Il principale ostacolo per gli agenti AI in produzione si sta spostando dalla capacità del modello alla conoscenza frammentata, all'affidabilità delle decisioni e alla valutazione dinamica. I benchmark statici non riescono a catturare il comportamento multi-turno degli agenti che usano strumenti.
Mirror Particle si presenta al TechCrunch Disrupt Startup Battlefield con una world model costruita da zero per prevedere il comportamento umano. L'azienda sostiene che il roleplay dei Large Language Models non basta per ricerca di mercato e strategi...
Solo un progetto su tre arriva in produzione. La ricerca MIT Technology Review Insights punta il dito su dati frammentati, sistemi legacy e scarsa contestualizzazione. Per chi valuta deployment on-premise, il nodo non è la potenza di calcolo ma l'acc...
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 ...
