DeepSeek pubblica DeepSeek‑V4‑Flash‑0731: guadagni agentici, DSpark e costi di output inferiori
DeepSeek ha rilasciato il checkpoint DeepSeek‑V4‑Flash‑0731 e ha avviato la beta pubblica dell’API V4‑Flash: il modello include il modulo DSpark per speculative decoding, mostra miglioramenti agentici rispetto alla preview e offre un costo di output significativamente più basso rispetto a V4‑Pro.
Nous Research integra Hermes Agent con Buzz: tre percorsi di integrazione per workspace Nostr
Nous Research ha rilasciato il supporto di Hermes Agent per Buzz di Block, offrendo tre modalità di integrazione (Desktop, relay bridge, gateway) che facilitano l'uso di agenti con identità proprie in ambienti Nostr self-hosted.
Quando l'allineamento rifiuta risposte: capire il ruolo del RLHF
Il reinforcement learning da preferenze umane (RLHF) può spingere i modelli a rifiutare richieste ambigue o potenzialmente rischiose anche quando l'intento è innocuo. Questo articolo spiega perché accade, come riconoscerlo e quali passi pratici provare.
Prompt, loop e graph engineering: tre livelli di controllo nell’ingegneria degli agenti
Un articolo tecnico distingue prompt, loop e graph engineering come tre unità di controllo sovrapposte: quando ciascun livello è necessario, quali costi operativi comporta e quali problemi progettuali impone agli ingegneri AI.
Tono sicuro, verità incerta: perché i modelli di linguaggio possono sembrare convincenti anche quando sbagliano
I modelli di linguaggio spesso rispondono con tono sicuro perché sono addestrati a prevedere il token successivo: la loro "fiducia" misura la probabilità linguistica, non la veridicità. Questo articolo spiega il fenomeno e suggerisce come ridurre il rischio di essere fuorviati.
Fireworks Nexus: layer di routing e controllo costi per spostare compiti di routine su open-weight models
Fireworks ha lanciato Nexus, una piattaforma che unisce controllo dei costi, compatibilità con gli strumenti di sviluppo esistenti e un router che inoltra richieste semplici a modelli open-weight, riducendo i costi sistemici secondo dati preliminari e studi indipendenti.
Quando il pensiero rende persuasivi gli errori
La tecnica chain-of-thought chiede al modello di esplicitare i passaggi logici: può migliorare il ragionamento su problemi complessi, ma i passaggi intermedi possono rendere gli errori più convincenti. Scopri quando usare la catena di ragionamento e come verificarne i punti critici.
Perplexity lancia pplx, CLI single‑binary per la Search API pensata per agenti
Perplexity ha rilasciato pplx, un client CLI single‑binary per la sua Search API che restituisce risultati e testo pulito in JSON. Contratto I/O esplicito, autenticazione TTY vs variabile d'ambiente e strumenti per gestire il budget token rendono lo strumento pensato anche per coding agents.
In‑context learning: apprendimento temporaneo
L'in‑context learning è il fenomeno per cui un modello modifica temporaneamente il proprio comportamento leggendo esempi nel prompt. Questo articolo spiega cosa succede, come verificare se un cambiamento dipende dal prompt e quando ricorrere a soluzioni persistenti.
Photon-1: modello 'imagination' che impara da video senza etichette e simula desktop
Induction Labs presenta Photon-1, un modello di 'imagination' preaddestrato su 18 anni di video desktop senza etichette d’azione. L’approccio usa una compressione FSQ molto densa e, secondo i test interni, consuma molto meno compute e generalizza a simulazioni come biliardo e damiera.