Cicli agentici, decision model e test-time compute stanno ridefinendo il modo in cui gli LLM affrontano compiti complessi e valutano i progressi. Benchmark eseguibili e cicli di auto-revisione stanno sostituendo le classifiche statiche mentre i modelli imparano a correggere i propri output.
Un benchmark eseguibile per gli scacchi cinesi mostra che gli agenti LLM possono indicare la mossa giusta e perdere comunque. Su 119 finali tattici, 8.568 traiettorie multi-turno e 12 LLM frontier, il successo a ciclo chiuso crolla rispetto alle valu...
Una valutazione paired su 11 punti decisionali per agenti LLM mostra che il modello ospitato Jev supera quello open-weight Laya su 9 compiti, ma nessuno batte il caso nel routing zero-shot. L’audit della pipeline rivela errori che trasformano un risp...
I world model osservazionali non bastano agli agenti LLM modulari: una sequenza non dice se il pagamento autorizza la spedizione o se un fattore nascosto spiega entrambi. Il framework FedCausalCompose mostra che l'errore interventistico si riduce con...
Un audit mostra che gli agenti LLM concentrano i retrieval su un nucleo ristretto e lasciano gli stati rari in una coda lunga, dove gli errori di previsione si accumulano. Il controller CTWM assegna il budget del prompt con un solo esponente e riduce...
Un benchmark su 824 domande multi-hop di FRAMES mette a confronto 18 pipeline RAG e un loop agentico. La migliore pipeline arriva al 78,9%, l’agente al 92,7%. Il dato più scomodo riguarda il reranking: un modello piccolo fa perdere 9 punti di accurat...
Un runtime esegue le chiamate agli strumenti degli agenti LLM fuori dall'ordine della traiettoria, ma committa solo dopo validazione. Miglioramenti fino a 1,35x su benchmark con tool lenti, zero falsi positivi su 4.010 record. Un cambio strutturale p...
AREX-2 esplora l'automiglioramento degli agenti LLM tramite riflessione e iterazioni a lungo orizzonte. Addestrato su traiettorie sintetiche di compiti di machine learning e programmazione algoritmica, basato su Qwen3.8-27B, ottiene 81.8 su MLE-bench...
BAAI ha presentato AREX-2, un modello agente da 27 miliardi di parametri compatibile con Qwen3.8. La novità è il ciclo propose-measure-reflect-revise: il modello usa punteggi, log ed errori per migliorare le risposte. Con 262.144 token di contesto e ...
Il punteggio di Nemotron 3 alle IOI 2026 non segna solo un primato. Il risultato dichiarato si spiega con GenCorrect, un loop di test-time compute che moltiplica i token per query. Per i deployment on-premise, i pesi aperti e la quantization NVFP4 ab...
La scheda di NVIDIA Nemotron-Labs-3-Competitive-Coding descrive un modello da 550B-A55B fine-tuned su 477.642 tracce sintetiche distillate da GLM-5.2. Con la strategia GenCorrect, ha ottenuto 535,4/600 alle IOI 2026, superando soglia oro e miglior pu...
Un consulente ha costruito ImaJev-4b, modello da 4 miliardi di parametri basato su Qwen3.5-4B con LoRA e un decision head. Dopo un primo tentativo peggiorativo, la cura dei dati ha portato il sistema al primo posto su JevBench tra 91 modelli e al ter...
