Notizie
Ultime notizie e aggiornamenti sull'intelligenza artificiale locale
9 notizie in Agenti AI
La rilevanza non implica l'applicabilità: attivazione dell'esperienza per agenti GUI personali
13 ottobre 2026Gli agenti GUI personali usano la cronologia per inferire le intenzioni; il paper mostra che l'esperienza rilevante per il task viene quasi tutta 'spesa' all'inizio, e non aiuta a ogni decisione.
Scaling dei dati agentici per l'intelligenza a lungo orizzonte nei terminal
13 ottobre 2026Un nuovo paper Hugging Face mostra come i terminal agente vadano oltre le operazioni locali verso task professionali reali: accumulare prove, regolare la strategia e trasformare risultati intermedi in output finali.
OnTrack: monitoraggio e intervento in tempo reale sulle traiettorie degli agenti LLM
9 ottobre 2026Un metodo per monitorare e intervenire in tempo reale sulle traiettorie degli agenti LLM, usando un trasporto ottimale strutturale su streaming: evita i costi e la Latenza di un agente di salvaguardia a ogni passo, restando proattivo invece di esaminare i log a posteriori.
Memento 3: agenti LLM che imparano regole esplicite per ambienti nuovi
9 ottobre 2026Memento 3, seguito della serie Memento, permette ad agenti LLM con pesi congelati di apprendere in continuo modelli del mondo espliciti in ambienti sconosciuti, usando un quaderno di regole riflessive che si aggiorna man mano arrivano nuove evidenze.
Ricerca Hugging Face: gli agenti usano raramente i propri giudizi sull'evidenza per decidere quando fermarsi
7 ottobre 2026Uno studio su agenti con strumenti in ambienti di Retrieval (recupero) con fallimenti controllati: quando il tool torna risultati inutili, l'agente lo giudica come tale, ma raramente trasforma quel giudizio in una decisione di stop. La distinzione tra 'giudicare il risultato' e 'agire su quel giudizio' è zero per chi si ferma per scadenza, ed è la misura del gap che divide i modelli di oggi.
GUI-HARVEST: agenti GUI che migliorano da soli evolvendo il proprio harness
7 ottobre 2026L'harness eseguibile attorno a un modello GUI — come vengono assemblati gli osservabili, come si eseguono le azioni, come si verificano e si recupera dai fallimenti — determina gran parte del comportamento dell'agente. GUI-HARVEST lo ottimizza automaticamente a partire dall'evidenza delle esecuzioni, affrontando la riconciliazione tra intenzione del modello ed effetto osservato, la diagnosi dei fallimenti sotto esecuzione variabile e il controllo di terminazione.
Attacca: controllo orientato all'obiettivo per agenti embodied su orizzonti lunghi
7 ottobre 2026Le policy visive per agenti embodied vengono valutate quasi sempre su interazioni isolate, con l'obiettivo già visibile. Attacca affronta il caso reale: sequenze di task interdipendenti in esecuzione continua, dove ogni task parte dallo stato lasciato dal precedente e il target non è necessariamente in scena. Un passo verso agenti che completano obiettivi complessi in un'unica sessione ininterrotta.
Intent drift negli agenti LLM: misurarlo e ripararlo
2 ottobre 2026Nuovo paper di ricerca: quando l'utente cambia idea durante una conversazione multi-turno, le parti superate dell'intenzione continuano a influenzare la risposta finale (intent drift). I paper introducono IntentFlux, un Benchmark eseguibile che converte task verificabili in dialoghi con cambi di intenzione controllati, e propone metodi per rilevare e riparare il fenomeno.
Agent Priors: apprendimento per policy guidato da prior dei modelli agenti
2 ottobre 2026Un paper della community Hugging Face esplora come i prior impliciti dei modelli agenti possano guidare l'apprendimento per policy, riducendo il costo della formazione di agenti LLM in domini strutturati.