Nuovi agenti IA passano dal ragionamento latente al testo, riducendo i costi nei test
I ricercatori riportano che permettere agli agenti IA di passare dal ragionamento latente interno al testo può ridurre i costi di oltre la metà e accelerare il lavoro.
Un nuovo tipo di agente IA
Un nuovo articolo sostiene che gli agenti IA 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 IA 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
- Corrected on 20 October 2026. An earlier version said the paper mentioned 'web search' and 'agentic planning tasks'; the source says the benchmarks covered 'search' and 'agentic reasoning'.
- Corrected on 20 October 2026. That first correction also removed the statement that the code and data are on GitHub. It was wrong to: the paper's abstract gives the GitHub address, and the statement is back with the link. The story also described the lead author as a researcher at Stanford University, which the paper's page does not say, and presented the agent's internal reasoning as private, while the authors say it is designed to be directly inspectable. Both have been corrected, and a list of key facts that appeared twice has been removed.
- Corrected on 20 October 2026. The headline said the agents think in hidden code. Their internal (latent) reasoning is not code, and the authors say it is designed to be inspectable, so the headline now says what the paper describes.
I fatti principali
- HybridAgent switches between latent reasoning and text-based interaction in a single generation process
- A lightweight component, HybridLink, handles the switches between the two modes
- Training uses HybridSFT (supervised fine-tuning) and then HybridRL (reinforcement learning)
- Across 11 benchmarks the authors report a 10.4% performance gain, 35.5-54.7% fewer tokens and 2.7-3.7x lower cost
- The paper, by Jiaru Zou and seven co-authors, was posted on arXiv on 13 October 2026, with code and data on GitHub