La disponibilità di competenze migliora le prestazioni degli agenti LLM in uno studio controllato

Un nuovo studio su arXiv (2605.31408) esamina come la granularità della presentazione dei documenti di competenze influenzi il successo dei compiti degli agenti basati su modelli linguistici di grandi dimensioni. Utilizzando una versione fissata di SkillsBench con 30 compiti, due modelli con capacità di ragionamento (GPT-5.5 e DeepSeek V4-Flash), sei condizioni di competenze e cinque prove per cella, l'esperimento ha generato 1.800 righe di dati (900 per modello). La disponibilità di competenze si è rivelata il segnale più forte: rispetto all'assenza di competenze, le condizioni con competenze hanno aumentato il tasso medio di superamento dei compiti di 26,7–36,0 punti percentuali per GPT-5.5 e di 18,0–26,0 per DeepSeek V4-Flash. I contrasti primari di presentazione hanno mostrato effetti più piccoli e incerti. Lo studio aggrega cinque prove per cella compito-condizione-modello prima di confronti appaiati su 30 compiti.