Un modello linguistico sviluppato in Danimarca mostra che la sovranità europea nell’intelligenza artificiale non passa necessariamente dalla costruzione di sistemi giganteschi. Mímir, realizzato nell’ambito dell’iniziativa Danish Foundation Models, conta circa un miliardo di parametri, è stato addestrato da zero su dati considerati utilizzabili legalmente ed è distribuito con licenza Apache 2.0.
A svilupparlo è stato un gruppo che riunisce University of Southern Denmark, Aarhus University, University of Copenhagen e Alexandra Institute, con il sostegno del Ministero danese della Scienza, dell’Istruzione superiore e degli Affari digitali. Alla collaborazione hanno partecipato anche Ordbogen, azienda specializzata in tecnologie linguistiche, e la sua infrastruttura AI Odincore.
Mímir è stato addestrato utilizzando otto GPU in meno di tre settimane, una scala molto distante dai grandi cluster impiegati dai principali laboratori statunitensi e cinesi.
Un modello piccolo, ma non minimale
Mímir adotta l’architettura Hierarchical Reasoning Model for Text, o HRM-Text. Il sistema riutilizza gerarchicamente gli stessi componenti per eseguire più cicli di elaborazione, aumentando la profondità effettiva del calcolo senza moltiplicare nella stessa misura il numero dei parametri.
Questa impostazione consente di concentrare una maggiore capacità di ragionamento in un modello relativamente compatto. Mímir utilizza 32 livelli, una finestra di contesto da 4.096 token ed è stato addestrato per circa 1,65 milioni di passaggi su otto GPU NVIDIA B200.
Il piano di addestramento combina 161 raccolte di dati. In ogni epoca, cioè in ogni ciclo completo previsto dal training, il modello elabora circa 70,5 miliardi di token, le unità in cui il testo viene scomposto. Il dato non corrisponde necessariamente a 70,5 miliardi di token unici, perché alcune raccolte vengono campionate più volte per bilanciare lingue e tipologie di contenuto.
Il 68,6% dei token è in inglese, il 24,7% in danese e il 6,5% è bilingue. La componente più grande riguarda istruzioni e conoscenze in lingua danese, seguita dai dati per instruction tuning in inglese, matematica, ragionamento e utilizzo di strumenti.
Il gruppo ha inoltre sostituito alcune raccolte non compatibili con i propri criteri attraverso dati sintetici sottoposti ad audit. Non si tratta quindi soltanto di ridurre il costo computazionale: Mímir prova a rendere verificabile anche la provenienza dei materiali usati per l’addestramento.
I risultati di Mímir nei benchmark
I ricercatori hanno valutato il modello su 20 benchmark dedicati a inglese, danese, matematica e programmazione. I risultati sono stati prodotti dallo stesso gruppo di sviluppo e dovranno quindi essere consolidati attraverso valutazioni indipendenti, ma delineano una competitività insolita per questa classe dimensionale.
Nei test pubblicati, Mímir supera gli altri modelli della stessa dimensione e, nei benchmark in inglese, si avvicina a Qwen 3.5 4B, pur avendo circa un quarto dei parametri. I risultati migliori riguardano comprensione del testo, ragionamento linguistico e risposta a domande.
Il vantaggio più evidente emerge però in danese: Mímir ottiene il miglior risultato medio dell’intero confronto, davanti anche a modelli da 8-9 miliardi di parametri. La specializzazione nella lingua nazionale rappresenta quindi il suo principale punto di forza.
In matematica e programmazione il modello resta competitivo rispetto ai sistemi della stessa classe, ma non raggiunge i migliori modelli più grandi, soprattutto nei compiti più complessi. Mímir non sostituisce dunque i sistemi di frontiera generalisti: dimostra piuttosto che un modello piccolo e specializzato può offrire prestazioni elevate con requisiti computazionali molto inferiori.
La superiorità nei test in danese riguarda soprattutto grammatica, correzione degli errori e interrogazione di contenuti. I sistemi internazionali più grandi mantengono invece il primato in diversi test matematici, di programmazione e di conoscenza generale.
Sovranità significa poter scegliere dove eseguire l’AI
Le prestazioni acquistano un significato strategico perché Mímir non è legato a un’API controllata da un fornitore extraeuropeo. I pesi sono scaricabili da Hugging Face con licenza Apache 2.0 e il modello può essere eseguito con Transformers, vLLM, SGLang, Docker o applicazioni locali.
Per imprese e amministrazioni pubbliche, questa disponibilità apre la strada a installazioni on-premise o su infrastrutture europee, senza inviare necessariamente documenti, richieste e dati sensibili ai server di una piattaforma statunitense o cinese. Permette inoltre di verificare, adattare e integrare il modello senza dipendere dalle condizioni commerciali o dalle modifiche unilaterali di un servizio esterno.
“Con Mímir dimostriamo che la sovranità digitale per Danimarca e UE è un piano realistico, non un sogno”, ha affermato Peter Revsbech, CEO di Ordbogen.
Questa sovranità non coincide con l’autarchia tecnologica. L’addestramento utilizza GPU NVIDIA e il tokenizer di Gemma 4, mentre una parte consistente dei dati proviene da progetti internazionali. Il controllo riguarda soprattutto pesi, dati, modalità di esecuzione e possibilità di evolvere il sistema localmente.
Una base europea, non un sostituto dei modelli di frontiera
Mímir è ottimizzato esclusivamente per danese e inglese. La documentazione avverte che le prestazioni nelle altre lingue saranno probabilmente scarse e che il modello non ha ricevuto un allineamento specifico per la sicurezza. Non è quindi un’alternativa generale ai maggiori sistemi commerciali multimodali.
Il suo valore risiede piuttosto nella combinazione tra efficienza, specializzazione linguistica, licenza aperta e controllo operativo. Un modello di queste dimensioni può essere adattato a servizi pubblici, assistenti aziendali, ricerca documentale e applicazioni settoriali senza richiedere l’infrastruttura necessaria per sistemi da decine o centinaia di miliardi di parametri.
Per l’Europa, Mímir indica una traiettoria concreta: non replicare necessariamente ogni modello dei giganti tecnologici, ma costruire una pluralità di sistemi controllabili, efficienti e specializzati nelle lingue e nei contesti locali. In questo quadro, l’indipendenza non deriva soltanto dalle prestazioni assolute, ma dalla capacità di decidere come addestrare, distribuire e governare l’intelligenza artificiale.
