L'interfaccia generativa alla prova della specializzazione: il modello OUI-1 di Thesys

Mentre l'evoluzione dei modelli a pesi aperti procede principalmente sulla scala dei parametri, la società Thesys ha tentato la strada della specializzazione verticale annunciando OUI-1, presentato dall'azienda come il primo modello a pesi aperti dedicato alla Generative UI — una rivendicazione che dipende da come si definisce la categoria e che nessuno ha verificato in modo indipendente. Costruito attraverso un finetuning LoRA del modello DiffusionGemma 26B-A4B-it di Google — i cui pesi sono stati poi fusi nel formato safetensors bf16 —, il modello conta 26 miliardi di parametri totali, di cui 4 attivi, e una finestra di contesto di 16.384 token. L'obiettivo dichiarato nella model card su Hugging Face è consentire la generazione di interfacce per applicazioni basate sul framework OpenUI in locale, riducendo la dipendenza da API remote. Sotto il profilo della distribuzione, i pesi restano soggetti ai Gemma Terms of Use di Google, una licenza proprietaria con vincoli d'uso ben distinti dalle licenze open source approvate dall'OSI, a differenza del framework OpenUI rilasciato con licenza MIT.

I dati di prestazione diffusi dall'azienda attestano per OUI-1 un punteggio del 71,7% nel Generative UI Benchmark, a fronte del 13,0% del modello base. La valutazione si basa sull'adozione di openui-lang, un linguaggio dichiarativo che secondo le misurazioni di Thesys riduce fino al 67% i token necessari rispetto al formato JSON. Nella stessa tabella comparativa emerge tuttavia che un modello generalista come Qwen3.8 27B ottiene un risultato superiore, pari al 78,8%: il vantaggio rivendicato per OUI-1 non è quindi il punteggio assoluto, ma ottenerne uno vicino con 4 miliardi di parametri attivi. L'impianto del benchmark, articolato su 46 brief distribuiti in cinque fasce di complessità, presenta inoltre un perimetro circoscritto: la metrica misura esclusivamente la correttezza formale dell'output, quali l'assenza di componenti orfani o errori di parsing, senza rilevare l'usabilità o la qualità estetica del design prodotto.

Sul piano dell'esecuzione i conti non tornano fino in fondo. I requisiti indicano una memoria di circa 25,8 GiB di VRAM per l'esecuzione in quantizzazione FP8 tramite vLLM, che secondo Thesys rende praticabile anche una GPU consumer come la RTX 5090; i test originali sono stati però condotti su una singola A100. Anche le metriche sulla latenza non coincidono: il post di annuncio riporta 1,9 secondi per output, mentre la model card dichiara circa un secondo per schermata su una singola GPU: le due misure non sono riconducibili alla stessa configurazione. Nel dibattito tecnico emerso su Hacker News sono stati sollevati dubbi sulla coerenza delle interfacce rigenerate a ogni sessione, sulle difficoltà di debug legate a output non deterministici e sull'assenza di riscontri visivi nell'annuncio ufficiale.

Spostare la Generative UI dalle API remote a un modello compatto e auto-ospitabile è una scelta architetturale razionale per limitare i costi di calcolo. Resta il fatto che quando un unico soggetto definisce il modello, la sintassi di output e il benchmark di valutazione, la metrica prodotta misura anzitutto l'aderenza a un perimetro di regole autocostruito. — Olya