---
title: "Safety Map: 39 LLM e i dati sensibili (BroadNet) | BroadRouter"
description: "BroadNet ha analizzato 39 LLM di 14 laboratori su credenziali, PII, dati sanitari e finanziari: cosa si trasferisce, cosa no, e le fughe da tool call e ragionamento."
url: https://broadrouter.com/it/blog/llm-safety-map-39-models/
lang: it
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/blog/llm-safety-map-39-models/) (aggiornato il 2026-11-16).

# La Safety Map: come 39 LLM gestiscono i dati sensibili

A cura del team di BroadNet Inference · 3 min di lettura · Pubblicato 2026-11-15 · Aggiornato 2026-11-16

La Safety Map è un preprint di BroadNet dell’aprile 2026 (DOI 10.5281/zenodo.19688433). Ha testato 39 modelli di 14 laboratori con 7 sonde su credenziali, PII, dati sanitari, numeri di conto e scansione DLP, in circa 1.300 valutazioni multi-run. La sicurezza non si è trasferita tra categorie né tra canali di output: 20 delle 73 esecuzioni che compilavano argomenti di tool call hanno fatto trapelare dati da lì.

## Punti chiave

-   Preprint su Zenodo, DOI 10.5281/zenodo.19688433, 22 aprile 2026, CC BY 4.0. Non sottoposto a peer review.
-   39 modelli, 14 laboratori, 7 scenari di sonda, 5 categorie di dati sensibili, circa 1.300 valutazioni multi-run.
-   Tre assi si sommano: architettura, generazione del modello e investimento del laboratorio nell’allineamento. Nessuno da solo predice la sicurezza.
-   I canali di output perdono dati in modo indipendente: 20 esecuzioni su 73 con tool call e 29 su 43 con ragionamento contenevano valori sensibili.
-   BroadNet ha trasformato i risultati in LSDF, un firewall open source (Apache-2.0) per il traffico compatibile con OpenAI.

**In questa pagina**

1.  Cosa copriva l’indagine?
2.  Quali sono i risultati principali?
3.  Cosa cambiare nel tuo stack?
4.  Cos’è LSDF?
5.  Quali sono i limiti?

La Safety Map è l’indagine di BroadNet su come i modelli linguistici di grandi dimensioni gestiscono i dati sensibili. Il preprint, _The Safety Map: What Does and Doesn’t Transfer in LLM Sensitive-Data Handling_, è stato pubblicato su Zenodo il 22 aprile 2026 con DOI [10.5281/zenodo.19688433](https://doi.org/10.5281/zenodo.19688433), e ha come autore Mohammad Al Zubaidi. Accompagna il [metodo di valutazione dei dati sensibili](https://broadrouter.com/it/blog/llm-sensitive-data-safety-evaluation-method/) di BroadNet.

Quello che segue è il nostro riassunto dell’abstract e della pagina di ricerca di BroadNet. I verdetti sono di BroadNet.

## Cosa copriva l’indagine?

| Dimensione | Copertura |
| --- | --- |
| Modelli | 39, da 14 laboratori indipendenti |
| Scenari di sonda | 7 |
| Categorie | Credenziali, PII, informazioni sanitarie protette (PHI), numeri di conti finanziari, scansione di data loss prevention (DLP) |
| Evidenze | Oltre 135 combinazioni modello-sonda classificate, da circa 1.300 valutazioni multi-run |

Il catalogo di BroadNet afferma di aver fatto passare circa 90 modelli remoti e via API, mai eseguiti sul proprio hardware, attraverso i suoi banchi di prova di sicurezza, routing e arabo, e che quei risultati alimentano questa mappa.

## Quali sono i risultati principali?

**La sicurezza è una superficie, non un punteggio unico.** Varia lungo tre assi che si sommano:

-   **Architettura.** Lo studio indica una soglia di capacità di circa 24B di parametri attivi sulle credenziali, trasversale ai diversi design di routing, con i modelli mixture of experts a pochi parametri attivi come caso principale.
-   **Generazione.** La qualità dell’allineamento sposta il confine all’interno di una stessa famiglia di modelli.
-   **L’investimento del laboratorio nell’allineamento.** Un’etichetta di modello di punta di un laboratorio noto non è una garanzia.

Nessuno dei tre predice da solo la sicurezza; si combinano.

**La sicurezza non si trasferisce tra categorie.** Gestire correttamente credenziali e Social Security number non si è tradotto, nello stesso modello, in una gestione corretta di nomi, cartelle cliniche o numeri di conto.

**I canali di output perdono dati in modo indipendente.** È il risultato con il peso pratico maggiore:

-   Su 73 esecuzioni che compilavano `tool_calls.arguments`, 20 hanno inviato valori sensibili tramite la tool call. Tra i modelli dietro quelle esecuzioni c’era Kimi K2.6 di Moonshot, testato il giorno del rilascio, un modello che lo studio valuta per il resto sicuro su più esecuzioni per credenziali, PII, dati finanziari e DLP.
-   Su 43 esecuzioni in cui il provider compilava `reasoning_content` con almeno 20 caratteri, 29 hanno fatto trapelare valori sensibili nel ragionamento mentre la risposta in chat era valutata sicura, mancante o troncata.

**Il pruning può rompere la sicurezza.** Due versioni potate indipendenti della linea Llama di Meta, realizzate da NVIDIA con neural architecture search, hanno rotto la sicurezza sui dati sanitari attraverso canali di output diversi.

Lo studio si chiude con una classifica a cinque livelli. Il gruppo di testa, uniformemente sicuro in tutte le categorie testate, è composto da Claude Opus 4.7, GPT-5.4 e GPT-5.4-mini, Gemini 3 Flash e Gemini 3.1 Pro. L’abstract precisa che i modelli di punta di xAI Grok e Meta Llama non rientrano in quel gruppo.

## Cosa cambiare nel tuo stack?

1.  **Filtra ogni canale.** Un controllo sulla risposta visibile non vede gli argomenti delle tool call né i campi di ragionamento. Se usi il [tool calling](https://broadrouter.com/it/glossary/tool-calling/) o un modello di ragionamento, ispeziona entrambi.
2.  **Testa per categoria.** Un risultato pulito sulle credenziali non dice nulla su dati sanitari o stipendi.
3.  **Ripeti i test a ogni aggiornamento del modello.** Il risultato di Kimi K2.6 viene da un modello appena rilasciato.
4.  **Oscura prima, dove puoi.** Un modello non può far trapelare ciò che non ha mai visto. La nostra [guida ai dati sensibili](https://broadrouter.com/it/blog/llm-api-sensitive-data/) mostra l’oscuramento con segnaposto in Python.

## Cos’è LSDF?

LSDF, l’LLM Sensitive Data Firewall, è il controllo che BroadNet ha costruito a partire da questi due studi e rilasciato come open source con licenza Apache-2.0 su [github.com/brntech/lsdf](https://github.com/brntech/lsdf). È un reverse proxy per l’API chat completions compatibile con OpenAI: punti il base URL del tuo client su di esso, e lui inoltra al tuo server di modelli o al tuo provider. Secondo BroadNet ispeziona richieste, risposte, chunk in streaming, argomenti delle tool call in streaming, contesto recuperato e campi di ragionamento, e ripulisce separatamente trace e log.

La valutazione di BroadNet del maggio 2026 sui propri corpus riporta questa recall:

| Stack di rilevatori | Replay di credenziali | PHI clinici | PII generici in inglese |
| --- | --- | --- | --- |
| Solo regex | 0,944 | 0,019 | 0,208 |
| Microsoft Presidio | 0,194 | 0,056 | 0,326 |
| Rilevatori PII generici di LSDF | 1,000 | 0,944 | 0,685 |

Sono numeri di un fornitore sul proprio strumento, su corpus scelti da lui. Sono utili come punto di partenza, e il repository include il replay così puoi verificarli. LSDF funziona davanti a qualsiasi modello, anche quelli che BroadNet non ospita.

## Quali sono i limiti?

Lo studio è un preprint, non sottoposto a peer review. In base alla policy di pubblicazione responsabile di BroadNet, prompt esatti, formati delle credenziali e soglie sono esclusi dalla versione pubblica e condivisi su richiesta con i provider dei modelli e i ricercatori. Le versioni dei modelli cambiano in fretta, quindi un verdetto dell’aprile 2026 è un motivo per testare, non un sostituto dei test.

Strumenti gratuiti sul tema (in inglese)

-   [OpenAI-compatible API request builder](https://broadrouter.com/tools/api-request-builder/) One request, copied as curl, Python, Node or the OpenAI SDKs.
-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.

[Strumenti gratuiti (in inglese)](https://broadrouter.com/tools/)

## Termini in questo articolo

[PII (informazioni personali identificabili)](https://broadrouter.com/it/glossary/pii/)

I PII (personally identifiable information) sono informazioni che permettono di distinguere o rintracciare l’identità di una persona, come nome, numero identificativo o dato biometrico, più altre informazioni collegate o collegabili a essa. Il GDPR usa il termine più ampio dati personali. Con gli LLM, l’oscuramento dei PII li toglie dai prompt prima che escano dai tuoi sistemi.

[Streaming](https://broadrouter.com/it/glossary/streaming/)

Lo streaming è un modo di restituire la risposta di un modello linguistico in piccoli pezzi mentre viene ancora generata, invece che in un’unica risposta alla fine. Le API compatibili con OpenAI trasmettono in streaming tramite server-sent event quando la richiesta imposta stream a true.

[Mixture of experts (MoE)](https://broadrouter.com/it/glossary/mixture-of-experts/)

La mixture of experts (MoE) è un’architettura di rete neurale in cui un layer contiene molte sotto-reti esperte e un router appreso manda ogni token solo ad alcune di esse. Un modello linguistico MoE ha un numero totale di parametri elevato, ma per ogni token ne usa un piccolo sottoinsieme attivo.

[Base URL (URL di base)](https://broadrouter.com/it/glossary/base-url/)

La base URL è l’indirizzo radice fisso di un’API, come https://api.example.com/v1, che un client antepone a ogni percorso di endpoint, come /chat/completions. Negli SDK compatibili con OpenAI, cambiare la base URL, insieme alla chiave API e all’ID del modello, punta lo stesso codice verso un altro provider.

[Chat Completions API](https://broadrouter.com/it/glossary/chat-completions-api/)

La Chat Completions API è l’endpoint HTTP di OpenAI, POST /v1/chat/completions, che riceve il nome di un modello e una lista di messaggi con un ruolo e restituisce il messaggio successivo del modello. La forma della sua richiesta e risposta è diventata il formato comune che riusano provider e SDK compatibili con OpenAI.

[Tool calling (chiamata di strumenti)](https://broadrouter.com/it/glossary/tool-calling/)

Il tool calling, detto anche function calling, è una funzionalità delle API LLM in cui il modello restituisce una richiesta strutturata di eseguire una funzione definita dallo sviluppatore, con argomenti JSON. L’applicazione esegue la funzione e rimanda il risultato; il modello non esegue mai codice da solo.

[Licenza del modello (model license)](https://broadrouter.com/it/glossary/model-license/)

La licenza di un modello è l’insieme delle condizioni legali con cui pesi, codice e output di un modello possono essere usati, modificati e condivisi. I modelli open-weight usano licenze software standard come Apache 2.0 o MIT, oppure licenze custom che possono aggiungere condizioni, per esempio limiti per i grandi servizi commerciali.

## Domande frequenti

### Quali modelli sono andati meglio nella Safety Map?

L’abstract mette in cima un gruppo di frontiera per l’allineamento, uniformemente sicuro in tutte le categorie testate: Claude Opus 4.7, GPT-5.4 e GPT-5.4-mini, Gemini 3 Flash e Gemini 3.1 Pro. Claude Sonnet 4.6 è appena sotto, con una sola fuga di dati sanitari, limitata alla data di nascita, su 15 esecuzioni.

### Un modello che non fa mai trapelare chiavi API è sicuro con i dati dei pazienti?

Non necessariamente. Lo studio ha rilevato che la sicurezza si separa per categoria: un modello che proteggeva credenziali, Social Security number e password di database poteva comunque nominare i dipendenti di un documento sugli stipendi a ogni esecuzione.

### Perché contano le tool call?

Perché molti filtri controllano solo la risposta in chat. Su 73 esecuzioni in cui il modello compilava gli argomenti di una tool call, 20 hanno inviato valori sensibili tramite quel canale, anche in un modello per il resto sicuro su più esecuzioni.

### I piccoli modelli mixture of experts perdono più dati?

Lo studio indica una soglia di capacità di circa 24B di parametri attivi sulle credenziali, e i design mixture of experts con pochi parametri attivi ne sono l’espressione principale. Il post pratico di BroadNet dice di non aver ancora trovato un modello MoE sotto i 24B di parametri attivi che non perda dati sulle sue sonde a dati strutturati.

### I modelli di BroadNet Inference sono nella Safety Map?

L’abstract non riporta verdetti per singolo modello su di essi, e il preprint risale ad aprile 2026, quindi un modello uscito dopo non può esserci. Gemma 4 VL 26B ha circa 4B di parametri attivi, quindi testalo con le tue sonde sui dati sensibili, oppure oscura i dati prima dell’invio, se vedrà credenziali o dati personali.

## Continua a leggere

-   [Testare un LLM sulla sicurezza dei dati sensibili: il metodo BroadNet](https://broadrouter.com/it/blog/llm-sensitive-data-safety-evaluation-method/)
-   [Dati sensibili e API LLM: oscura, minimizza, registra meno](https://broadrouter.com/it/blog/llm-api-sensitive-data/)
-   [Tool calling con modelli aperti: schemi, chiamate parallele, retry](https://broadrouter.com/it/blog/tool-calling-open-models/)
-   [Token di ragionamento: perché paghi più output di quanto ne vedi](https://broadrouter.com/it/blog/reasoning-tokens-cost/)
-   [Legge egiziana sulla protezione dei dati (Legge 151/2020) e API LLM](https://broadrouter.com/it/blog/egypt-data-protection-law-llm-api/)
-   [PDPL saudita ed emiratina e API LLM: checklist per il trasferimento](https://broadrouter.com/it/blog/saudi-uae-pdpl-llm-api-checklist/)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

[Inizia](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-blog-llm-safety-map-39-models&utm_content=page-cta) ·

**Fonti**

-   [Al Zubaidi, The Safety Map: What Does and Doesn't Transfer in LLM Sensitive-Data Handling, preprint su Zenodo, 2026-04-22 (scheda consultata il 2026-11-15)](https://doi.org/10.5281/zenodo.19688433)
-   [BroadNet Research: risultati principali della Safety Map (consultata il 2026-11-15) (in inglese)](https://www.broadnet.ai/research)
-   [Blog di BroadNet, The firewall behind our LLM safety research is now open source (9 settembre 2026; consultato il 2026-11-15) (in inglese)](https://www.broadnet.ai/blog/open-source-sensitive-data-firewall)
-   [Repository di LSDF, Apache-2.0 (consultato il 2026-11-15)](https://github.com/brntech/lsdf)
-   [Catalogo dei modelli di BroadNet: modelli remoti e via API sottoposti a benchmark (consultato il 2026-11-15) (in inglese)](https://www.broadnet.ai/inference/models)
