Gli Agenti LLM Hanno Difficoltà nei Giochi Sequenziali; Proposto un Framework con Memoria

Un recente articolo su arXiv (2608.03420) esamina come i modelli linguistici di grandi dimensioni (LLM) si comportano in scenari di decisione sequenziale, concentrandosi su giochi a somma zero per due giocatori completamente osservabili. I risultati rivelano che gli LLM tendono a sottoperformare in giochi semplici come tris e Forza 4, perdendo spesso contro avversari che utilizzano la ricerca ad albero Monte Carlo (MCTS). In particolare, modifiche che cambiano l'aspetto superficiale del gioco senza alterare l'albero di gioco non influenzano significativamente le prestazioni, indicando che il divario di prestazioni non è semplicemente il risultato del richiamo di strategie memorizzate. Per affrontare questo problema, gli autori propongono un framework agente potenziato con una memoria esperienziale adattata a contesti sequenziali, affrontando sfide tipiche come l'assegnazione del credito. L'abstract evidenzia il potenziale del framework di migliorare le prestazioni degli LLM in questi compiti, contribuendo a una comprensione più profonda dei limiti degli LLM in ambienti dinamici.