AI FRONTIER
Signals worth understanding before they become obvious.
Mage-VL-Cowork: una ricetta di addestramento completa per apprendere l'uso ibrido del computer da harness evoluti
Il paper presenta Mage-VL-Cowork, un agente ibrido di uso del computer da 4B addestrato da un checkpoint generale allineato multimodalmente tramite un curriculum progressivo a cinque stadi end-to-end che copre midtraining, SFT e RL. Mage-CUA-Forge sintetizza 293.806 attività desktop e web su 6.915 skill con flussi di g...
- Mage-VL-Cowork è un CUA ibrido da 4B addestrato da un checkpoint generale allineato multimodalmente.
- L'addestramento usa un curriculum progressivo a cinque stadi end-to-end che copre midtraining, SFT e RL.
- Mage-CUA-Forge sintetizza 293.806 attività desktop e web su 6.915 skill.
- Il paper riporta che Mage-VL-Cowork-4B raggiunge il 66,0% su OSWorld-Verified e afferma di ottenere prestazioni all'avanguardia alla sua dimensione di parametri.
Per i team che costruiscono agenti on-device, la ricetta mostra che una sintesi di attività riutilizzabile condizionata dalle skill, insieme a un harness insegnante evoluto, può unificare l'interazione GUI con l'esecuzione di codice e termi...
mistralai/Mistral-Large-4-1T-A52B: MoE multimodale nativo da 1 trilione di parametri
Mistral ha pubblicato Mistral Large 4, un modello Mixture-of-Experts multimodale nativo da 1 trilione di parametri con 52 miliardi di parametri attivi per token, una lunghezza di contesto di 1M e supporto per oltre 160 lingue sotto la Mistral Ecosystem Open-Weight License.
- ~1T parametri totali / ~52B attivi, con 128 esperti instradati (4 attivi per token) e 1 esperto condiviso
- Supporta una lunghezza di contesto di 1M e input multimodale nativo testo e immagine con un encoder visivo in stile Pixtral
- Addestrato da zero su 3.800 GPU NVIDIA Grace Blackwell nei data center di proprietà di Mistral in Europa
- Riporta 48% sull'Artificial Analysis Coding Agent Index, praticamente alla pari con il principale modello a pesi aperti GLM-5.3, usando in media il 47% in meno di token per attività
Per chi costruisce flussi di lavoro multimodali e agentici, questo modello offre contesto da 1M e chiamata di funzioni nativa in pesi aperti, ma la scala di 1T parametri richiede un deployment tensor-parallel multi-GPU e l'uso commerciale i...
AutoHebb: reti neurali automodificanti che inferiscono in zero-shot e apprendono in modo continuo
Il paper introduce le reti hebbiane autonome (AutoHebb), una classe di reti neurali feedforward con apprendimento online che combinano feedback esterno e attività generata internamente per produrre un segnale di apprendimento globale (neuromodulatore), che controlla una regola di apprendimento locale hebbiana a tre fat...
- Il paper riporta che le reti AutoHebb riescono in compiti di inferenza zero-shot (ZI).
- Il paper riporta capacità emergenti (non addestrate) di ZI e apprendimento continuo (CL).
- Il paper riporta che AutoHebb si presta a reverse-engineering in algoritmi espliciti.
Per chi costruisce sistemi di IA, cercare pesi fissi tramite meta-apprendimento aggiornando i pesi plastici con una regola hebbiana a tre fattori offre un percorso alternativo analizzabile verso l'apprendimento continuo online e l'inferenza...
DyCraft: un sistema agentico per la generazione di scene 4D a lungo orizzonte
DyCraft scompone la generazione di animazioni in passaggi: prima espande il prompt dell'utente in un piano dettagliato e costruisce una scena statica, poi crea uno storyboard 3D delle pose chiave dell'animazione, così che un agente di coding possa scrivere il movimento locale tra stati iniziale e finale verificati.
- L'articolo valuta DyCraft su 24 attività di animazione a lungo orizzonte e multi-inquadratura, che coprono robot umanoidi, personaggi umani e animali e meccanismi fisici.
- L'articolo riporta che gli agenti di coding di frontiera dotati di harness generici producono frequentemente oggetti che si compenetrano, privi di supporto fisico o che si muovono in modo innaturale.
- DyCraft usa lo storyboard 3D per scomporre il problema in coppie di stati iniziale e finale verificati, insieme a una raccolta di strumenti di authoring del movimento.
- L'articolo è stato inviato ad arXiv il 29 ottobre 2026 (arXiv:2610.40754, cs.CV).
Per chi costruisce pipeline 3D e di animazione, DyCraft indica che suddividere la generazione a lungo orizzonte in stati iniziale e finale verificabili in modo indipendente contiene meglio le violazioni fisiche rispetto a far scrivere a un ...
OpenAI presenta LifeVal, un benchmark per l'IA nei compiti quotidiani
OpenAI presenta LifeVal, un benchmark che misura quanto bene l'IA aiuta le persone a completare compiti quotidiani, dalla ricerca di assistenza all'infanzia alla gestione delle finanze e alle pratiche burocratiche.
- LifeVal è un benchmark presentato da OpenAI.
- Misura quanto bene l'IA aiuta le persone a completare compiti quotidiani.
- Esempi di compiti includono la ricerca di assistenza all'infanzia, la gestione delle finanze e le pratiche burocratiche.
Per gli sviluppatori di IA, LifeVal sposta la valutazione verso compiti reali come assistenza all'infanzia, finanze e pratiche burocratiche, indicando dove servono miglioramenti mirati dei modelli.
Qodo integra il contesto nella revisione del codice IA con Codex
Qodo porta la conoscenza aziendale e gli standard di codifica in Codex, aiutando gli sviluppatori a individuare i problemi P0 su tutti i repository prima di aprire una pull request.
- Qodo porta la conoscenza aziendale e gli standard di codifica in Codex.
- L'integrazione aiuta gli sviluppatori a individuare i problemi P0 su tutti i repository prima di aprire una pull request.
Per i costruttori di IA, iniettare contesto specifico dell'organizzazione negli agenti di revisione del codice sposta la revisione da controlli generici all'individuazione di problemi gravi prima della PR.
Un nuovo paper di Yann LeCun, 66 anni, sfida la Scaling Law: 109 milioni di parametri battono 72 miliardi
Yann LeCun ha pubblicato un nuovo paper che riporta come un modello da 109 milioni di parametri abbia superato un modello da 72 miliardi di parametri, sfidando l'assunzione della Scaling Law secondo cui modelli più grandi comprendono necessariamente meglio il mondo.
- Il paper riporta che un modello da 109 milioni di parametri ha superato un modello da 72 miliardi di parametri.
- Il paper è stato pubblicato da Yann LeCun, 66 anni.
- Il paper sfida la Scaling Law, sostenendo che modelli più grandi non comprendono necessariamente meglio il mondo.
Per i costruttori di IA, questo paper suggerisce che la scala dei parametri non è l'unico fattore determinante della comprensione del mondo, e che architettura e obiettivi di addestramento possono contare di più.