Modelli Linguistici di Grandi Dimensioni come Agenti Strategici in un Gioco di Rischio a Tempo

Un recente studio su arXiv (2605.22238) indaga le prestazioni dei modelli linguistici di grandi dimensioni come agenti strategici in tempo reale in un contesto di Risk a tempo, multifase, con obiettivi di vittoria specifici e cicli iterativi di pianificazione-esecuzione. In un campionato di 32 partite con regole fisse, Gemini 3.1 Pro Preview ha trionfato in 20 incontri contro i concorrenti GPT-5.1, Claude Opus 4-7 e Kimi K2.6, con una distribuzione dei vincitori significativamente diversa da un'ipotesi nulla di pari forza (p ≈ 1.5 × 10⁻⁵). Quando l'esecuzione è stata standardizzata utilizzando un'impalcatura Gemini Flash più economica, una competizione aggregata di 32 pianificatori ha mostrato prestazioni quasi equivalenti (p ≈ 0.821), suggerendo che la variabilità iniziale tra i fornitori derivava dal comportamento complessivo del sistema piuttosto che dalla sola pianificazione. Questa ricerca evidenzia lacune critiche nel gioco di rischio a tempo e sottolinea la necessità di una scomposizione ibrida per valutare l'efficacia dei LLM in ambienti dinamici.