Benchmark dei modelli di IA 2026: i modelli aperti a confronto con GPT-6 e Claude
Benjamin Spinola, Fondatore
Pubblicato Aggiornato 14 minuti di lettura
I benchmark dei modelli di IA non concordano tra loro, perché ciascuno misura qualcosa di diverso: elaborati valutati da esperti, lunghe attività di sviluppo software, progetti freelance retribuiti, voti alla cieca, un indice combinato e lavoro in ambito legale, finanziario e fiscale. Questa pagina mette a confronto sette sistemi di valutazione pubblici per otto modelli attuali, quattro dei quali chiusi e quattro i cui pesi possono essere scaricati da chiunque.
Ogni dato proviene dalla pagina del rispettivo sistema di valutazione, indicata tra le Fonti con la data in cui l'abbiamo consultata. Dove un sistema non ha valutato un modello, la cella lo indica. Nulla è stimato e nessuna lacuna viene colmata.
Questa pagina esiste per un motivo preciso: gestiamo modelli aperti su un NVIDIA DGX Spark per chi sta decidendo se una macchina di proprietà sarebbe all'altezza del proprio lavoro. I punteggi pubblici sono il punto di partenza di questa decisione, perciò la pagina mostra anche quali di questi modelli entrano effettivamente in un singolo DGX Spark.
Otto modelli in sette sistemi di valutazione
Le tre righe evidenziate in alto sono le famiglie di modelli aperti eseguite dalle nostre configurazioni: Qwen, DeepSeek e GLM. Legga una riga per vedere un modello in tutti i sistemi di valutazione, oppure una colonna per confrontare i modelli in uno di essi. In ogni colonna, tranne quella del prezzo, un valore più alto è migliore. Le note in piccolo sotto un punteggio indicano l'impostazione di ragionamento testata dal sistema di valutazione e, se questo lo pubblica, il relativo margine di errore; se il sistema ha testato più impostazioni, la tabella riporta la più alta tra quelle elencate.
La tabella è più larga del Suo schermo. La scorra lateralmente; i nomi dei modelli restano fissi.
| Modello | GDPval | METR | Remote Labor Index | LMArena | Artificial Analysis | Vals AI | |||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| OpenAI, valutatori espertiattività vinte o pareggiate contro professionistiFonte 125 set 2025 | GDPval-AApunteggio Elo, calcolato da Artificial AnalysisFonte 328 set 2026 | Orizzonte temporaledurata delle attività completate nella metà dei casiFonte 48 mag 2026 | Tasso di automazioneprogetti che un cliente accetterebbeFonte 628 set 2026 | Punteggio (testo)da voti di preferenza alla ciecaFonte 725 set 2026 | Intelligence Indexpunteggio combinatoFonte 828 set 2026 | Velocitàtoken in uscita al secondoFonte 828 set 2026 | Prezzo APIdollari statunitensi per milione di token, in ingresso / in uscitaFonte 828 set 2026 | Ricerca giuridicaaccuratezzaFonte 922 set 2026 | FinanzaaccuratezzaFonte 1023 set 2026 | FiscalitàaccuratezzaFonte 1123 set 2026 | |
| Qwen3.8-27BAlibaba · pesi apertidata di rilascio: ago 2026 | non valutato | 1409xhigh · ±26 | non valutato | non valutato | 1438 | 34xhigh | 46,3xhigh | 0,50 / 3,00 | 36,06%xhigh | 48,55%xhigh | non valutato |
| DeepSeek V4.1 FlashDeepSeek · pesi apertidata di rilascio: set 2026 | non valutato | 1600max | non valutato | non valutato | 1477max | 39max | 220,8max | 0,30 / 1,20 | 41,35%high | 53,48%high | 62,46%high |
| GLM-5.3-FlashZ.ai · pesi apertidata di rilascio: ago 2026 | non valutato | 1641±23 | non valutato | non valutato | 1474 | 42 | 56,6 | 0,15 / 0,50 | 45,19%max | 57,85%max | non valutato |
| GPT-6 AstraOpenAI · chiusodata di rilascio: set 2026 | non valutato | 1542max · ±25 | non valutato | 20,83% | 1478max | 53max | 63,9max | 10,00 / 50,00 | 39,42%max | 53,54%max | 63,34%max |
| GPT-5.6 SolOpenAI · chiusodata di rilascio: lug 2026 | non valutato | 1588max · ±21 | non valutato | non valutato | 1483xhigh | 47max | 95,5max | 4,00 / 20,00 | 48,08%max | 53,76%max | 67,95%max |
| gpt-oss-120bOpenAI · pesi apertidata di rilascio: ago 2025 | non valutato | 596high · ±24 | 45 minda 20 min a 86 minFonte 5 | non valutato | 1352 | 12high | 236,0high | 0,15 / 0,595 | non valutato | non valutato | non valutato |
| Claude Opus 5.5Anthropic · chiusodata di rilascio: set 2026 | non valutato | 1846max · ±23 | non valutato | non valutato | 1509high | 58max | 95,5max | 4,00 / 20,00 | 50,48%max | 58,59%max | 70,50%max |
| Claude Fable 5.1Anthropic · chiusodata di rilascio: set 2026 | non valutato | 1735max · ±25 | non valutato | 17,92% | 1501max | 53max | 69,7max | 10,00 / 50,00 | 55,29%max | 58,88%max | 77,64%max |
«Non valutato» significa che il sistema di valutazione non ha pubblicato alcun dato per quel modello. Lo Stanford AI Index non ha una colonna, perché non assegna punteggi ai singoli modelli.
Le barre mostrano ogni punteggio in rapporto al più alto della sua colonna, come le barre dei dati di un foglio di calcolo. Non ne ha il prezzo, perché un prezzo più alto non è migliore, né una colonna con un'unica valutazione.
Sotto l'intestazione di ogni colonna sono indicati il numero della sua fonte nell'elenco in fondo alla pagina e la data dei suoi dati: la data di aggiornamento dichiarata dalla fonte stessa, se presente, altrimenti il giorno in cui l'abbiamo consultata.
Velocità e prezzo sono i dati di Artificial Analysis relativi al servizio del produttore del modello e, per gpt-oss-120b, la mediana dei servizi che lo offrono. Non si tratta di misurazioni effettuate su un DGX Spark.
Come funziona ciascun sistema di valutazione
Sette sistemi di valutazione rispondono a sette domande diverse. Sapere a quale domanda risponde un punteggio conta più del punteggio stesso.
OpenAI; Artificial Analysis
GDPval e GDPval-AA
OpenAI ha costruito GDPval a partire dal lavoro reale di 44 professioni. Esperti del settore confrontano l'elaborato di un modello, come un foglio di calcolo, una presentazione o un promemoria, con quello di un professionista senza sapere quale sia l'uno e quale l'altro, e il punteggio è la quota di attività in cui il modello vince o pareggia. I risultati valutati dagli esperti di OpenAI, pubblicati a settembre 2025, riguardano modelli precedenti come GPT-5 e Claude Opus 4.1. Non ne abbiamo trovati per i modelli qui considerati, e la classifica di OpenAI non è più attiva, perciò quella colonna riporta «non valutato» in tutte le righe.
La classifica di OpenAI rimanda ora a GDPval-AA, che Artificial Analysis esegue sulle 220 attività pubbliche di GDPval. Ogni modello affronta le attività con una riga di comando e l'accesso al web, e confronti alla cieca dei lavori finiti producono un punteggio che cresce quanto più spesso il modello vince [un punteggio Elo]. La scala è fissata attribuendo a DeepSeek V4.1 Flash, nella sua impostazione max, esattamente 1600. Per gli altri punteggi qui riportati, Artificial Analysis pubblica un margine compreso tra 21 e 26 punti in entrambe le direzioni [un intervallo di confidenza del 95 per cento], quindi le differenze più piccole non costituiscono una classifica.
METR
Orizzonte temporale METR
METR misura la durata del lavoro che un agente di IA riesce a portare a termine in autonomia. Prima rileva quanto tempo impiegano persone qualificate per ciascuna delle sue attività, che vanno da pochi secondi a molte ore e riguardano soprattutto programmazione, apprendimento automatico e sicurezza informatica. Poi fa tentare all'agente ogni attività più volte e individua la durata di attività per la quale l'agente riesce nella metà dei casi [l'orizzonte temporale al 50 per cento].
Per fare un esempio, gpt-oss-120b ha un orizzonte temporale di circa 45 min. Nelle attività che richiedono all'incirca questo tempo a una persona qualificata, come addestrare un piccolo programma che suddivide i dati in categorie [un classificatore], che METR indica in circa 49 min, il modello riesce più o meno nella metà dei casi. Riesce più spesso nelle attività più brevi e meno spesso in quelle più lunghe. Il dato descrive quanto tempo l'attività richiede a una persona, non per quanto tempo il modello vi lavora. METR ha aggiornato le sue misurazioni l'ultima volta il 8 mag 2026, prima del rilascio di tutti gli altri modelli qui considerati, e lo stesso METR dichiara di non poter misurare ogni nuovo rilascio. Il dato di gpt-oss-120b proviene dal set di attività originale di METR [Time Horizon 1.0], con un intervallo di confidenza del 95 per cento compreso tra 20 min e 86 min.
Scale AI e il Center for AI Safety
Remote Labor Index
Il Remote Labor Index prende progetti reali, svolti da freelance dietro compenso, dallo sviluppo di videogiochi all'architettura e all'analisi dei dati, e li affida ad agenti di IA. Revisori appositamente formati confrontano ogni risultato con il lavoro accettato del professionista, e il punteggio è la quota di progetti che un cliente ragionevole accetterebbe [il tasso di automazione]. In media, i progetti avevano richiesto ai professionisti 28,9 ore.
La classifica elenca due dei modelli qui considerati, GPT-6 Astra e Claude Fable 5.1. Gli altri sei non sono stati valutati.
Arena (arena.ai, in precedenza lmarena.ai)
LMArena, ora Arena
Gli utenti pongono una domanda a due modelli anonimi, leggono entrambe le risposte e votano quella che preferiscono. Dai voti si ricava un punteggio per ciascun modello. Il sistema misura quali risposte gli utenti preferiscono in una conversazione, non se un modello porta a termine un lavoro.
La tabella utilizza la visualizzazione predefinita della classifica dedicata al testo, con l'impostazione che Arena chiama style control. La classifica è stata aggiornata l'ultima volta il 25 set 2026, sulla base di 8.528.723 voti su 409 modelli, e valuta tutti e otto i modelli qui considerati.
Artificial Analysis
Artificial Analysis Intelligence Index
Artificial Analysis esegue in proprio dieci valutazioni, tra cui GDPval-AA, Terminal-Bench 4.0 e Humanity's Last Exam, e le combina in un unico punteggio per modello [Intelligence Index versione 4.3.2]. Misura inoltre la velocità con cui ogni modello scrive la propria risposta e ne riporta il prezzo per milione di token [un token è una parola o una parte di parola].
La velocità viene misurata, e il prezzo riportato, per il servizio indicato nella pagina di ciascun modello: quello del produttore per tutti i modelli qui considerati tranne gpt-oss-120b, per il quale Artificial Analysis indica la mediana dei servizi che lo offrono. Nessuno dei due dati fornisce indicazioni sulla velocità su un DGX Spark, che dipende dalla macchina.
Stanford HAI
Stanford AI Index
L'AI Index è un rapporto annuale, non una classifica. Raccoglie dati su ricerca, prestazioni, investimenti e politiche pubbliche e ne ricava le tendenze.
L'edizione 2026, pubblicata ad aprile 2026, non assegna direttamente un punteggio a nessuno dei modelli qui considerati, perciò non ha una colonna nella tabella. I suoi risultati sui modelli aperti e chiusi sono riassunti più avanti.
Vals AI
Vals AI
Vals AI testa i modelli su attività proprie in ambito legale, finanziario e fiscale. La tabella utilizza il benchmark attuale di ciascun ambito: Legal Research Bench, che verte sulla ricerca nell'intero diritto statunitense; Finance Agent v2, che copre le attività principali di un analista finanziario; e Tax Agent Bench, che pone domande di fiscalità societaria statunitense di livello specialistico.
I punteggi esprimono l'accuratezza in percentuale, come la riporta Vals AI. In Legal Research Bench una risposta conta solo se tutti gli elementi richiesti sono corretti. gpt-oss-120b non figura in nessuno dei tre benchmark, e Tax Agent Bench non ha valutato Qwen3.8-27B né GLM-5.3-Flash.
Quali di questi modelli entrano in un singolo DGX Spark
Un NVIDIA DGX Spark dispone di 128 GB di memoria, condivisa tra il processore e il chip grafico. Un modello può essere eseguito su di esso solo se i suoi pesi entrano in questo spazio lasciando margine per il testo su cui sta lavorando. I quattro modelli chiusi non possono in alcun caso essere eseguiti su una macchina di proprietà, perché i loro produttori non ne pubblicano i pesi.
Per i quattro modelli aperti, la tabella riporta i pesi originali del produttore e le versioni complete più piccole che abbiamo trovato. Memorizzare ogni peso con meno bit [quantizzazione] rende un modello più piccolo e può ridurne l'accuratezza.
| Modello | Entra in un singolo DGX Spark? | Versioni e relative dimensioni |
|---|---|---|
| gpt-oss-120b | Sì |
|
| Qwen3.8-27B | Sì | |
| DeepSeek V4.1 Flash | No | |
| GLM-5.3-Flash | Solo sotto i 4 bit |
Le dimensioni sono il totale dei file dei pesi elencati da ciascun repository su Hugging Face, in gigabyte da un miliardo di byte. Le abbiamo sommate noi; i repository non indicano i totali. Il dato sulla memoria è di NVIDIA.
Le versioni che rimuovono parti di un modello o che ne leggono i pesi dal disco durante l'esecuzione sono escluse, perché si tratta di un modello diverso o di un uso diverso della memoria.
A settembre 2026 il nostro laboratorio ha eseguito la versione Inferact di Qwen3.8-27B su una macchina da 128 GB con il chip GB10 di NVIDIA, lo stesso chip del DGX Spark.
Fonte 13consultato il 28 set 2026La nostra misurazione, su un'attività di GDPval
Questa misurazione è separata dai sistemi di valutazione e la presentiamo espressamente come nostra: a settembre 2026 il nostro laboratorio ha eseguito un'attività contabile tratta dal set pubblico GDPval di OpenAI, e la tabella seguente mostra i risultati ottenuti da tre dei modelli presenti in questa pagina. Il compito consiste nel costruire una cartella di lavoro per la ripartizione dei risconti attivi a partire da sei file di origine contenenti 66 fatture. I modelli hanno lavorato tramite i servizi online dei rispettivi produttori, con gli stessi strumenti e le stesse istruzioni, e abbiamo esaminato ogni cartella di lavoro completata rispetto alla griglia di valutazione originale dell'attività, composta da 56 criteri per un totale di 95 punti.
| Modello | Punti | Esecuzione | Data |
|---|---|---|---|
| GLM-5.3-Flash | 90 su 95 | secondo tentativo | 16 set 2026 |
| GPT-5.6 Sol | 82 su 95 | prima di due esecuzioni | 17 set 2026 |
| GPT-5.6 Sol | 72 su 95 | seconda di due esecuzioni | 17 set 2026 |
| DeepSeek V4.1 Flash | 78 su 95 | un'esecuzione | 16 set 2026 |
Il primo tentativo di GLM-5.3-Flash si è interrotto senza produrre una cartella di lavoro, quando ha esaurito il limite di 32.768 token per risposta; il suo punteggio proviene da un secondo tentativo con un limite di 65.536 token per risposta. DeepSeek V4.1 Flash è stato eseguito con il limite di 32.768 token.
Il rapporto completo del test di IA per la contabilità descrive l'attività, ogni tentativo, compresi quelli falliti, e gli errori riscontrati in ciascuna cartella di lavoro.
Il quadro generale, secondo lo Stanford AI Index
L'AI Index 2026 non assegna direttamente un punteggio a nessuno di questi modelli, ma quattro dei suoi risultati aiutano a leggere la tabella. I numeri di pagina si riferiscono al PDF del rapporto.
- I modelli aperti seguono da vicino, ma non sono alla pari. A marzo 2026 il miglior modello chiuso su Arena, Claude Opus 4.6 (1503), superava il miglior modello a pesi aperti, GLM-5 (1454), di 49 punti, pari a 3,4%. Ad agosto 2024 il divario era pari a 0,5%. Pagina 76.
- Al vertice la concorrenza è serrata. A marzo 2026 i migliori modelli delle quattro aziende principali erano separati da meno di 25 punti Arena, e il rapporto suggerisce che, di conseguenza, costo, velocità, affidabilità e idoneità a un determinato settore potrebbero contare di più. Pagina 78.
- Anche i benchmark hanno i loro difetti. Uno studio citato nel rapporto ha rilevato domande non valide in benchmark molto diffusi, con percentuali comprese tra 2% in MMLU Math e 42% in GSM8K. Pagina 71.
- I produttori di modelli divulgano meno informazioni. Il punteggio medio del Foundation Model Transparency Index è sceso da 58 nel 2024 a 40 nel 2025, e gli sviluppatori di modelli aperti tendevano a ottenere punteggi migliori. Pagina 164.
Sintesi: i modelli aperti competono nel lavoro professionale
A settembre 2026, i modelli aperti ottengono punteggi superiori ai due attuali modelli chiusi di OpenAI, GPT-6 Astra e GPT-5.6 Sol, in due valutazioni del lavoro professionale. Su GDPval-AA, che valuta i modelli sulle 220 attività pubbliche di GDPval, GLM-5.3-Flash ottiene 1641 contro 1588 di GPT-5.6 Sol e 1542 di GPT-6 Astra, un vantaggio superiore ai margini pubblicati. Nel benchmark finanziario di Vals AI raggiunge 57,85%, contro 53,76% di GPT-5.6 Sol e 53,54% di GPT-6 Astra. Nei voti alla cieca di Arena, DeepSeek V4.1 Flash ottiene 1477, contro 1478 di GPT-6 Astra.
I modelli di Anthropic restano in testa nella maggior parte delle valutazioni. Claude Opus 5.5 ottiene 1846 su GDPval-AA e, nell'Intelligence Index di Artificial Analysis, che combina dieci valutazioni, ottiene 58 contro 42 di GLM-5.3-Flash.
I modelli aperti hanno una proprietà che manca a quelli chiusi: poiché i loro produttori ne pubblicano i pesi, funzionano su hardware di Sua proprietà. Qwen3.8-27B e gpt-oss-120b entrano in un singolo DGX Spark a quattro bit o più, GLM-5.3-Flash vi entra solo in versioni sotto i quattro bit, e DeepSeek V4.1 Flash richiede più memoria di quella disponibile su una sola macchina. Su una macchina di Sua proprietà, è Lei a decidere dove vengono elaborati i Suoi documenti e i Suoi prompt e chi vi ha accesso, anziché inviarli al servizio di un produttore di modelli.
Il modo migliore per stabilire se un modello aperto che entra nella Sua macchina svolga il Suo lavoro in modo adeguato è metterlo alla prova sulle Sue attività. Mettiamo a disposizione a ore un DGX Spark con un modello aperto: Lei collega gli strumenti che già utilizza ed esegue i Suoi flussi di lavoro, prima di decidere in merito a una macchina di proprietà.
Fonti
Ogni dato di questa pagina proviene da una di queste pagine, tutte consultate il 28 set 2026. Dove una pagina indica la data del proprio ultimo aggiornamento, è riportata anche quella.
- OpenAI: GDPval: measuring the performance of our models on real-world tasks, aggiornato il 25 set 2025, consultato il 28 set 2026
- OpenAI: GDPval leaderboard, consultato il 28 set 2026
- Artificial Analysis: GDPval-AA v2.1 Leaderboard, consultato il 28 set 2026
- METR: Task-Completion Time Horizons of Frontier AI Models, aggiornato il 8 mag 2026, consultato il 28 set 2026
- METR: Time Horizon 1.0 results (benchmark_results_1_0.yaml), consultato il 28 set 2026
- Scale AI: Remote Labor Index (RLI) leaderboard, consultato il 28 set 2026
- Arena (formerly LMArena): Text Arena leaderboard, overall, default view with style control, aggiornato il 25 set 2026, consultato il 28 set 2026
- Artificial Analysis: LLM Leaderboard and model pages, Intelligence Index v4.3.2, consultato il 28 set 2026
- Vals AI: Legal Research Bench, aggiornato il 22 set 2026, consultato il 28 set 2026
- Vals AI: Finance Agent v2, aggiornato il 23 set 2026, consultato il 28 set 2026
- Vals AI: Tax Agent Bench, aggiornato il 23 set 2026, consultato il 28 set 2026
- Stanford HAI: The 2026 AI Index Report (April 2026), consultato il 28 set 2026
- NVIDIA: NVIDIA DGX Spark, consultato il 28 set 2026
- OpenAI on Hugging Face: openai/gpt-oss-120b, consultato il 28 set 2026
- Qwen on Hugging Face: Qwen/Qwen3.8-27B, consultato il 28 set 2026
- Inferact on Hugging Face: Inferact/Qwen3.8-27B-NVFP4, consultato il 28 set 2026
- DeepSeek on Hugging Face: deepseek-ai/DeepSeek-V4.1-Flash, consultato il 28 set 2026
- NVIDIA on Hugging Face: nvidia/DeepSeek-V4.1-Flash-NVFP4, consultato il 28 set 2026
- apetersson on Hugging Face: apetersson/DeepSeek-V4.1-Flash-MixedQ2-GGUF, consultato il 28 set 2026
- Z.ai on Hugging Face: zai-org/GLM-5.3-Flash, consultato il 28 set 2026
- NVIDIA on Hugging Face: nvidia/GLM-5.3-Flash-NVFP4, consultato il 28 set 2026
- Unsloth on Hugging Face: unsloth/GLM-5.3-Flash-GGUF, consultato il 28 set 2026
La nostra misurazione proviene dai registri del nostro laboratorio relativi alle esecuzioni riportate nella sua tabella. La relativa attività è elencata con l'identificativo 7d7fc9a7-21a7-4b83-906f-416dea5ad04f nel set pubblico GDPval di OpenAI, insieme ai file di origine e alla griglia di valutazione.
Per approfondire, consulti i confronti di private-local.ai con ChatGPT, Palantir, LocalAI e Private AI e la spiegazione di che cos'è l'IA locale e quando ha senso.
Domande sui benchmark dei modelli di IA
Di quali benchmark dei modelli di IA posso fidarmi?
Può fidarsi di ciascuno per ciò che misura, ma di nessuno per tutto. GDPval e il Remote Labor Index esaminano elaborati finiti, METR la durata delle attività che un agente riesce a completare, Arena le risposte che le persone preferiscono e Vals AI il lavoro legale, finanziario e fiscale. Parta da quello più vicino al Suo lavoro, poi testi il modello sulle Sue attività, perché nessun benchmark pubblico è stato costruito a partire da esse.
Perché un modello ottiene buoni risultati in un sistema di valutazione e scarsi in un altro?
I sistemi testano lavori diversi in condizioni diverse: altre attività, altri strumenti, altre impostazioni di ragionamento e altri giudici. In questa tabella, GPT-6 Astra ha il punteggio Remote Labor Index più alto tra i modelli elencati, ma un punteggio GDPval-AA inferiore a quello di GPT-5.6 Sol. Entrambi i risultati possono essere corretti allo stesso tempo.
Perché così tante celle riportano «non valutato»?
I sistemi di valutazione testano i nuovi modelli secondo i propri tempi, e sette di questi otto modelli sono stati rilasciati tra luglio e settembre 2026. METR non pubblica nuove misurazioni da maggio 2026, OpenAI non gestisce più la propria classifica GDPval e il Remote Labor Index ha finora valutato due degli otto modelli. Lasciamo vuote quelle celle anziché formulare ipotesi.
Posso eseguire questi modelli su una macchina di mia proprietà?
Può farlo solo con i modelli aperti. gpt-oss-120b e Qwen3.8-27B entrano in un singolo DGX Spark con 128 GB di memoria. GLM-5.3-Flash vi entra solo in versioni che memorizzano ogni peso con meno di quattro bit, e non abbiamo trovato alcuna versione completa di DeepSeek V4.1 Flash che vi entri. I modelli chiusi di OpenAI e Anthropic non possono essere eseguiti sul Suo hardware.
Quanto sono vicini i modelli aperti a quelli chiusi?
Dipende dalla valutazione. Su Arena, DeepSeek V4.1 Flash e GLM-5.3-Flash ottengono punteggi vicini a quelli di GPT-6 Astra e GPT-5.6 Sol, e su GDPval-AA GLM-5.3-Flash li supera entrambi. Nell'Intelligence Index, ogni modello chiuso della tabella ottiene un punteggio superiore a ogni modello aperto. Lo Stanford AI Index ha rilevato che il divario tra il miglior modello chiuso e il miglior modello aperto su Arena si è riaperto nel 2025, dopo essersi quasi chiuso nel 2024.
I punteggi pubblici sono il punto di partenza. Le Sue attività danno la risposta.
Scelga una configurazione, colleghi gli strumenti che già utilizza ed esegua il lavoro che Le interessa sul modello e sulla macchina che acquisterebbe. In un'ora o due saprà se è all'altezza del compito.
Richieda un endpoint