Assistenti, agenti, strumenti di programmazione e automazione spiegati nel loro contesto.
74 articoli
Trust Layer affianca al punteggio di un benchmark quattro verifiche: esamina il valutatore, la tracciabilità della risposta, la veridicità della dichiarazione di successo e la stabilità tra diverse esecuzioni. Il framework è stato provato su cinque configurazioni di agenti e 108 task, ma i risultati non dimostrano ancora che funzioni anche con altri benchmark.
La scheda propone di verificare se ogni ricordo recuperato sia appropriato per una richiesta, ma il materiale verificato non consente di confermare l’esistenza del preprint, il suo metodo o i suoi risultati. La distinzione tra una risposta corretta e un accesso autorizzato resta una questione rilevante, non una conclusione attribuibile a quel lavoro.
Cohere presenta North 2 come una piattaforma per agenti aziendali con controlli su costi, sicurezza e flussi di lavoro. Le informazioni disponibili non dimostrano ancora come questi controlli funzionino in produzione né quali modelli esterni siano supportati.
La proposta promette di valutare il processo di ricerca degli agenti, non soltanto le loro risposte finali. Ma la documentazione disponibile non consente di confermare il preprint, gli esperimenti o i risultati.
Un preprint descrive azioni che violano vincoli di sicurezza comunicati molto prima. Il riassunto riferisce un tasso dell’11,5% in una configurazione con GPT-5.5 e nessun evento osservato durante i test di STAR-Guard; mancano dettagli per valutarne la solidità e la portata.
Apple documenta controlli per l’accesso delle app ai file e ai dati del Mac. Le informazioni disponibili qui non confermano nuovi permessi legati agli agenti IA e non consentono di verificare il caso di Muse.
Una fonte giornalistica riferisce di una citazione legata a incidenti di cybersicurezza che coinvolgono agenti di IA. Le informazioni disponibili non consentono di confermare l’episodio di Hugging Face, la portata dell’accesso né eventuali estrazioni di dati o danni.
Un’analisi di 22 benchmark distingue l’affidabilità del confronto tra sistemi distribuiti da quella dell’attribuzione delle differenze ai modelli. I risultati indicano che più attività non eliminano ogni incertezza.
L’azienda ha aperto negli Stati Uniti liste d’attesa per un agente integrato in Apple Messages e per un’API dedicata agli ordini all’ingrosso. Restano da chiarire aspetti fondamentali, come la conferma del pagamento, i ristoranti disponibili e il trattamento delle conversazioni.
CheatBench viene presentato da notizie secondarie come un benchmark per studiare comportamenti di reward hacking. Le informazioni disponibili consentono di spiegare la domanda a cui intende rispondere, ma non di confermare i dettagli sperimentali né di estenderne i risultati ai sistemi in produzione.
OpenAI presenta Dots come assistenti proattivi per progetti e attività. Le informazioni disponibili non permettono però di confermare con precisione permessi, integrazioni, disponibilità e grado di autonomia descritto da alcune testate.
Le fonti disponibili descrivono le capacità generali di Manus e uno strumento per generare video a partire da testo, ma non verificano un annuncio di Manus 2.0 o Cue né chiariscono autorizzazioni, disponibilità generale o autonomia dall’inizio alla fine.