Nuovi agenti AI passano dal ragionamento latente al testo, riducendo i costi nei test

Un nuovo tipo di agente AI

Un nuovo articolo sostiene che gli agenti AI costruiti su modelli linguistici di grandi dimensioni non debbano scegliere tra ragionare nella forma interna del modello e agire tramite testo: possono fare entrambe le cose ¹.

Gli agenti AI moderni ragiono e interagiscono attraverso il testo in ogni passaggio ¹. Questo rende leggibile ciò che fanno, ma costa tempo e token. Il ragionamento latente, dove un modello lavora nelle sue rappresentazioni interne invece che in parole, è un mezzo più efficiente, ma da solo non ha un modo integrato per usare strumenti come i motori di ricerca, ed è più difficile capire cosa sta pensando il modello .

Jiaru Zou e sette coautori hanno cercato di combinare i due approcci. Il loro sistema, chiamato nell'articolo Hybrid Reasoning Agents o HybridAgent, passa tra ragionamento latente e interazione basata su testo all'interno di un unico processo di generazione ¹.

Come funziona il passaggio

Il componente chiave è HybridLink, un modulo leggero che gestisce le transizioni tra modalità testuale e latente ¹. L'agente mantiene anche una working memory continua che, secondo l'articolo, preserva l'intero contesto ibrido senza perdite attraverso diversi turni .

Gli autori spiegano che questa architettura permette all'agente di utilizzare strumenti mentre rende direttamente ispezionabili i suoi pensieri latenti ¹. Il ragionamento interno è quindi concepito come un modo più rapido di pensare, non come qualcosa di nascosto.

Metodi di addestramento

I ricercatori hanno sviluppato due fasi post-addestramento. La prima, HybridSFT, è un fine-tuning supervisionato che insegna al modello di base a coordinarsi con HybridLink, così che la generazione ibrida con strumenti rimanga stabile ¹. La seconda, HybridRL, usa l'apprendimento per rinforzo per insegnare al modello quando pensare nello spazio latente e quando agire tramite testo .

Risultati

L'articolo riporta test su tre dimensioni del modello in 11 benchmark che coprono matematica, scienze, medicina, ricerca e ragionamento agentic ¹.

Rispetto agli agenti LLM all'avanguardia e ai framework agentic basati su metodi testuali o latenti, HybridAgent ha migliorato le prestazioni del 10,4%, secondo l'articolo ¹. Ha inoltre utilizzato dal 35,5% al 54,7% in meno di token, eseguito l'inferenza da 1,8 a 2,6 volte più velocemente e costato da 2,7 a 3,7 volte meno . Si tratta dei risultati degli autori, pubblicati su arXiv il 13 ottobre 2026 . Il codice e i dati sono pubblicati su GitHub .

Se i risultati reggeranno, suggeriranno che gli agenti possono combinare un efficiente ragionamento interno con il testo necessario per agire nel mondo, invece di dover scegliere uno dei due approcci.

Correzioni e aggiornamenti

• Corretto il 20 ottobre 2026. Una versione precedente affermava che il documento menzionasse "web search" e "agentic planning tasks"; la fonte indica "search" e "agentic reasoning".
• Corretto il 20 ottobre 2026. Quella prima correzione aveva anche rimosso l'affermazione che il codice e i dati si trovano su GitHub. Era errato: l'abstract del lavoro riporta l'indirizzo GitHub, e l'affermazione è tornata con il link. La notizia descriveva anche il primo autore come ricercatore presso la Stanford University, cosa che la pagina del lavoro non afferma, e presentava il ragionamento interno dell'agente come privato, mentre gli autori dicono che è progettato per essere ispezionabile direttamente. Entrambi gli errori sono stati corretti, ed è stato rimosso un elenco di fatti chiave che appariva due volte.
• Corretto il 20 ottobre 2026. Il titolo diceva che gli agenti pensano in codice nascosto. Il loro ragionamento interno (latente) non è codice, e gli autori dicono che è progettato per essere ispezionabile, così il titolo ora dice cosa descrive il lavoro.

I fatti principali

• HybridAgent alterna ragionamento latente e interazione basata su testo in un unico processo di generazione
• Un componente leggero, HybridLink, gestisce il passaggio tra le due modalità
• L'addestramento utilizza HybridSFT (fine-tuning supervisionato) e poi HybridRL (apprendimento per rinforzo)
• Attraverso 11 benchmark gli autori riportano un guadagno prestazionale del 10,4%, dal 35,5% al 54,7% in meno di token e un costo inferiore di 2,7-3,7 volte
• Il lavoro, firmato da Jiaru Zou e sette coautori, è stato pubblicato su arXiv il 13 ottobre 2026, con codice e dati su GitHub

Fonti

1. Hybrid Reasoning Agents

Guarda

▶ Watch on YouTube