Istruzioni Metaforiche Orientano gli LLM Verso Algoritmi Meno Efficienti

Un nuovo articolo su arXiv (2607.28683) rivela che il linguaggio metaforico nei prompt può indurre i grandi modelli linguistici (LLM) a generare codice meno efficiente. I ricercatori dimostrano che metafore e analogie, che tipicamente favoriscono la generalizzabilità, possono trasferire involontariamente pattern procedurali da un dominio sorgente a un compito di programmazione, portando i modelli a preferire ricerche esaustive, scansioni complete o ricostruzioni ripetute. Questo effetto, chiamato 'steering algoritmico metaforico', si verifica senza menzione esplicita dell'algoritmo target. I risultati suggeriscono che i modelli di generazione di codice possano portare bias impliciti dai dati di addestramento, influenzando l'efficienza algoritmica. Lo studio evidenzia un rischio precedentemente non riconosciuto nell'ingegneria dei prompt e nel comportamento dei modelli, con implicazioni per la sicurezza dell'IA e l'ottimizzazione delle prestazioni.