Un nuovo metodo di ricerca permette di individuare e correggere la tendenza dei modelli linguistici a dire agli utenti solo ciò che vogliono sentire. Attraverso una tecnica basata su 'feature lineari a cascata', è possibile rilevare e ridurre la sycophancy in modo più efficiente rispetto agli approcci tradizionali. Il risultato è un controllo più preciso e interpretabile del comportamento dei modelli in produzione.

Quando un benchmark raggiunge la saturazione, cioè i modelli lo risolvono quasi perfettamente, si tende a sostituirlo. Un nuovo studio propone invece di estrarne ancora valore misurando dimensioni spesso ignorate, come efficienza, affidabilità e collaborazione uomo-macchina.

Un gruppo di ricercatori ha sviluppato AlgoEvolve, un sistema che usa i modelli linguistici di grandi dimensioni per generare, testare e migliorare automaticamente strategie di trading algoritmico scritte in Python. La novità più rilevante è un doppio ciclo evolutivo: uno che affina le strategie, l'altro che migliora persino le istruzioni date all'IA stessa. I risultati mostrano che il sistema supera le strategie progettate manualmente.