Un nuovo metodo chiamato 'interventional grounding audits' permette di verificare se i modelli di linguaggio come GPT-4o ragionano davvero in base alle premesse fornite o producono risposte corrette per le ragioni sbagliate. La tecnica, testata su GPT-4o, ha raggiunto un F1 di 0.806 nel rilevare dipendenze logiche reali. Il 66% dei problemi risolti correttamente nascondeva almeno un passaggio di ragionamento non genuinamente ancorato alle premesse.

Un team di ricerca ha sviluppato SPINE, un framework basato su agenti AI capace di configurare e mettere in funzione robot bimanuali senza richiedere competenze specialistiche in robotica. Il sistema supera in efficacia persino operatori esperti, portando il tasso di successo al 100%. È un passo concreto verso la democratizzazione dell'Embodied AI.

Un nuovo studio sistematizza il campo dell'in-context reinforcement learning in ambienti non stazionari, dove le regole del gioco cambiano durante il deployment. La sfida è costruire agenti capaci di adattarsi usando solo ciò che vedono nel contesto, senza modificare i propri parametri. Un problema cruciale per chi vuole portare l'IA in produzione.

Un team di ricercatori ha sviluppato un framework teorico rigoroso per ottimizzare le strategie di market making sui mercati di futures perpetui decentralizzati. Il modello affronta la complessità di gestire spread, inventario e hedging simultaneamente, introducendo una formula universale per stimare l'APY raggiungibile. Il lavoro unifica e aggiorna i principali paradigmi classici della microstruttura dei mercati finanziari.

Un nuovo studio combina due tecniche per portare modelli linguistici avanzati dentro il perimetro delle istituzioni finanziarie regolamentate. I risultati sono promettenti ma onesti: nessuna superiorità dimostrata, ma un percorso metodologico concreto. Il valore sta nel framework, non nelle performance.

Un nuovo framework propone un metodo riproducibile per analizzare e confrontare le singole componenti della funzione di reward nei sistemi di controllo climatico basati su reinforcement learning. L'approccio è pensato per serre intelligenti e si integra con simulatori e dati reali. L'obiettivo è rendere le decisioni automatizzate più trasparenti e verificabili.