 ottobre 2026, su Hugging Face è apparso un repository chiamato inclusionAI/LBS-27B. Contiene due file. Uno è un .gitattributes da 1.519 byte. L'altro è un README di esattamente 28 byte, e nella sua interezza consiste in un'intestazione YAML che dichiara una licenza Apache-2.0. Non c'è alcuna model card, né config, né tokenizer, né pesi, né tabella di valutazione, e nessun annuncio da nessuna parte che siamo riusciti a trovare. Il repository non ha download registrati e zero like. Questo è l'intero registro pubblico di LBS-27B a questa mattina.

Questa non è una storia di lancio, perché non è stato lanciato nulla. È una storia sul segnale più precoce possibile che un modello può emettere: un nome, un proprietario e una licenza. Per chiunque segua inclusionAI di Ant Group, la domanda interessante non è quali punteggi ottenga LBS-27B. È perché un laboratorio che di solito pubblica insieme una model card, un rapporto tecnico e un post coordinato creerebbe prima un guscio vuoto — e cosa quel guscio ti dice e non ti dice.

Le prove, voce per voce

Tutto quanto segue è verificabile tramite l'API pubblica di Hugging Face e l'albero dei file del repository. Nulla di quanto qui riportato dipende da una fonte interna al laboratorio.

• Timestamp di creazione — il record del repository riporta created_at: 2026-10-26T05:36:52Z, e lastModified corrisponde allo stesso secondo. Da allora non è stato toccato nulla.

• File — .gitattributes da 1.519 byte e README.md da 28 byte. L'elenco ad albero non restituisce alcuna directory, il che significa che non ci sono config.json, né model.safetensors o indice di shard, né file tokenizer e nessuna configurazione di generazione.

• Contenuto del README — i 28 byte sono il frontmatter della licenza e nient'altro: license: apache-2.0. Non c'è alcuna descrizione, alcun uso previsto, alcuna nota sui dati di addestramento, alcuna riga di benchmark.

• Coinvolgimento — zero like e download non tracciati per il modello, al momento della scrittura. Per confronto, Ling-3.1-flash di inclusionAI ha 150 like e 4.222 download dal 13 ottobre.

• Discussione pubblica — le ricerche della stringa esatta sul web aperto, su GitHub e sulle piattaforme social non hanno restituito nulla. Nessun articolo, nessun post sul blog del fornitore, nessun tweet di lancio, nessun thread di discussione sul repository stesso.

Quest'ultimo punto merita una precisazione: l'assenza di copertura la mattina di un rilascio è normale e prova poco. Ciò che rende questo caso insolito è la combinazione — un repository pubblicamente visibile ma che non contiene nessuno degli artefatti che consentirebbero a chiunque di eseguire, ispezionare o valutare il modello.

Cosa ti dicono i 28 byte

La dichiarazione di licenza è l'unica affermazione sostanziale presente nel repository, e vale la pena leggerla attentamente invece di saltarla.

Apache-2.0 è una licenza permissiva, utilizzabile commercialmente, con una concessione esplicita di brevetti. Dichiararla nel frontmatter del README, prima che esistano dei pesi, è una dichiarazione d'intenti su come il modello verrà distribuito. Non è una garanzia — una licenza può essere cambiata prima che i pesi siano disponibili — ma è una scelta deliberata fatta al momento della creazione.

È anche un allontanamento dalla recente abitudine di inclusionAI. Sia Ling-3.0-flash che Ling-3.1-flash sono rilasciati con licenza MIT. LBS-27B dichiara Apache-2.0. Se ciò rifletta una diversa provenienza dei dati di addestramento, un team interno diverso o semplicemente un cambiamento di policy non è possibile saperlo dal repository, e chiunque affermi il contrario sta tirando a indovinare.

Il .gitattributes è il boilerplate standard per LFS e attributi. La sua presenza indica che il repository è stato creato tramite i normali strumenti Hugging Face anziché assemblato manualmente, il che è coerente con un segnaposto intenzionale. Non dice nulla sul modello.

Perché vale la pena dare un secondo sguardo ai repository vuoti di questo laboratorio

inclusionAI è il laboratorio di modelli di Ant Group, e la sua produzione non è marginale. La linea Ling è stata distribuita con regolarità nel corso del 2026: Ling-3.0-flash il 2 agosto, Ling-3.1-flash il 13 ottobre, Ling-3.0-flash-Santé il 19 ottobre e Ling-3.0-tiny-UBTree il 21 ottobre. L'organizzazione mantiene anche Ming per il parlato e la linea di linguaggio diffusivo LLaDA. Questo è un laboratorio con una cadenza, un processo di rilascio e un pubblico.

È anche un laboratorio che presta molta attenzione alla classe 27B. Il 14 settembre ha pubblicato inclusionAI/Qwen3.8-27B-singprobe, una piccola sonda guardrail in streaming costruita sopra il Qwen3.8-27B di Alibaba anziché essere un modello linguistico a sé stante. È un elemento di contesto utile per LBS-27B: inclusionAI ha già lavorato direttamente con un modello 27B all'incirca di queste dimensioni e ha costruito strumenti di sicurezza attorno agli stati nascosti di uno di essi.

Niente di tutto ciò conferma cosa sia LBS-27B. Significa però che è improbabile che il repository sia un esperimento isolato proveniente da un account non correlato. L'organizzazione sa quello che fa, e ha creato questo repository di proposito.

Il nome è la cosa meno verificata della storia

È allettante leggere "27B" come un conteggio di parametri e "LBS" come una famiglia di architetture. Nessuna delle due letture è supportata da qualcosa nel repository.

Il 27B è una stringa in un nome di repository. Può essere il conteggio totale dei parametri, nel modo in cui Gemma 4 26B A4B arrotonda 25,2B a 26B. Può essere una dimensione di marketing anziché un conteggio dei parametri, nel modo in cui Qwen3.8-27B è elencato con 28B parametri su Hugging Face. Può essere approssimativo. Senza un config.json, non c'è modo di distinguere un 27B denso da un modello mixture-of-experts con 27B totali e una frazione attiva, e tale distinzione cambia tutto in termini di costi di servizio, latenza e requisiti hardware.

Le lettere non vengono espanse da nessuna parte. Potrebbero indicare una famiglia, una ricetta di addestramento, un nome in codice interno o una linea di prodotti. Non abbiamo intenzione di inventare un significato per esse.

Ci sono almeno tre spiegazioni banali per un repository vuoto, e portano a conclusioni diverse:

• Un segnaposto pre-release. Il repository viene creato in anticipo così che gli strumenti interni, la model card e i pesi possano essere pubblicati a un URL stabile il giorno del lancio. È il modello più comune e il più probabile.

• Un push errato o prematuro. Qualcuno ha creato il repository come pubblico quando avrebbe dovuto essere privato. In tal caso il nome potrebbe cambiare o il repository potrebbe scomparire del tutto.

• Uno stub per un modello che è stato rinominato o cancellato. Il repository resta attivo perché eliminarlo è più problematico che lasciarlo.

Nulla nella documentazione pubblica consente di fare distinzione. Il lastModified timestamp che corrisponde a created_at al secondo è debolmente coerente con la prima spiegazione — un repository creato manualmente di solito mostrerebbe qualche modifica — ma non è una prova.

Che cosa dovrebbe comparire perché questo diventi un modello?

Se vuoi una watchlist concreta invece di una semplice sensazione, questi sono gli artefatti che farebbero passare LBS-27B da un nome a una tesi. Ognuno risponde a una domanda che il repository attuale lascia aperta.

• config.json — l'architettura, il numero di layer, la dimensione nascosta, il vocabolario e, cosa fondamentale, se sono presenti campi expert. Questo singolo file stabilisce se si tratta di dense o MoE e fornisce un conteggio dei parametri difendibile.

• Shard dei pesi e un indice — la differenza tra un modello che puoi scaricare e un modello di cui puoi solo parlare. L'indice rivela anche la precisione: BF16, FP8 o qualcos'altro.

• Un tokenizer — la dimensione del vocabolario è uno dei migliori segnali indiretti dell'intento multilingue e determina quanto è costoso il testo non latino a livello di API.

• Una model card con righe di valutazione — e, altrettanto importante, una nota su {{1}}quali versioni dell'harness siano state usate per quelle righe{{/1}}. Un numero di benchmark senza una versione dell'harness non è confrontabile con nulla.

• Un annuncio del fornitore o un rapporto tecnico — ciò che ti dice per cosa il laboratorio ritiene che il modello sia pensato. Senza di esso, ogni affermazione di posizionamento nella trattazione che segue sarà dedotta dal nome.

Finché almeno i primi due di essi non esistono, qualsiasi confronto che coinvolga LBS-27B è un confronto contro un'ipotesi. Abbiamo scritto i quattro ovvi confronti — contro Gemma 4 26B A4B, Granite 4.2 30B, LFM2.5 24B A2B e Qwen3.8-27B — ma ciascuno di quei pezzi è esplicitamente impostato come un'asticella che il modello dovrebbe superare, non un risultato che ha raggiunto.

Come mantenere un modello non comprovato senza scommetterci sopra

La domanda pratica per chiunque costruisca su modelli aperti non è «dovrei passare a LBS-27B» — non c'è ancora nulla a cui passare. È come essere pronti senza impegnarsi. È proprio questo il campo in cui OrcaRouter è davvero utile.

Per essere chiari sulla disponibilità: LBS-27B oggi non è su OrcaRouter. Il nostro catalogo elenca 211 modelli e questo non è tra questi. Non abbiamo intenzione di lasciar intendere il contrario, e non sapremo se possiamo instradarlo finché non ci saranno pesi da servire. Ciò che la piattaforma offre è un modo per testare un nuovo modello senza renderlo una dipendenza di produzione: una chiave API per tutto il catalogo, failover automatico quando le prestazioni di un provider peggiorano, e un DSL di routing che consente di inviare una parte del traffico a un nuovo modello e confrontarlo con il modello attualmente in uso sullo stesso carico di lavoro.

Il ricarico dello 0% conta qui in modo specifico. Applichiamo il prezzo di listino del provider, quindi se inclusionAI o un partner di hosting riduce il prezzo di LBS-27B dopo il lancio, la nostra tariffa si aggiorna lo stesso giorno anziché al rinnovo contrattuale successivo. Questa è un'affermazione sul nostro modello di fatturazione, non sul prezzo di questo modello, che non esiste ancora.

Il segnale da tenere d’occhio

Il primo segnale significativo non sarà un benchmark. Sarà il primo commit che aggiunge un config.json. Quel file ti dirà se LBS-27B è un modello denso o una miscela di esperti, quanti strati ha, per quale lunghezza del contesto è stato addestrato e se il 27B nel nome si riferisce ai parametri totali o attivi. Tutto il resto — i benchmark, i prezzi, i confronti — deriva da questi fatti.

Il secondo segnale sarà l'impostazione della model card. Le card Ling di inclusionAI aprono con dichiarazioni di tipo agentico e multilingue. Se la card LBS apre con le stesse, il modello è un fratello general-purpose della famiglia Ling. Se apre con qualcos'altro — contesto lungo, codice, efficienza — quella è una storia più interessante, e più specifica.

Per ora, il riassunto onesto è breve. Esiste un repository. È Apache-2.0. È vuoto. Il laboratorio che vi sta dietro è serio, la classe 27B a cui punta è affollata, e il nome non è stato spiegato da nessuno. Aggiorneremo questo pezzo quando arriveranno i pesi, e non prima.