Paper
Ricerca e letteratura, spiegata
risultati
-
LingBot-World-Infinity: il world model causale open di Robbyant con un harness agentico
Robbyant (Ant Group) rilascia un world model causale da 14B che si comporta come un simulatore interattivo, con…
-
Riassumere video in locale con SmolVLM2-2.2B su una GPU consumer
SmolVLM2-2.2B gira su 5,2 GB di GPU RAM e regge il confronto con modelli più grandi sui benchmark…
-
Nemotron Labs 3 Puzzle 75B A9B: NVIDIA comprime un MoE ibrido per raddoppiare il throughput
NVIDIA comprime Nemotron-3-Super in una variante da 75,3B totali e 9,3B attivi, ottenendo fino a 2,14x di throughput…
-
SpaceXAI rilascia Grok 4.5, modello addestrato con Cursor per coding e task agentici
Grok 4.5 punta su coding, task agentici e knowledge work, addestrato insieme a Cursor. Il dato di spicco…
-
DPO: allineare i modelli alle preferenze umane senza reinforcement learning
La Direct Preference Optimization allinea gli LLM alle preferenze umane senza la complessità del reinforcement learning. Spieghiamo l’idea…
-
Le leggi di scala di Chinchilla: più dati, non solo più parametri
Il paper Chinchilla ha mostrato che molti LLM erano sottoaddestrati: a parità di budget di calcolo, conviene bilanciare…
-
Chain-of-Thought: perché chiedere a un modello di “ragionare a voce alta” funziona
Il chain-of-thought prompting migliora il ragionamento degli LLM facendoli esplicitare i passaggi intermedi. Spieghiamo il paper che ha…
-
RAG spiegato: il paper che ha dato agli LLM una memoria esterna
La retrieval-augmented generation collega un modello linguistico a una base di conoscenza esterna. Spieghiamo il paper che ha…
-
ReAct: il paper che insegna ai modelli a ragionare e agire insieme
Il paper ReAct ha mostrato come intrecciare ragionamento e azione in un modello linguistico, gettando le basi degli…
-
Perché gli LLM allucinano: cosa dice la ricerca
Le allucinazioni dei modelli linguistici non sono un bug occasionale ma una proprietà del modo in cui funzionano.…