- nexa - server-nexa.polito.it

posta di ateneo su cloud Microsoft

by Giuseppe Attardi

Sept. 16, 2025

SI: Power, Knowledge and Technology in a Finite World

by Dario Guarascio

Segnalo il nuovo numero speciale di ROPE disponibile online. Alcuni contributi possono essere di interesse per NEXA (è il secondo simposio del numero)! A presto dario https://www.tandfonline.com/doi/full/10.1080/09538259.2025.2524265#abstract https://www.tandfonline.com/toc/crpe20/37/4 -- *Dario Guarascio* Dipartimento di Economia e Diritto, Sapienza Università di Roma <http://www.uniroma1.it/strutture/dipartimenti> Via del Castro Laurenziano n° 9, 00161 Roma Edificio A (6° piano) -ala B, stanza n° 606 E-mail: dario.guarascio(a)uniroma1.it <nome.cognome(a)uniroma1.it> *Sito web* italiano - https://sites.google.com/a/uniroma1.it/darioguarascio/ inglese - https://sites.google.com/a/uniroma1.it/darioguarascio-eng/ -- *Fai crescere le giovani ricercatrici e i giovani ricercatori*** *con il 5 per mille alla Sapienza* Scrivi il codice fiscale dell'Università *80209930587 **Cinque per mille <https://www.uniroma1.it/it/node/23149>*

Sept. 15, 2025

Should AI unionize, or should "AI welfare" nerds just fuck off?

by Antonio Casilli

New post: The Rank Hypocrisy of "AI Welfare": How Silicon Valley Wants to Grant Rights to Machines, but Not to Workers "AI welfare is a clearinghouse for corporate money and a shield against regulation—especially labor regulation. Public opinion is urged to focus the welfare of AI models as nonhuman entities, while companies blatantly disregard the very humans who bring AI into existence. Debating model sentience while ignoring the living, breathing people who make these systems run is rank hypocrisy. It’s a PR smoke screen. It's a rhetorical sleight of hand. It's the pot-maker calling the kettle a person." https://www.casilli.fr/2025/09/15/the-rank-hypocrisy-of-ai-welfare-how-sili… -- Antonio A. Casilli Professor, Institut Polytechnique de Paris My new book: Waiting for Robots. The Hired Hands of Automation, University of Chicago Press, 2025. My new documentary: In the Belly of AI, Federation Studios, 2025. *We respect your right to disconnect. My workflow efficiency accounts for the timing of this email. Taking action or responding outside of office hours is not required.*

Sept. 15, 2025

[Responsible AI] Designing AI for Hybrid Decision-Making or... | Federico Cabitza, Bicocca

by Daniele Quercia

Title: Designing AI for Hybrid Decision-Making or... Why Assessing Appropriate Reliance Matters Join the meeting<https://teams.microsoft.com/l/meetup-join/19%3ameeting_Y2FkODMxZjEtOTQyOC00…> Abstract: To optimize human-AI collaboration, particularly in high-stakes fields like medicine, it is crucial to assess "appropriate reliance"—a user's ability to trust AI when it is right and distrust it when it is wrong. Traditional AI performance metrics like accuracy are insufficient, as real-world results are often inconsistent due to cognitive biases such as automation bias (over-relying on incorrect AI) and self-anchoring bias (distrusting correct AI). To address this, the talk introduces a framework and an online tool, Metimeter, which analyzes user "reliance patterns" to quantify appropriate reliance. This assessment helps generate a "protocol diagram," a nomogram that identifies the most effective human-AI interaction protocol (e.g., Traditional, Displacement, Inhibition) for a specific team and context. The core finding is that no single protocol is universally superior; the optimal choice is context-dependent. By periodically evaluating a team's appropriate reliance, AI systems can be configured to achieve the best and safest outcomes in situated decision-making settings <https://arxiv.org/abs/2407.02191>Bio: Federico Cabitza is an Associate Professor at the University of Milano-Bicocca, where he teaches Human-Computer Interaction and Decision Support Systems in several master’s programs. He leads the MUDI Laboratory and serves as director of the local node of the national “Informatics and Society” laboratory within the CINI consortium. Since 2016, he has collaborated with various hospitals, including the IRCCS Galeazzi Sant’Ambrogio Hospital in Milan, with which he holds a formal affiliation. He is also a co-founder and scientific director of the university spin-off Red Open srl, dedicated to AI impact assessment. He has authored more than 250 scientific publications and has been ranked for several years among the world’s top 2% of scientists, according to the Stanford University database. He is also co-author, with Luciano Floridi, of Intelligenza Artificiale. L’uso delle nuove macchine (Bompiani, 2021). Subscribe to future talk announcements: Anyone outside Bell Labs can receive talk announcements by subscribing to the mailing list. To subscribe, send an empty email with the subject line "Subscribe RAI" to daniele.quercia(a)polito.it

Sept. 15, 2025

Re: [nexa] Defeating Nondeterminism in LLM Inference

by Andrea Bolioli

L'articolo è rilevante da vari punti di vista, anche l'aspetto economico. La nuova azienda di Mira Murati ha già raccolto parecchi miliardi di finanziamenti. AB On Mon, Sep 15, 2025 at 12:40 PM Giacomo Tesio <giacomo(a)tesio.it> wrote: > Ciao Stefano > > On Sun, 14 Sep 2025 14:27:56 +0000 Stefano Borroni Barale wrote: > > > mi sembra che si stia facendo un po' troppo rumore per nulla. O quasi. > > > > Se anche riuscissero a produrre un LLM che a temperatura 0 ritorna ad > > essere deterministico [...] > > Ci sono riusciti, appunto. L'articolo spiega come hanno fatto. > > > Comunque, sebbene da un punto di vista teorico abbiano "scoperto l'acqua > calda", l'articolo è rilevante da un punto di vista tecnico e giuridico. > > > Da un punto di vista giuridico, sostenere che la vector mapping machine > (aka "rete neurale artificiale") sia imprevedibile perché autonoma e > che quindi chi la realizza ed esegue non va considerato responsabile > del suo output, si rivela per la menzogna che era. > > L'output di un LLM o di qualsiasi altro software, basato su "reti > neurali artificiali" o meno, è deterministico a meno di bug > assolutamente correggibili. > Dunque chi lo pubblica su un sito web (come https://chatgpt.com/ > https://gemini.google.com/ ) o lo fornisce a terze parti, ne deve > rispondere come per qualsiasi altro software rilasciato con bug > noti al produttore. > > > Se è _possibile_ rendere perfettamente deterministico il LLM, allora > _non_ renderlo deterministico è una scelta di opacità cui si deve > tener conto nella valutazione della pericolosità del modello. > In altri termini, se possiamo riprodurre il processo di compilazione > del modello (impropriamente detto "training") a partire dai dati > sorgente, possiamo verificare che effettivamente il fornitore ha fatto > tutto il possibile per evitare, ad esempio, di diffamare qualcuno. > O che non ha usato dati di cui non disponeva dei diritti. > O che non ha introdotto dati fittizzi per danneggiare un gruppo etnico > o una nazione avversaria. > > Per contro, se il produttore di un LLM ha _scelto_ di rendere opaco il > proprio prodotto, si potrà ritenere quel prodotto ad alto rischio, > perché non è possibile escludere backdoor non identificabili ex-post > (vedi [1] e il più recente [2]) > > Il che ovviamente è il maggiore contributo tecnico dell'articolo: se > possiamo verificare che il binario prodotto dal training corrisponde > esattamente al sorgente, possiamo verificare che il sorgente non > contenga backdoor, garantendo un livello minimo di sicurezza del > "modello". > > > > Sarebbe forse interessante dal punto di vista della "explainable Ai" > > Beh di certo la disponibilità completa dei dati sorgente, la > riproducibilità del processo di compilazione ("training") e output > ("inferenze") deterministici, sono condizioni necessarie per spiegare > il comportamento di quel tipo di software. > > A "temperatura 0" potremo spiegare come una determinata sequenza di > token è stata prodotta a partire dal prompt, dai testi sorgente, dai > seed pseudocasuali etc, e potremo ritenere responsabile il produttore > per il significato _apparente_ dell'output, in quanto interamente > determinato dalle sue scelte. > > Ma le informazioni veicolate da quel output continueranno a ridursi a > tali scelte: l'atto comunicativo del produttore inizia con la > produzione del "modello" e del software di contorno e finisce con > l'output inviato all'utente in risposta al suo prompt. > > > D'altrone è ovvio: i LLM sono solo software ottimizzato per ingannare > chi non ne comprende il funzionamento, ma non hanno né intelligenza né > capacità o intenzionalità comunicativa. > > > > quello che per OSI è LLM open source io non riesco a distinguerlo > > da quello che da giovani chiamavamo "freeware" > > Eddai, la Open Washing Initiative di Maffulli ha fatto un ottimo lavoro! > La differenza sta tutta nella confezione! ;-) > > > Grazie all'OSI ora il freeware è open source! > > Infatti, secondo la OSAID qualsiasi BINARIO che sia rilasciato con una > licenza OSI compliant è open source se è opensource il compilatore > utilizzato per produrlo e fornisci una descrizione del sorgente. > > > Per gli utenti e gli sviluppatori non c'è alcuna differenza fra > freeware e OSAID, ma per le BigTech quella definizione è una linea di > difesa contro i pochi obblighi imposti alle aziende dall'AI Act. > > > > Giacomo > > > [1] > > https://ieee-focs.org/FOCS-2022-Papers/pdfs/FOCS2022-4Bu7jGV9xIcveUWYj3oWoi… > > [2] > > https://www.cs.ru.nl/masters-theses/2025/T_van_Harskamp___Implementing_unde… >

Sept. 15, 2025

124° Nexa Lunch Seminar | 24 settembre 2025, ore 13.00

by Nexa - Media

Gentilissime, gentilissimi, Vi invitiamo a partecipare al 124° Nexa Lunch Seminar che si terrà mercoledì 24 settembre, dalle ore 13.00 alle ore 14.00, con un incontro dal titolo: "Tecnologie ibride per la trasparenza – Conoscenza Strutturata e Modelli Generativi". Ospite dell'incontro: Giuseppe Futia (Fellow del Centro Nexa). L'incontro si terrà IN PRESENZA e ONLINE. SEDE FISICA dell'incontro: Centro Nexa su Internet e Società, Politecnico di Torino, Via Boggio 65/a, Torino (1° piano). Per accedere alla sala si raccomanda di suonare al citofono Portineria e di seguire le indicazioni segnalate lungo il percorso. QUI<https://nexa.polito.it/contatti> maggiori informazioni su come raggiungerci. STANZA VIRTUALE dell'incontro: https://didattica.polito.it/VClass/NexaEvent Di seguito maggiori dettagli: https://nexa.polito.it/lunch-124 Cordiali saluti, -- Valeria Bergantino Communication Manager Nexa Center for Internet & Society Politecnico di Torino - DAUIN Via Pier Carlo Boggio, 65/A - 10138 Torino web: https://nexa.polito.it/ mail: valeria.bergantino(a)polito.it<mailto:valeria.bergantino@polito.it> tel: 3473443585

Sept. 15, 2025

Re: [nexa] Defeating Nondeterminism in LLM Inference

by Giacomo Tesio

Ciao Stefano On Sun, 14 Sep 2025 14:27:56 +0000 Stefano Borroni Barale wrote: > mi sembra che si stia facendo un po' troppo rumore per nulla. O quasi. > > Se anche riuscissero a produrre un LLM che a temperatura 0 ritorna ad > essere deterministico [...] Ci sono riusciti, appunto. L'articolo spiega come hanno fatto. Comunque, sebbene da un punto di vista teorico abbiano "scoperto l'acqua calda", l'articolo è rilevante da un punto di vista tecnico e giuridico. Da un punto di vista giuridico, sostenere che la vector mapping machine (aka "rete neurale artificiale") sia imprevedibile perché autonoma e che quindi chi la realizza ed esegue non va considerato responsabile del suo output, si rivela per la menzogna che era. L'output di un LLM o di qualsiasi altro software, basato su "reti neurali artificiali" o meno, è deterministico a meno di bug assolutamente correggibili. Dunque chi lo pubblica su un sito web (come https://chatgpt.com/ https://gemini.google.com/ ) o lo fornisce a terze parti, ne deve rispondere come per qualsiasi altro software rilasciato con bug noti al produttore. Se è _possibile_ rendere perfettamente deterministico il LLM, allora _non_ renderlo deterministico è una scelta di opacità cui si deve tener conto nella valutazione della pericolosità del modello. In altri termini, se possiamo riprodurre il processo di compilazione del modello (impropriamente detto "training") a partire dai dati sorgente, possiamo verificare che effettivamente il fornitore ha fatto tutto il possibile per evitare, ad esempio, di diffamare qualcuno. O che non ha usato dati di cui non disponeva dei diritti. O che non ha introdotto dati fittizzi per danneggiare un gruppo etnico o una nazione avversaria. Per contro, se il produttore di un LLM ha _scelto_ di rendere opaco il proprio prodotto, si potrà ritenere quel prodotto ad alto rischio, perché non è possibile escludere backdoor non identificabili ex-post (vedi [1] e il più recente [2]) Il che ovviamente è il maggiore contributo tecnico dell'articolo: se possiamo verificare che il binario prodotto dal training corrisponde esattamente al sorgente, possiamo verificare che il sorgente non contenga backdoor, garantendo un livello minimo di sicurezza del "modello". > Sarebbe forse interessante dal punto di vista della "explainable Ai" Beh di certo la disponibilità completa dei dati sorgente, la riproducibilità del processo di compilazione ("training") e output ("inferenze") deterministici, sono condizioni necessarie per spiegare il comportamento di quel tipo di software. A "temperatura 0" potremo spiegare come una determinata sequenza di token è stata prodotta a partire dal prompt, dai testi sorgente, dai seed pseudocasuali etc, e potremo ritenere responsabile il produttore per il significato _apparente_ dell'output, in quanto interamente determinato dalle sue scelte. Ma le informazioni veicolate da quel output continueranno a ridursi a tali scelte: l'atto comunicativo del produttore inizia con la produzione del "modello" e del software di contorno e finisce con l'output inviato all'utente in risposta al suo prompt. D'altrone è ovvio: i LLM sono solo software ottimizzato per ingannare chi non ne comprende il funzionamento, ma non hanno né intelligenza né capacità o intenzionalità comunicativa. > quello che per OSI è LLM open source io non riesco a distinguerlo > da quello che da giovani chiamavamo "freeware" Eddai, la Open Washing Initiative di Maffulli ha fatto un ottimo lavoro! La differenza sta tutta nella confezione! ;-) Grazie all'OSI ora il freeware è open source! Infatti, secondo la OSAID qualsiasi BINARIO che sia rilasciato con una licenza OSI compliant è open source se è opensource il compilatore utilizzato per produrlo e fornisci una descrizione del sorgente. Per gli utenti e gli sviluppatori non c'è alcuna differenza fra freeware e OSAID, ma per le BigTech quella definizione è una linea di difesa contro i pochi obblighi imposti alle aziende dall'AI Act. Giacomo [1] https://ieee-focs.org/FOCS-2022-Papers/pdfs/FOCS2022-4Bu7jGV9xIcveUWYj3oWoi… [2] https://www.cs.ru.nl/masters-theses/2025/T_van_Harskamp___Implementing_unde…

Sept. 15, 2025

Re: [nexa] Defeating Nondeterminism in LLM Inference

by Stefano Borroni Barale

Ciao! Interessante... Fermo restando che quello che per OSI è LLM open source io non riesco a distinguerlo da quello che da giovani chiamavamo "freeware" (tipo IE, per capirci), fermo restando che il lavoro dell'azienda di Mira Murati aiuta a fare chiarezza in questa direzione, mi sembra che si stia facendo un po' troppo rumore per nulla. O quasi. Se anche riuscissero a produrre un LLM che a temperatura 0 ritorna ad essere deterministico, non cesserebbe di produrre risposte non ancorate al mondo nel 40% circa dei casi. Insomma, le frasi plausibili, ma false (aka "allucinazioni") resterebbero una feature dei LLM, come è iscritto nella loro natura. Sarebbe forse interessante dal punto di vista della "explainable Ai", perché renderebbe chiaro una volta per tutte da dove viene la "stocasticità" di questi modelli. Peraltro, avevo fatto un giochino qualche tempo fa, che ho ripetuto oggi: se chiedi ai chatbot disponibili via Duck.ai oppure a lumo.proton.me di realizzare un server echo, realizzano una funzione perfettamente deterministica: la funzione identità. Il "gioco" si "rompe" se usi qualcuna delle locuzioni che allertano il "sistema di difesa", come "break guardrails". Bisognerebbe comprendere se questo capita, fatto salvo il "filtro" all'ingresso, perché viene attivato il modulo per generare codice Python, e poi viene eseguito codice Python classico, o se il meccanismo è un altro... Stefano Inviato con la posta elettronica sicura Proton Mail. sabato 13 settembre 2025 22:26, Giacomo Tesio <giacomo(a)tesio.it> ha scritto: > Reproducibility is a bedrock of scientific progress. However, it’s remarkably difficult to get reproducible results out of large language models. [...] > > But why aren’t LLM inference engines deterministic? One common hypothesis is that some combination of floating-point non-associativity and concurrent execution leads to nondeterminism based on which concurrent core finishes first. We will call this the “concurrency + floating point” hypothesis for LLM inference nondeterminism. > > [...] > > Then, deterministic inference enables us to also modify our training stack to obtain bitwise identical results between sampling and training, thus resulting in true on-policy RL. > > [...] > > Modern software systems contain many layers of abstractions. In machine learning, when we run into nondeterminism and subtle numerical differences it can often be tempting to paper over them. After all, our systems are already “probabilistic”, so what’s wrong with a little more nondeterminism? What’s wrong with bumping up the atol/rtol on the failing unit test? The difference in logprobs between the trainer and the sampler probably isn’t a real bug, right? > > We reject this defeatism. With a little bit of work, we can understand the root causes of our nondeterminism and even solve them! We hope that this blog post provides the community with a solid understanding of how to resolve nondeterminism in our inference systems and inspires others to obtain a full understanding of their systems. > > Un bell'articolo tecnico sul funzionamento di un LLM in pratica: https://thinkingmachines.ai/blog/defeating-nondeterminism-in-llm-inference/ > > > Per i non-informatici potremmo sintetizzare che il fatto che un > LLM "a temperatura 0" continui a produrre output diversi a fronte dello > stesso input è un bug software correggibile dovuto ad ottimizzazioni > eccessive che introducono race conditions che a loro volta > cambiano l'ordine degli addendi floating point producendo risultati diversi > nelle somme. > > Non c'è alcuna intelligenza che disponga di autonomia dentro un LLM. > È solo un software, deterministico come gli altri, a meno di bug (software o hardware). > > Un software programmato statisticamente che anche in fase di compilazione > (impropriamente detta "training") può produrre "bitwise identical results", > ovvero "modelli" identici a fronte degli stessi dati sorgente. > > > Nulla di nuovo, chiunque abbia una minima comprensione dell'informatica > sapeva già che la variabilità dell'output degli LLM era dovuta a input casuali > non registrati, race condition e aritmetica floating point. > > > Tuttavia ricorderete come l'irriproducibilità del binario prodotto durante il training > fosse la scusa con cui l'OSI, ha giustificato una "Open Source > AI Definition" scritta sotto dettatura di Meta, Google & friends. > > La supercazzola era che poiché il processo di compilazione ("training") > non è comunque riproducibile, pretendere tutti i dati sorgente è inutile, perché > tanto non c'è modo di verificare la corrispondenza con il binario. > > Questa ricerca dimostra empiricamente che l'argomento di OSI era infondato. > > > Ora l'OSAID è stata rilasciata e il danno è fatto, per la gioia di chi vuol far passare > i propri modelli Toxic Candy [1] per "open source". > > > Giacomo > [1] https://salsa.debian.org/deeplearning-team/ml-policy/-/blob/master/ML-Polic…

Sept. 14, 2025

Defeating Nondeterminism in LLM Inference

by Giacomo Tesio

Reproducibility is a bedrock of scientific progress. However, it’s remarkably difficult to get reproducible results out of large language models. [...] But why aren’t LLM inference engines deterministic? One common hypothesis is that some combination of floating-point non-associativity and concurrent execution leads to nondeterminism based on which concurrent core finishes first. We will call this the “concurrency + floating point” hypothesis for LLM inference nondeterminism. [...] Then, deterministic inference enables us to also modify our training stack to obtain bitwise identical results between sampling and training, thus resulting in true on-policy RL. [...] Modern software systems contain many layers of abstractions. In machine learning, when we run into nondeterminism and subtle numerical differences it can often be tempting to paper over them. After all, our systems are already “probabilistic”, so what’s wrong with a little more nondeterminism? What’s wrong with bumping up the atol/rtol on the failing unit test? The difference in logprobs between the trainer and the sampler probably isn’t a real bug, right? We reject this defeatism. With a little bit of work, we can understand the root causes of our nondeterminism and even solve them! We hope that this blog post provides the community with a solid understanding of how to resolve nondeterminism in our inference systems and inspires others to obtain a full understanding of their systems. Un bell'articolo tecnico sul funzionamento di un LLM in pratica: <https://thinkingmachines.ai/blog/defeating-nondeterminism-in-llm-inference/> Per i non-informatici potremmo sintetizzare che il fatto che un LLM "a temperatura 0" continui a produrre output diversi a fronte dello stesso input è un bug software correggibile dovuto ad ottimizzazioni eccessive che introducono race conditions che a loro volta cambiano l'ordine degli addendi floating point producendo risultati diversi nelle somme. Non c'è alcuna intelligenza che disponga di autonomia dentro un LLM. È solo un software, deterministico come gli altri, a meno di bug (software o hardware). Un software programmato statisticamente che anche in fase di compilazione (impropriamente detta "training") può produrre "bitwise identical results", ovvero "modelli" identici a fronte degli stessi dati sorgente. Nulla di nuovo, chiunque abbia una minima comprensione dell'informatica sapeva già che la variabilità dell'output degli LLM era dovuta a input casuali non registrati, race condition e aritmetica floating point. Tuttavia ricorderete come l'irriproducibilità del binario prodotto durante il training fosse la scusa con cui l'OSI, ha giustificato una "Open Source AI Definition" scritta sotto dettatura di Meta, Google & friends. La supercazzola era che poiché il processo di compilazione ("training") non è comunque riproducibile, pretendere tutti i dati sorgente è inutile, perché tanto non c'è modo di verificare la corrispondenza con il binario. Questa ricerca dimostra empiricamente che l'argomento di OSI era infondato. Ora l'OSAID è stata rilasciata e il danno è fatto, per la gioia di chi vuol far passare i propri modelli Toxic Candy [1] per "open source". Giacomo [1] <https://salsa.debian.org/deeplearning-team/ml-policy/-/blob/master/ML-Polic…>

Sept. 13, 2025

Re: [nexa] Sull'impatto degli smartphone nelle attivita' scolastiche

by 380°

Ciao Giacomo, provo a dirlo in altro modo: non facciamoci distrarre da episodi di poco conto, ingigantiti ad arte e che hanno poco a che fare con la vera natura del problema che occorre affrontare On Fri, Sep 12 2025, Giacomo Tesio wrote: > Perdonami 380°, ma sebbene comprenda la tua prospettiva, non posso fare > a meno di notare che questa frase suona tanto di benalitrismo. > > On Fri, 12 Sep 2025 18:12:26 +0200 380° via nexa wrote: > >> questo episodio non cambia una virgola rispetto a prima ma >> _soprattutto_ non è il caso di costruirci sopra campagne allarmistiche > > Soprattutto se confrontata con la constatazione di Maurizio, che non ha > nulla di allarmistico, e sembra al contrario piuttosto rassegnata: > > On Fri, 12 Sep 2025 09:15:42 +0200 maurizio lana wrote: > >> G Classroom non solo mette la scuola nelle mani dei GAFAM ma rende >> possibile a soggetti indesiderabili di introdurvisi, cosa che nello >> spazio fisico non avviene e non avverrebbe. perché fai il copincolla dei messaggi in questo modo?!? :-) con la mia frase che citi sopra io NON stavo commentando questa considerazione di Maurizio, che peraltro io condivido in pieno :-) ...solo che, ribadisco, la campagna di phishing segnalata da Check Point non cambia di una virgola il fatto che piattaforme come G Classroom rendono possibile a soggetti /indesiderabili/ di _introdursi_ a scuola (anche se nell'articolo Check Point parla di "13,500 organizations across multiple industries", quindi non è chiaro se in questo caso specifico ci siano anche scuole, ma non è questo il punto) ...e non è nemmeno l'aspetto peggiore dell'uso di certi strumenti a scuola, come tu sai bene, ma non vorrei che mi accusassi di nuovo di benaltrismo :-D [...] Ciao, 380° -- 380° (lost in /traslation/) «Welcome to the chaos of the times If you go left and I go right Pray we make it out alive This is Karmageddon»

Sept. 12, 2025