Ricerca e strumenti si concentrano su come gli agenti basati su LLM si coordinano, condividono contesto, pianificano e verificano gli output. Framework multi-agente a modello singolo, cache KV condivise, librerie di competenze, pipeline di fact-checking ed evoluzione controllata dei prompt indicano flussi autonomi più affidabili.
FinEvolveKG separa regole generali e policy persona, confina l’ottimizzatore riflessivo GEPA a blocchi specifici, mantenendo byte-stable il blocco approvato. Un doppio obiettivo bilancia qualità temporale e fatti persona. Nei test su 10-K ticker-disj...
Un utente chiede se qualcuno usa il livello di reasoning 'none' nei task agentici. La tentazione è risparmiare tempo di generazione token, ma il timore è di perdere pianificazione. Per chi gestisce LLM self-hosted, questo parametro tocca VRAM, latenz...
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 team ha presentato una pipeline a quattro stadi per generare articoli di fact-checking a partire da claim, verdetto originale e fonti raccolte dal web. Llama-3.1-8B-Instruct genera il testo, mentre un post-processing deterministico recupera le cit...
