I progetti agentici open source producono piccoli subagenti con output verificabili, risposte concise ed esecuzione autonoma dei compiti. Allo stesso tempo, ricerca e test reali mettono in dubbio che la collaborazione multi-agente offra veri benefici o solo fine-tuning mascherato, mentre gli agenti possono ancora ignorare le istruzioni.
Un utente con due Spark e un MacBook Air chiede a un agente LLM locale di decompilare e ricompilare Need for Speed: l’agente devia su DOSBox, poi dichiara di aver finito, ma alla fine usa un motore open source che imita il gioco. La storia mostra com...
Autark, creato da uno sviluppatore austriaco di 14 anni, trasforma gli agenti AI in un team autonomo che pianifica ed esegue compiti senza prompt continui. Il tool open source supporta modelli locali e CLI di servizi cloud, ma elimina sandbox, approv...
Un LLM da 1,1 GB derivato da LFM3-1.7B esegue una sola ricerca e restituisce risposta, citazione e URL. Nei test il modello base non risponde nel 62% dei casi live, mentre Obsessive risponde sempre e riduce le invenzioni. AI-Radar analizza il trade-o...
Un fine-tuning di LFM3-1.7B trasforma il modello in un subagente di ricerca web che restituisce valore, citazione e URL, oppure "Not found". Addestrato con LoRA su un laptop con RTX 4060, azzera le risposte inventate nel benchmark fisso ma accetta un...
Un progetto leggero mostra come ridurre la verbosità di un LLM locale. Oc-e-Non-v1, derivato da Qwen3-4B-Instruct-2507, accorcia le risposte in media del 50% e rende il comportamento sintetico parte del modello, non solo del prompt. Una mossa che int...
PLatour mostra che parte dei guadagni nei sistemi PACT emerge anche con sender non informativi o addestrando solo il ricevitore. PACT-Check misura il contributo reale della comunicazione tra modelli. Per i deployment on-premise, la differenza tra tra...
Un framework open source smonta l'equivoco del PACT: passare rappresentazioni tra modelli può migliorare i benchmark senza che il modello più piccolo riceva informazione utile. PLatour introduce ponti addestrabili e PACT-Check, un metodo per separare...
Un framework multi-agente a modello singolo condivide una backbone e coordina thread su un DAG di stati KV residenti in GPU. Con fork radix zero-copy, montaggio KV solo su attenzione e trainer DAG-GRPO impacchettato, riduce la memoria KV di picco di ...
Un approccio duale conoscenza-dati aggiorna librerie di competenze per LLM impiegati in compiti di responsabilità. KDASO risponde a skill obsolete, scarto semantico e sforamento del budget di contesto; i test mostrano miglioramenti e trasferimento a ...
Un resoconto Reddit mostra il ragionamento di Qwen3.8-27B: si definisce un LLM testuale, decide comunque di chiamare un tool di screenshot, salva l'immagine e la analizza, arrivando a commentarla. L'episodio va oltre l'aneddoto: segnala che nei deplo...
ByteDance pubblica Axion 1.0, LLM agenziale da 35B con ricetta di addestramento completa: due fasi di fine-tuning supervisionato e reinforcement learning, senza mid-training, DPO o OPD. Oltre ai pesi, rilascia dati, pipeline, prompt e codice. L'apert...
