Lo studio rivela che il ragionamento LLM fallisce nei compiti soggettivi

Uno studio recente pubblicato su arXiv (2608.08889) indica che i modelli linguistici di grandi dimensioni (LLM) affrontano sfide con compiti di verifica soggettivi incentrati sulle prospettive umane, anche se ottengono buoni risultati su problemi matematici oggettivi. L'indagine, che ha esaminato quattro scenari di verifica reali da una piattaforma di raccomandazione in produzione, ha valutato sia modelli proprietari che open-source. Ha rivelato che un'attenzione rigida al ragionamento matematico influisce negativamente sui risultati di verifica. Inoltre, l'uso dell'apprendimento per rinforzo standard con ricompense verificabili (RLVR) porta a un 'collasso del ragionamento', in cui la politica opta per euristiche rapide piuttosto che per una considerazione attenta. La ricerca sottolinea una debolezza critica nei metodi LLM attuali per l'allineamento delle preferenze sensibili al contesto, essenziale per raccomandazioni personalizzate. L'articolo, datato agosto 2026, è accessibile su arXiv.