Scala Inversa: LLM più Capaci Producono Previsioni Peggiori sulla Crescita Superlineare

Un recente studio pubblicato su arXiv (2605.22672) indica che i modelli linguistici avanzati tendono a performare male nelle previsioni distribuzionali per scenari caratterizzati da crescita superlineare e potenziali cambi di regime, una situazione spesso osservata in finanza ed epidemiologia. Gli autori presentano ForecastBench-Sim (FBSim), un benchmark progettato per simulazioni prive di contaminazione, e illustrano questo fenomeno utilizzando modelli epidemici SIR sintetici insieme a un corrispondente controllo lineare. Le carenze si osservano principalmente nella coda superiore, che i modelli più sofisticati innalzano per accogliere proiezioni aggressive, mentre la coda inferiore rimane stabile. Questa tendenza è evidente anche in dataset reali riguardanti COVID-19, morbillo, mercato immobiliare e iperinflazione. Un'analisi di Llama-3.1 rivela che sia la dimensione del modello che i fattori post-addestramento contribuiscono a questa scala inversa, con l'esperienza di dominio che non riesce a migliorare in modo affidabile la calibrazione.