MSD / Ricerca / EDIZIONE RICERCA

Effettuare un tentativo successivo in base alle descrizioni degli errori

La riflessione esamina gli agenti che utilizzano il feedback in forma linguistica per esperimenti successivi. Il feedback cambia il contesto lavorativo.

Jetzt eintauchen ↓RECHERCHESTAND 12.11.2026 · FAKTEN + EINORDNUNG + SZENARIEN
RESEARCH NOTE / 2023Ricerca

KI & Agenten

Ricerca esterna · Classificazione MSD
Keine Behauptung eines eigenen Versuchs.

01 / EINORDNUNG

Cosa significa questa scoperta.

Grenzen des Nachweises

L'autocritica plausibile non è una prova indipendente di qualità; un feedback errato può stabilizzare gli errori.

La nostra derivazione per un'operazione pilota

Nel caso dei cicli di apprendimento, mantenere un test esterno e compiti di confronto invariati.

Questa derivazione è una raccomandazione editoriale di MSD. Non si tratta di un ulteriore risultato dello studio citato.

Fonte e versione

Shinn et al. · Reflexion · Publikations-/Bezugsjahr 2023. Recherchiert am 12.11.2026.

Leggi la fonte primaria ↗

Ricerca esterna, non una referenza di un cliente MSD. Pubblicheremo i nostri esperimenti solo con configurazione, data, misurazioni e tentativi falliti documentati.

02 / LINK

Pensa al futuro. Continua a controllare.

IA e agenti / Risultato contrario / 2025

Quando l’IA allunga il lavoro: il risultato contrario di METR ↗

In un esperimento randomizzato con 16 sviluppatori esperti e 246 attività, strumenti IA di inizio 2025 hanno allungato il tempo di esecuzione del 19 %. I partecipanti ne stimavano l’utilità in modo molto più favorevole.

METR · Esperimento randomizzato
KI & Agenten / Methodik / 2026

Neue Werkzeuge, neue Auswahlverzerrung ↗

METR descrive un esperimento di follow-up nel febbraio 2026. Le prove di un lavoro più veloce sono difficili da interpretare a causa della selezione dei partecipanti e dei compiti, nonché dei problemi con la misurazione del tempo.

METR · Methodenupdate 24.02.2026
KI & Agenten / Grundlage / 2017

Attenzione: la lingua può essere elaborata in parallelo ↗

Il documento Transformer presenta un'architettura basata sull'attenzione per l'elaborazione delle sequenze. È un elemento metodologico del linguaggio successivo e dei modelli multimodali.

Vaswani et al. · Attention Is All You Need