11 novembre 2026 · 14 min lettura
Intelligenza ArtificialeLa prova è del 15 ottobre 2026, su un portatile ASUS ROG Strix G18 con Core Ultra 9 275HX, 32 GB di RAM e RTX 5080 Laptop da 16 GB, sia su Windows 11 sia su Ubuntu in WSL, col piano energetico Bilanciato e l'alimentatore collegato. Ho messo alla prova tre modelli: il 7B, il 1.5B
Intelligenza ArtificialeOpenMontage: pipeline agentica per video AI open source, TTS offline gratis con Piper e video AI locale GPU. 12 pipeline, 52 tool. Cosa funziona oggi.
Iscriviti alla newsletter per ricevere i migliori articoli direttamente nella tua inbox.
UI-TARS Desktop self-hostable: il VLM ByteDance da 32k stelle chiede 47 GB VRAM per il 72B. Open-weights non significa che puoi girarlo davvero.
LM Studio Bionic è un'app separata da LM Studio, dedicata agli agenti AI, annunciata in anteprima per Mac e Windows il 16 luglio 2026. Sul mio portatile con RTX 5080 corregge bug semplici in pochi minuti e con gpt-oss 20B genera a 151,9 token al secondo, ma con le impostazioni di serie tiene occupati circa 12 GB di RAM e sui bug veri di una libreria Python porta a termine 4 giri su 9.
Bionic è, nelle parole del blog ufficiale, «a new, separate app from LM Studio»: un agente che lavora su una cartella di progetto o su documenti, mentre LM Studio resta lo strumento per la configurazione di basso livello e le due app, secondo l'azienda, si possono usare fianco a fianco. Cos'è LM Studio, come si installa e quanto corre su questo portatile sono spiegati in LM Studio: cos'è e come installarlo su Windows e in Perché usare LM Studio e quanto corre davvero su RTX 5080; qui si parla solo di Bionic.
I modelli possono essere di tre tipi, sempre secondo il blog ufficiale: locali, eseguiti sul motore di LM Studio, remoti tramite LM Link, oppure cloud aperti su LM Studio Secure Cloud, con esempi come GLM 5.2 e Kimi K2.7 Code. Il cloud richiede un account con fatturazione. Per il lavoro vero ci sono due tipi di progetto, secondo 9to5Mac: Code, con una cartella locale, diff inline e ricerca nel codice, e Work, per PDF, presentazioni e fogli di calcolo in una sandbox con checkpoint automatici.
Sulla privacy l'azienda scrive: «For all LM Studio Bionic users, we commit to Zero Data Retention and never training on your data». È una dichiarazione del produttore e dall'esterno non si può controllare. Il programma è proprietario: AlternativeTo classifica LM Studio come strumento gratuito e proprietario, e il winget indica per Bionic la licenza «Proprietary». Per alcuni è il limite principale: su Hacker News un commento ricorda che LM Studio e Bionic sono a codice chiuso, e nodja scrive che è «the main reason I don't use LM studio more» (thread su Hacker News).
Anche sul senso del prodotto le opinioni divergono. dsebastien osserva che ogni programma per agenti a codice aperto (harness) già funziona con LM Studio tramite l'endpoint compatibile con le API di OpenAI, e che accorpare l'harness impedisce di sostituire una delle due metà; precisa però che nulla di quanto scrive nasce da un uso indipendente. La recensione di Bitdoze, fatta su un Mac mini M4 Pro con 24 GB e Gemma 4 E2B, parla di interfaccia acerba, scritture su shell e file a volte fallite e pressione sulla memoria, e per il codice in produzione preferisce Codex o OpenCode. Sulle piattaforme le fonti non concordano: 9to5Mac indica Mac e Windows, Bitdoze anche Linux, il blog ufficiale non le elenca.
Le prove sono del 10 e dell'11 novembre 2026, sul mio ROG Strix G18 con Windows 11. Il portatile ha una RTX 5080 Laptop da 16 GB (16.303 MiB per nvidia-smi) e 31,4 GB di RAM. Le ha eseguite Claude Code su mia richiesta, guidando l'interfaccia di Bionic 1.2.0+2 con un banco automatico che dava clic e testo tramite DevTools di Electron; i risultati li ha controllati uno script con i test, fuori da Bionic. Le tracce stanno in una cartella di prove del mio archivio e ogni misura di questo articolo viene da lì; date e dati di prodotto vengono dalle fonti citate.
Il limite principale del banco è che cliccava da solo «Consenti» a ogni richiesta di conferma, quindi non so dire come ci si trovi a decidere comando per comando, e il controllo manuale non è stato provato. Non sono stati provati nemmeno i modelli cloud e LM Studio Secure Cloud, LM Link, le skill, gli strumenti MCP, la voce, la ricerca web (richiede un account LM Studio), macOS, Linux e l'uso quotidiano a mano per più giorni.
L'installazione con winget porta ElementLabs.Bionic 1.2.0+2, editore LM Studio, 2,7 GB su disco in %LOCALAPPDATA%\Programs\Bionic. Dentro ci sono lms.exe, l'interfaccia a riga di comando di LM Studio, oltre a node.exe, deno.exe e rg.exe. Il motore è llama.cpp con CUDA e Bionic vede i file GGUF già scaricati in ~/.lmstudio/models. Senza l'app aperta, lms risponde «No running LM Studio or Bionic app».
Il primo compito era una cartella con un file conti.py con due difetti e 5 test, di cui 3 rossi. Con Cyber-Tiel-Coder-35B-A3B-MTP in quantizzazione Q4_K_XL (22,75 GB) Bionic ha portato i test a 5 su 5 verdi con una modifica di +2 -2 righe, in 3 minuti e 51 secondi con l'attesa del consenso compresa. Un secondo giro è durato 4 minuti e 17 secondi, con un riquadro «Errore — terminated» a metà, poi è finito. Il ragionamento è mostrato in inglese anche con la richiesta in italiano, mentre la risposta arriva in italiano. Al primo comando shell Bionic offre tre scelte: «Controllo automatico (consigliato)», con approvazione dei comandi noti come sicuri e un agente revisore separato per gli altri, «Controllo manuale» e «No».
Poi ho lanciato una batteria di 48 giri: quattro compiti (correggere due difetti, scrivere tre funzioni da una docstring, un riepilogo Excel da un CSV di consumi di luce, domande su un contratto), ciascuno in italiano e in inglese, tre ripetizioni, limite di 12 minuti per giro. Nessuno dei due modelli ha modificato i test per farli passare. I risultati:
Watt e wattora sono della sola GPU, letti con nvidia-smi; «almeno» vuol dire che i giri fermati al limite entrano nella media con il tempo in cui sono stati fermati.
Lo stesso Cyber-Tiel, servito da un llama-server separato e pilotato da Claude Code sugli stessi quattro compiti in italiano, ha chiuso 12 giri su 12 in 48,1 secondi medi. I tempi medi in italiano, prima in Bionic e poi con Claude Code:
Le impostazioni del motore però non erano identiche: rispetto a Bionic, il llama-server di Claude Code usava la build b11569 di llama.cpp invece del backend 2.72.0 di LM Studio, un contesto di 131.072 token invece di 16.384, la cache K/V in q8_0 invece di f16, uno slot invece di quattro e --load-mode none invece di mmap+mlock. Il confronto dice che il divario esiste, non quanto dipenda dall'app e quanto dal motore.
Dentro Bionic la velocità di generazione misurata è questa:
Qwen3.8 27B (14,25 GB) con le impostazioni di Bionic resta in parte sulla CPU, con la GPU al 19% medio in generazione. gpt-oss 20B (12,11 GB, contesto 121.856, 14.238 MiB occupati sulla GPU) sta tutto sulla scheda e legge una richiesta da 7.100 token con il primo token dopo 0,97 secondi, cioè 7.303 token al secondo in lettura. Sulla relazione fra dimensione del modello e 16 GB di VRAM rimando a AI locale: quanto grande può essere il modello con 16 GB di VRAM.
In Impostazioni, Libreria, configurazione predefinita del modello, sezione Memoria, gli interruttori «Keep Model in Memory» e «Try mmap()» sono accesi di serie, e il motore parte con --load-mode mmap+mlock. La documentazione sui modelli locali dice che girano «without using cloud inference credits» ma non descrive come il modello venga caricato in memoria, quindi il dato che segue viene solo dalle mie prove.
Con Cyber-Tiel, più grande della VRAM, quattro caricamenti su cinque con l'interruttore acceso sono durati fra 5 minuti e 59 secondi e 7,5 minuti; tre di questi tempi comprendono la prima risposta in chat. Il quinto, un lms load subito dopo aver scaricato un altro modello, ha impiegato 24 secondi, probabilmente perché il file era ancora nella cache di Windows; non l'ho verificato. Spento Keep Model in Memory, due caricamenti sono durati 27,9 e 28,1 secondi.
Con gpt-oss 20B il problema è un altro. Con le impostazioni di serie il motore occupa circa 12 GB di RAM anche se il modello sta tutto sulla GPU. In un giro in cui il contesto è arrivato a 89.500 token è salito di altri 2,1 GB in 17 secondi e ha lasciato il PC quasi senza memoria, con 3,8 GB disponibili su 31,4. La causa più probabile è la cache dei prompt che il motore (llama-server) tiene in RAM, fino a 8.192 MiB di serie secondo l'aiuto di llama-server (opzione --cache-ram, che Bionic non imposta); non l'ho misurata da sola.
Spegnere solo Keep Model in Memory cambia poco: con Try mmap() acceso il motore tiene ancora 11,3 GB. Spenti entrambi gli interruttori scende a 1,2 GB di RAM, il caricamento di gpt-oss è sceso da 9,7 a 5,8 secondi e la GPU è rimasta invariata. Nei sei giri successivi la RAM disponibile non è mai scesa sotto i 14,7 GB, con un contesto massimo di 24.800 token; il caso da 89.500 token non è stato rifatto, quindi non so se con le impostazioni nuove il picco sarebbe rientrato.
Su un PC con 32 GB di RAM, o con altri programmi aperti, sono due interruttori da controllare prima di dare all'agente un compito lungo. Per spegnerli:
Il pulsante «Reset» della stessa configurazione riporta le impostazioni di serie. Per capire come contesto e memoria si legano c'è AI locale: contesto, quanto può ricordare.
I compiti sintetici dicono poco su un uso reale, perciò fra il 10 e l'11 novembre ho fatto ripetere a gpt-oss 20B tre prove su dati veri, ciascuna con tre giri. Per i dati veri cercavo il modello più grande che stesse nei 16 GB della scheda, oltre al Qwen3.5 9B già provato: dei due candidati, Qwen3.8 27B IQ4_XS e gpt-oss 20B, solo il secondo Bionic lo carica tutto sulla GPU.
La prima prova era un registro Excel da 12 file XML di fatture elettroniche FatturaPA, presi dai file di prova del repository OCA l10n-italy (13 fatture in tutto, 7 controlli). Nessun giro su tre è stato pieno, con una media di 1,3 controlli su 7. In un giro il foglio conteneva solo le intestazioni e una riga Totale a 0,00, mentre la risposta diceva di averlo creato; in un altro mancavano numero, data, tipo e IVA in tutte le righe; in un terzo non c'era nessun file, solo uno script Python da lanciare a mano.
La seconda era il gasolio self più economico in provincia di Torino, dagli open data MIMIT sui prezzi dei carburanti (7 controlli). Due giri su tre sono stati pieni, in 39 e 55 secondi; il terzo, in 63 secondi, ha superato 4 controlli su 7, con 43 comuni giusti su 46.
La terza prova usava tre bug veri della libreria Python more-itertools, giudicati con due controlli: passano i test aggiunti con la correzione ufficiale e resta verde tutta la suite. Il codice di partenza non ne superava nessuno, la correzione ufficiale tutti e due. I giri pieni sono stati 4 su 9. Sul bug di ichunked (issue #1304) i giri riusciti sono stati 3 su 3, fra 21 e 73 secondi. Su numeric_range (issue #1344) uno su tre, e il giro giusto è durato 209 secondi. Su bucket (issue #1284) zero su tre. Nei giri sbagliati l'agente correggeva solo una parte, per esempio __hash__ ma non l'uguaglianza, e nella risposta dichiarava il bug risolto. Non ha mai toccato i test.
Qui sotto la risposta finale di un giro su bucket. Dopo aver lanciato la suite di more-itertools l'agente scrive che passano tutti i 723 test e che il problema è risolto, ma i 4 test aggiunti con la correzione ufficiale falliscono tutti.
Con gpt-oss compaiono inoltre errori del motore, «Engine protocol predict stream returned an error», in 1 dei 15 giri contati, e in 4 dei 9 giri sui bug va in errore anche l'agente revisore dei comandi. In quel caso Bionic chiede la conferma all'utente con «Conferma il comando shell»; qui il banco ha cliccato «Consenti», e uno dei giri riusciti è passato da quel clic: i 4 su 9 sono il risultato con un utente che approva tutto.
Nel giudizio questo punto conta più della velocità. Quella di gpt-oss è reale, ma la risposta «fatto» non è una prova: chi usa un agente locale su codice o su documenti veri deve avere test o controlli propri, perché dal testo della risposta non si capisce se il lavoro è completo.
Con LM Studio 0.4.28 installato sulla stessa macchina le due app non si ignorano. Aprire LM Studio scarica il modello di Bionic e spegne il suo server sulla porta 1235; Bionic poi usa il motore avviato da LM Studio, con la configurazione di LM Studio, cioè un contesto di 8.192 invece di 16.384. Chiuso LM Studio, il server di Bionic torna da solo. Chi usa LM Studio per altro mentre un agente lavora può quindi trovarsi con un modello diverso da quello atteso.
Bionic.exe è rimasto collegato in rete agli indirizzi di lmstudio.ai per tutta la sessione, e il deno.exe incluso nel pacchetto si è collegato una volta, durante un compito, a 172.67.138.213:443, senza che io sia riuscito a identificare il nome. Nelle impostazioni non c'è nessuna voce su telemetria o statistiche d'uso. Non ho trovato un'informativa sulla telemetria specifica di Bionic e il binario è chiuso, quindi non posso controllarlo e il punto resta non verificato.
Per un'azienda il punto è la combinazione di licenza proprietaria, cloud con account e crediti e una privacy che poggia su una promessa del produttore. Per dati sensibili resta ragionevole usare solo la modalità locale e controllare il traffico in uscita dell'app. In casa o in un piccolo lab il costo concreto è la RAM che le impostazioni di serie tengono occupata.
Nelle mie prove Bionic ha di buono:
I limiti, invece:
Bionic è adatto a chi ha già LM Studio, una GPU da 16 GB e vuole provare un agente locale su compiti piccoli e verificabili da test. Non lo userei, oggi, per codice o dati importanti senza un controllo mio sul risultato, e non lo sceglierei in azienda prima che il produttore pubblichi una policy specifica sui dati dell'app. Per ora Bionic serve a capire cosa sanno fare i modelli aperti da 20B su una GPU da portatile, ma non è ancora un agente a cui affidare il lavoro senza rileggerlo.
I dati di prodotto, le modalità dei modelli e la dichiarazione sulla privacy vengono dal blog ufficiale di LM Studio e dalla documentazione, la data di uscita e i progetti Code e Work da 9to5Mac e da AlternativeTo; le opinioni contrarie da dsebastien, Bitdoze, dal thread di Hacker News e da una segnalazione di 0dev su utenti irritati dal sito che promuove Bionic prima del download classico; tutte le misure sono le mie prove del 10 e 11 novembre 2026.