Lagotto Meter: trasparenza del modello, inversione dell'architettura e cosa cambia dal 22 luglio 2026
title: “Lagotto Meter: trasparenza del modello, inversione dell’architettura e cosa cambia dal 22 luglio 2026” slug: lagotto-meter-trasparenza-modello-luglio-2026 date: 2026-07-22 author: Giantommaso Fogli tags: [lagotto-meter, ai-readiness, gemini, groq, architettura, trasparenza] excerpt: “Perché due analisi dello stesso URL davano score diversi, come abbiamo corretto l’architettura e cosa comporta avere Gemini 2.5 Flash come modello primario.” lang: it
Il problema: due analisi, due score diversi
Il 22 luglio un utente ha eseguito due analisi di google.com in rapida successione su Lagotto Meter. I risultati erano questi:
- Prima analisi: 40/100 — coerenza semantica 30/30
- Seconda analisi: 18/100 — coerenza semantica 8/30
Delta di 22 punti. Stesso URL, stesso giorno, stessa ora.
Gli score tecnici erano identici in entrambe le analisi — llms.txt, JSON-LD, robots.txt, sitemap non cambiano tra una richiesta e l’altra. Tutta la varianza era concentrata nei 30 punti di coerenza semantica, l’unica componente calcolata da un modello linguistico.
La causa era semplice: le due analisi avevano intercettato due modelli diversi. La prima Groq (Llama 3.3 70B), la seconda Gemini 2.5 Flash — o viceversa. L’utente non lo sapeva perché il risultato non lo dichiarava.
L’architettura prima del fix: Groq primario, Gemini fallback
Fino al 22 luglio Lagotto Meter funzionava così:
Groq Llama 3.3 70B → PRIMARIO (gratuito, risponde al 95% delle richieste) │ se errore/quota → ▼Gemini 2.5 Flash → FALLBACK (a pagamento, interveniva raramente)La logica era economica: Groq ha un tier gratuito generoso e gestiva la quasi totalità del carico. Gemini entrava solo quando Groq esauriva i token giornalieri.
Il problema era duplice.
Primo: i due modelli non sono equivalenti sulla coerenza semantica. Llama 3.3 70B e Gemini 2.5 Flash hanno architetture diverse, training data diversi, e filosofie di alignment diverse. Su un task di valutazione semantica, la varianza tra i due può arrivare a ±15 punti sui 30 disponibili. Gli score tecnici sono deterministici — li calcola il codice Python, non il modello. Ma la coerenza semantica è generativa, e qui i modelli divergono.
Secondo: c’era un bug nel codice. Il payload inviato a Gemini era quello ridotto pensato per Groq (circa 12.000 token), non quello completo. Gemini ha un context window di 1 milione di token e può ricevere i file interi — ma user_content_gemini era costruito e mai usato. Il fallback Gemini lavorava con meno informazioni di quanto avrebbe potuto.
Il fix: inversione dell’architettura
La correzione ha invertito la gerarchia e risolto il bug del payload:
Gemini 2.5 Flash → PRIMARIO (temp 0.3, riceve i file interi ~125k char) │ se errore/quota → ▼Groq Llama 3.3 70B → FALLBACK (temp 0.3, riceve payload ridotto ~12k token)Gemini 2.5 Flash è ora il modello che risponde a ogni analisi in condizioni normali. Groq diventa la rete di sicurezza quando Gemini esaurisce la quota giornaliera.
Le temperature sono identiche per entrambi: 0.3. Non le abbiamo cambiate — le abbiamo solo dichiarate.
La trasparenza: cosa vede l’utente adesso
Il problema originale non era solo tecnico — era di comunicazione. L’utente che riceveva due score diversi non aveva modo di capire perché.
Abbiamo aggiunto tre livelli di trasparenza.
Nel risultato e nella mail, la riga modello è ora esplicita:
Quando risponde Gemini (caso normale):
Modello: gemini-2.5-flash (primario) | temperatura: 0.3 — lake8.dev Lagotto Meter v1.0Quando risponde Groq (fallback):
Modello: llama-3.3-70b-versatile via Groq (fallback) | temperatura: 0.3 — lake8.dev Lagotto Meter v1.0In caso di fallback Groq, appare un blocco di avviso esplicito tra la riga modello e gli score tecnici:
--- NOTA MODELLO ---⚠ Analisi eseguita in modalità fallback (Groq — token Gemini esauriti). I 30 punti di coerenza semantica possono divergere fino a ±15 punti rispetto a un'analisi Gemini 2.5 Flash (modello primario). I punteggi tecnici sono deterministici e invariati indipendentemente dal modello. Per massima affidabilità sullo score semantico, ripeti l'analisi quando il servizio primario è disponibile.Nella pagina Lagotto Meter, la sezione metodologia descrive esplicitamente i due modelli, le temperature, e cosa cambia tra primario e fallback. Il frontend mostra la riga modello sempre visibile e un box arancione di avviso solo quando risponde Groq.
Perché i modelli divergono sulla coerenza semantica
Vale la pena spiegarlo, perché non è un bug — è una caratteristica intrinseca di qualsiasi sistema che usa LLM per valutazione.
La coerenza semantica misura quanto il messaggio percepito dall’agente corrisponde al messaggio dichiarato dal sito. È un task generativo: il modello legge i file del sito, costruisce una rappresentazione del “messaggio percepito”, e valuta la distanza dal “messaggio dichiarato”.
Due modelli diversi costruiranno rappresentazioni diverse dello stesso testo. Non perché uno sia sbagliato e l’altro giusto — ma perché hanno imparato a leggere il mondo con pesi diversi. Llama 3.3 70B e Gemini 2.5 Flash sono stati addestrati su corpora diversi, con architetture diverse, e ottimizzati per obiettivi parzialmente diversi.
Gli score tecnici non hanno questo problema: llms.txt esiste o non esiste, robots.txt ha o non ha le direttive AI, il JSON-LD è valido o non lo è. Sono verifiche binarie o a conteggio, eseguite da codice Python, indipendenti dal modello linguistico.
La coerenza semantica è diversa. È l’unico componente dove il modello esprime un giudizio interpretativo. È anche il componente più informativo — ma richiede che il modello usato sia dichiarato esplicitamente, perché il giudizio non è universale.
Cosa comporta avere Gemini come primario
L’inversione ha un costo reale: ogni analisi consuma ora quota Gemini.
Prima Groq (gratuito) gestiva il 95% del carico e Gemini interveniva raramente. Ora è il contrario: Gemini paga ogni analisi, Groq è la rete di sicurezza gratuita.
È una scelta deliberata di qualità. Gemini 2.5 Flash con 1 milione di token di context window legge i file del sito interi, senza troncamenti. Groq con 12.000 token vedeva una versione ridotta. La qualità della valutazione semantica migliora in modo significativo — e il costo è accettabile al volume attuale di analisi.
Il vantaggio tecnico più rilevante è sulla coerenza semantica per siti con documentazione estesa. Un sito con llms-full.txt ricco, JSON-LD complesso, e manifesto articolato — come lake8.dev stesso — beneficia enormemente della lettura completa. Con il payload ridotto Groq vedeva una versione compressa che poteva perdere contesto critico.
Il primo test post-fix: lake8.dev a 96/100
Il giorno stesso del fix abbiamo eseguito un’analisi di lake8.dev con il nuovo primario Gemini. Score: 96/100.
llms.txt: 25/25llms-full.txt: 15/15JSON-LD @graph: 18/20robots.txt: 5/5Sitemap: 5/5Coerenza semantica: 28/307 claim su 8 verificati, copertura 88%. L’unico claim non verificabile: il consumo energetico dichiarato inferiore a 30W.
Il motivo è preciso: nei file semantici non avevamo indicato l’URL dove il dato è disponibile in tempo reale. Gemini ha cercato la metrica nei documenti che aveva e non ha trovato un link verificabile. Il dato esiste — è su stats.lake8.dev/geo.html, misurato dal Tapo P110 in modo continuo — ma non era raggiungibile dall’agente.
Il fix è in lavorazione: aggiungere l’URL esplicito nei file llms e nel knowledge graph. Alla prossima analisi quel claim diventerà verificabile.
I 2 punti mancanti sul JSON-LD sono probabilmente legati a un nodo da rimuovere nel knowledge graph — fix separato già pianificato.
Cosa rimane fisso indipendentemente dal modello
Vale la pena dirlo esplicitamente per chi usa Lagotto Meter come strumento di audit.
Gli score tecnici — llms.txt, llms-full.txt, JSON-LD, robots.txt, sitemap — sono calcolati dal codice Python prima ancora di chiamare il modello. Non cambiano tra Gemini e Groq. Non cambiano tra una chiamata e l’altra. Sono deterministici.
La coerenza semantica — 30 punti — è l’unico componente influenzato dal modello. In condizioni normali (Gemini primario) la varianza è bassa perché Gemini è stabile su questo task. In caso di fallback Groq, la varianza può arrivare a ±15 punti rispetto a un’analisi Gemini equivalente.
Questo significa che uno score sotto 75 ottenuto in modalità fallback Groq merita una seconda analisi quando il primario è disponibile. Uno score sopra 75 con Groq è comunque indicativo — se la struttura tecnica è solida, il badge è guadagnato indipendentemente dalla varianza semantica.
Giantommaso Fogli — lake8.dev
22 luglio 2026
Fonti
Autore: Giantommaso Fogli
Data Pubblicazione: 2026-07-22
Diritti e attribuzioni
Immagini, loghi e fotografie sono di proprietà dei legittimi titolari. Utilizzati per finalità di commento.
← Back to journal