La ricerca si sta spostando verso topologie multi-agente, controllo adattivo, ragionamento latente e decodifica con auto-modifica per rendere gli agenti più efficienti. Questi metodi puntano a ridurre l'uso di token mantenendo o migliorando le prestazioni sui task.
Un preprint di Stanford, Together AI, UIUC e Meta introduce i Hybrid Reasoning Agents: modelli che ragionano in modo interno e producono testo solo per tool e risposta finale. Nei test segnalati guadagnano circa il 10%, usano metà token, girano due v...
PRISM recupera un segnale per-query da corpora di grafi verificati che non hanno ranking. Un teacher legge un grafo sibling tramite un ramo low-rank zero-initialized; lo studente allinea i target decisionali su traiettorie auto-campionate. Su sei ben...
La piattaforma FastAPI proposta da DeepUnfolding Agent separa il controller adattivo dall'esecuzione di dominio. Gli executor registrano uno schema, inviano diagnostiche di round e ricevono azioni di controllo vincolate, con persistenza SQLite, deplo...
Un modello da 9 miliardi di parametri, addestrato una sola volta su 2.506 conversazioni generate da 297 procedure, affronta procedure di recupero crediti mai viste. I controlli documentali passano da 67-71% a 93-100%, i controlli grounded restano alt...
Un gruppo di ricercatori usa un LLM 'inverso' per ricostruire le tracce di ragionamento partendo dalle sole risposte. Il modello, addestrato una volta, genera in modo offline i passaggi intermedi per dati prompt-risposta, evitando i rollout multipli ...
AutoIndexer introduce un meccanismo di decodifica basato su una catena di modifiche: il modello può inserire, sostituire o eliminare token dopo la generazione, spostando un cursore come in un editor. Addestrato su sequenze perturbate, impara a correg...
