🤖 AI

Argus: A General-Purpose Agentic Runtime for Long-Horizon Reasoning

Argus è un runtime agentico a peso fisso e scopo generale che ottiene prestazioni di ragionamento a lungo termine superiori attraverso diversi benchmark, utilizzando uno stato persistente e auto-evolutivo gestito da ruoli specializzati per verificare, recuperare e perfezionare autonomamente le traiettorie delle missioni.

Autori originali: Boxiu Li, Zimo Wen, Yijia Fan, Junxiang Lei, Sufeng Guo, Jiaao Wu, Ruize Tang, Mukai Li, Yifei Shen, Xiaoyu Chen, Wanbo Zhang, Runjing Gu, Yifei Gao, Yuheng Wu, Xuyao Huang, Zelong Zhao, Jiachen Zhang

Pubblicato 2026-08-06

📖 8 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Boxiu Li, Zimo Wen, Yijia Fan, Junxiang Lei, Sufeng Guo, Jiaao Wu, Ruize Tang, Mukai Li, Yifei Shen, Xiaoyu Chen, Wanbo Zhang, Runjing Gu, Yifei Gao, Yuheng Wu, Xuyao Huang, Zelong Zhao, Jiachen Zhang, Shibo Hu, Hangxi Guo, Yilin Chen, Yuzhe Zhang, Fan Yang, Chuan Wen, Xian Zhang, Xuanhe Zhou, Zhijie Deng

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il Detective di Lungo Corso: Perché l'IA ha bisogno di una Memoria e di un Coach

Immaginate di cercare di risolvere un mistero enorme e multi-giornaliero, come capire come costruire un robot funzionante da zero o scrivere un romanzo che abbia effettivamente senso. Se foste un programma per computer di qualche anno fa, potreste cercare di risolverlo leggendo le istruzioni, facendo un tentativo e poi dimenticando immediatamente tutto ciò che avete appena fatto prima di riprovare. È così che funzionavano molti dei primi "agenti" IA: erano come un detective che risolve un indizio, poi soffre di amnesia totale e deve ricominciare l'intera investigazione da capo ogni singola volta che incontra un vicolo cieco. Erano veloci nella lettura, ma terribili nell'imparare dai propri errori su un lungo periodo.

Il campo del "ragionamento a lungo orizzonte" (long-horizon reasoning) riguarda proprio la risoluzione di questo problema. Si chiede: Come può un'IA mantenere un piano in corso per giorni o settimane, ricordare cosa ha provato ieri e cambiare strategia quando si rende conto di andare nella direzione sbagliata? L'idea chiave qui è che essere intelligenti non significa solo avere un cervello grande (un modello potente); si tratta di avere un buon taccuino (memoria persistente) e un coach severo (verifica) che ti impedisca di mentire a te stesso quando rimani bloccato. Questo articolo affronta il problema di come costruire un sistema di IA che non si limiti a girare in tondo, ma che evolva effettivamente i propri metodi nel tempo, diventando più bravo a risolvere problemi difficili senza dover essere riaddestrato da zero.

Incontra Argus: L'IA che impara a cambiare rotta

Incontrate Argus, un nuovo tipo di "runtime" di IA (pensatelo come il sistema operativo o il motore che fa girare il cervello dell'IA). I ricercatori dietro Argus, un team composto da Microsoft e diverse università d'élite, hanno capito che affinché un'IA possa affrontare progetti davvero difficili e a lungo termine, non può limitarsi a procedere ciecamente. Se l'IA sta cercando di correggere un bug in un enorme codice software o di dimostrare un complesso teorema matematico, potrebbe passare ore lungo un percorso che si rivelerà un vicolo cieco. Un'IA normale potrebbe continuare a spingere, sprecando tempo ed energia. Argus è diversa: è progettata per cambiare rotta (pivot).

Pensate ad Argus come a un team di ricerca altamente organizzato che lavora in un ufficio condiviso, piuttosto che a una singola persona che lavora da sola. Questo team ha quattro ruoli distinti, e non confondono mai i propri compiti:

Il Manager: Il capo che ha la visione d'insieme. Si assicura che il team rimanga concentrato sull'obiettivo originale (come "costruire un robot") anche se il piano quotidiano cambia.
Il Planner: Lo stratega che suddivide il grande obiettivo in piccoli compiti eseguibili per la giornata.
L'Ingegnere: Il costruttore che effettivamente scrive il codice, esegue gli esperimenti o fa i calcoli.
Il Revisore: L'ispettore del controllo qualità rigoroso. Il suo compito è guardare ciò che l'Ingegnere ha costruito e dire: "Questo è buono", "Questo va sistemato" o "Fermati, questo percorso è un vicolo cieco".

La magia di Argus è che tratta il fallimento come dato. Quando l'Ingegnere prova un metodo e fallisce, il Revisore non dice solo "ops". Registra esattamente perché è fallito. Questo record viene salvato in uno "stato del progetto" permanente (il taccuino condiviso del team). Più tardi, se il team prova a percorrere di nuovo quella stessa strada senza uscita, il sistema ricorda: "Ehi, abbiamo provato questo ieri e non ha funzionato", e cambia rotta verso una nuova idea. Questo è chiamato persistenza guidata dalla verifica. Il sistema "impara" (aggiorna la sua memoria) solo se il Revisore verifica che la nuova informazione sia effettivamente vera e utile.

Cosa hanno scoperto: Migliore nel correggere codice e scrivere articoli

Il team ha testato Argus su alcune sfide incredibilmente difficili per vedere se questo approccio "team con memoria" funzioni davvero.

1. Il Test di Correzione del Codice (SWE-Bench Pro)
Hanno dato ad Argus 731 bug reali di software da correggere. È come dare a un programmatore un codice disordinato e rotto e chiedergli di ripararlo senza l'aiuto umano.

Il Risultato: Argus ha corretto con successo circa il 78% dei bug.
Il Confronto: Uno strumento IA standard (Direct Copilot) è riuscito a correggerne solo il 59%.
Il Costo: Argus ha utilizzato circa 1,41 volte più "token" informatici (le unità base di pensiero) rispetto allo strumento standard.
La Conclusione: Argus era significativamente più accurata, anche se ha "pensato" un po' di più. Ha dimostrato che prendersi il tempo per controllare il lavoro e ricordare gli errori passati ripaga.

2. Il Test del "Diventare Più Intelligenti" (Auto-evoluzione)
Questa è la parte più interessante. I ricercatori hanno osservato Argus nel tempo. Non hanno cambiato il cervello dell'IA (i pesi del modello sono rimasti esattamente gli stessi). Inveve, hanno semplicemente lasciato che il sistema costruisse il suo "taccuino" di abilità e memorie.

Il Risultato: Man mano che il sistema eseguiva più compiti e riempiva il suo taccuino con abilità verificate, diventava più veloce ed economico. Nelle fasi finali del test, Argus utilizzava il 21% in meno di token e il 15% in meno di tempo per compito rispetto all'inizio.
Il Significato: L'IA non aveva bisogno di essere riaddestrata per migliorare; doveva solo ricordare ciò che aveva imparato. Ha evoluto il proprio "stato di runtime", diventando un lavoratore più efficiente senza cambiare il suo cervello fondamentale.

3. Il Test del "Non Mentire a Te Stesso" (Intervento del Revisore)
Il team ha monitorato quanto spesso il Revisore interveniva. Su 731 compiti, il Revisore è stato chiamato in causa per 466 di essi.

Il Salvataggio: In 43 casi, il Revisore ha detto: "Questo non è ancora finito, riprova". Dopo che l'Ingegnere ha riprovato, 34 di quei compiti sono stati corretti con successo, e 22 sono stati corretti così bene da superare una seconda revisione più severa.
Il Blocco: Il Revisore ha anche impedito al sistema di dichiarare vittoria in 35 compiti che erano in realtà impossibili o guasti. Questo è enorme: significa che il sistema ha imparato a dire "Non posso farlo" invece di allucinare una soluzione falsa.

Oltre il Codice: Matematica, Chip e Articoli Scientifici

Argus non si è fermata alla correzione del codice. Il team ha dimostrato che può gestire altri compiti a "lungo orizzonte":

Ricerca Matematica: In una campagna per dimostrare un complesso teorema matematico, Argus ha tenuto traccia di un percorso che è stato dimostrato falso (un "percorso falsificato"). Invece di cancellarlo, lo ha conservato come un segnale di "non entrare". Questo ha aiutato il sistema ad evitare quel vicolo cieco in seguito e a rafforzare con successo i confini del teorema.
Scrittura di Articoli: Hanno avviato sei diversi progetti di ricerca per scrivere articoli scientifici. Il sistema ha gestito 254 missioni, ha sopravvissuto a 16 grandi rollback (dove ha dovuto tornare indietro e cambiare l'intero piano) e ha comunque completato tutti e sei gli articoli. Un progetto ha persino trasformato un'idea fallita in uno studio di successo sui "risultati negativi", dimostrando che a volte scoprire cosa non funziona è una valida scoperta scientifica.
Progettazione di Chip: In un test impegnativo, Argus ha progettato un chip per computer (ACE-2). Il sistema ha scritto il codice, controllato i tempi e il design finale ha superato tutti i rigorosi controlli hardware. Il sistema sapeva esattamente cosa non aveva controllato (come se il chip avrebbe funzionato nella realtà) e ha elencato chiaramente tali limiti.

Il Punto Fondamentale

Argus dimostra che, affinché l'IA possa svolgere un lavoro reale e a lungo termine, ha bisogno di più di un grande cervello. Ha bisogno di un sistema che separi il "capo" dal "lavoratore", che mantenga un registro permanente di ciò che ha funzionato e di ciò che non ha funzionato, e che abbia un "revisore" severo per impedirgli di inventare risposte.

L'articolo suggerisce che, utilizzando questo approccio "a soglia di verifica", l'IA può risolvere problemi più difficili, diventare più efficiente nel tempo senza necessità di riaddestramento e persino ammettere quando è bloccata. Non è una bacchetta magica che risolve tutto istantaneamente, ma è un passo enorme verso un'IA che possa effettivamente lavorare con noi su progetti complessi e duraturi senza perdersi o mentire sui propri progressi. Come sottolineano gli autori, non si tratta solo di ottenere un punteggio più alto in un test; si tratta di costruire un sistema che possa persistere, cambiare rotta ed evolvere i propri metodi per affrontare le sfide disordinate e a lungo termine del mondo reale.

Riassunto Tecnico: Argus – Un Runtime Agente di Scopo Generale per il Ragionamento a Lungo Orizzonte

1. Definizione del Problema

I compiti di ragionamento a lungo orizzonte (ad es., riparazione di software, dimostrazioni matematiche, scoperta scientifica) non sono semplicemente una corsa all'esecuzione di un piano fisso per più step. In pratica, l'intento costante dell'utente rimane stabile, mentre l'obiettivo operativo, i vincoli e i criteri di verifica devono essere raffinati man mano che si accumulano prove. I sistemi di agenti attuali affrontano un'ambiguità critica: un sistema che abbandona il proprio obiettivo dichiarato potrebbe aver scoperto che l'obiettivo era mal specificato, oppure potrebbe aver fallito e aver razionalizzato il fallimento. Senza un meccanismo per distinguere queste due possibilità, i sistemi soffrono di "deriva dell'obiettivo" (goal drift), dove gli obiettivi degradano verso ciò che l'esecutore può effettivamente completare.

Gli approcci esistenti tipicamente rimuovono questa scelta fissando l'obiettivo e ottimizzando l'esecuzione verso di esso, oppure si affidano a trascrizioni limitate alla sessione che perdono continuità quando i contesti vengono compattati. Ciò porta a tre fallimenti nei sistemi di agenti a lunga esecuzione:

Fallimento della Continuità: Le prove che motivano una revisione vanno perse quando le trascrizioni vengono scartate.
Fallimento dell'Accettazione: Il componente che svolge il lavoro dichiara anche esso il completamento, creando un conflitto di interessi.
Fallimento dell'Esperienza: Solo gli artefatti finali sopravvivono, impedendo alle rotte respinte di servire come prova per futuri pivot (cambi di direzione).

2. Metodologia: Il Runtime Argus

Argus è un runtime agente persistente e auto-evolutivo progettato per permettere e gestire in sicurezza il "pivot verificato". Separa i parametri fissi del modello da uno stato di runtime mutabile e duraturo.

2.1 Architettura Core

Il sistema opera su uno stato di progetto duraturo diviso in missioni delimitate. Impiega quattro ruoli guidati dal modello con autorità distinte:

Manager: Ancora l'intento costante dell'utente ( $\iota$ ), lo stato della campagna e le transizioni di fase. Ammette raffinamenti materiali al contratto operativo.
Planner: Decompone lo stato corrente in compiti delimitati e dipendenze.
Engineer: Implementa i compiti, invoca strumenti ed esegue esperimenti. Può eseguire auto-revisione su lavoro a basso rischio e delimitato.
Reviewer: Ispeziona indipendentamente gli artefatti e i record di esecuzione. Emette verdetti di completamento (fatto, continua, bloccato) quando richiesto dalla policy o su richiesta.

Questi ruoli operano su tre piani: Controllo (pianificazione), Esecuzione (lavoro) e Record (storia immutabile).

2.2 Persistenza Verificata a Gate e Auto-Evoluzione

Argus introduce un meccanismo di ammissione controllata dalla verifica (verification-gated admission). Lo stato del runtime ( $H_t$ ) include memoria, abilità, strumenti, verificatori e policy di routing.

Evoluzione del Modello Fisso: I pesi del modello sottostante ( $\theta$ ) rimangono fissi. L'evoluzione avviene solo nello stato persistente e nella policy di controllo.
Protocollo di Ammissione: Gli aggiornamenti candidati (memorie, abilità, rotte respinte) diventano riutilizzabili solo dopo:
1. Generazione da parte di un ruolo (es. Engineer).
2. Revisione rispetto alle prove e agli artefatti nativi del compito.
3. Impegno da parte di un proprietario autorizzato (es. Reviewer o Manager).
Raffinamento del Contratto: Il contratto operativo è modellato come $K_t = (\iota, o_t, c_t, v_t)$ , che rappresenta l'intento costante, l'obiettivo operativo, i vincoli e i criteri di verifica. I raffinamenti sono ammessi tramite un operatore ManagerAdmit che richiede prove ( $e_t$ ) e autorità ( $u_t$ ), garantendo che i pivot siano distinguibili dalla deriva.

2.3 Teoria Processo-Capacità

Il sistema tratta la traiettoria del processo come un sovrainsi dell'artefatto finale. Definisce la Densità di Intelligenza Densa ( $\rho_I$ ) come il tasso di ragionamento rilevante, azione efficace e verifica valida per unità di tempo. Postula che mantenere l'intero record del processo (incluse le ramificazioni fallite) fornisca un vantaggio decisionale (ordinamento dell'informazione di Blackwell) rispetto al solo artefatto finale, permettendo alle missioni future di evitare vicoli ciechi e sfruttare le esclusioni verificate.

3. Contributi Chiave

Il documento delinea sette contributi specifici:

Formalizzazione: Un modello di contratto ( $K_t$ ) e un operatore ManagerAdmit per il pivot verificato su lunghi orizzonti.
Design del Runtime: Un sistema in cui il raffinamento del contratto è di proprietà del ruolo e registrato, separando l'intento stabile dai cambiamenti operativi.
Metriche di Routing del Reviewer: Dati empirici che mostrano come i Reviewer indipendenti vengano invocati per il 63,7% dei compiti SWE-Bench Pro, con tassi specifici di recupero per le richieste di revisione.
Caso di Studio sulla Produzione di Paper: Una campagna di sei progetti che copre 640 ore e 254 missioni, dimostrando la gestione del ciclo di vita della ricerca end-to-end, inclusi rollback e pivot su risultati negativi.
Traccia Matematica: Una ricostruzione risolta per ruolo di una campagna matematica che conserva una rotta falsificata e sei aggiornamenti supportati da prove.
Performance del Benchmark: Una valutazione unificata attraverso sette arene, stabilendo un pavimento di capacità senza sacrificare le prestazioni del compito finale.
Adozione Upstream: Un kernel RWKV6 ottimizzato da Argus incorporato nel repository upstream di Flash Linear Attention.

4. Risultati

4.1 Performance dei Benchmark

Argus è stato valutato in sette arene eterogenee:

SWE-Bench Pro: Ha raggiunto una precisione di circa il 78% rispetto al 59% di Direct Copilot, utilizzando 1,41× i Token aggregati.
AARRI-Bench: Ha raggiunto il 76,8% nei compiti da tirocinante di ricerca (rispetto al riferimento del 68,3%).
Sintesi di Dati di Ragionamento Matematico: Ha raggiunto un gap di 28,0 (pass@4 - pass@1), superando i riferimenti (Arbor: 20,83, Claude: 8,33).
GPU & Training: Ha ottenuto risultati competitivi su training B200/H100 nanochat (0,9636 BPB rispetto al miglior umano 0,9646) e speedrun nanoGPT (79,77s rispetto all'umano 80,18s).
MLE-Bench Lite: Ha ottenuto 9 medaglie (3 Oro, 3 Argento, 3 Bronzo) in competizioni con verifica esterna.

4.2 Efficienza Longitudinale (Auto-Evoluzione)

Nella run di SWE-Bench Pro (731 compiti), il sistema ha dimostrato l'auto-evoluzione del runtime verificata a gate:

Mature vs. Startup: Le onde mature (W19–22) hanno utilizzato il 21% in meno di Token di input di risoluzione e il 15% in meno di tempo di workflow attivo per compito rispetto alle onde di startup (W1–6).
Recupero del Reviewer: Dei 43 compiti in cui il Reviewer ha richiesto una revisione, 34 (79,1%) hanno successivamente superato il verificatore ufficiale, e 22 (51,2%) hanno completato un salvataggio tramite loop di revisione rigoroso.
Non-Monotonicità: La traiettoria non è stata monotona; le onde di compiti difficili (W23–24) hanno mostrato rebound di risorse, e il sistema ha registrato 34 recuperi del verificatore e 22 salvataggi rigorosi, provando la capacità del sistema di recuperare da fallimenti iniziali.

4.3 Casi di Studio Verticali

Campagna Matematica: Ha mantenuto una rotta falsificata e sei aggiornamenti della frontiera dei teoremi. Il sistema è riuscito a passare da una riduzione fallita a un rafforzamento del limite supportato da prove.
Produzione di Paper: Sei progetti hanno raggiunto il completamento della sottomissione. Una campagna è passata da una rivendicazione di metodo positiva a uno studio diagnostico di risultati negativi di 4.500 righe dopo sette rollback di tipo "no-go".
Hardware (ACE-2): Il runtime ha progettato un acceleratore di inferenza (Qwen2.5-0,5B W4A8) certificato per uno scopo specifico (sintesi mappata, timing statico) con esclusioni esplicite (nessuna signoff di potenza, nessuna validazione del silicio).
Scienza dei Materiali: Il runtime ha semplificato un metodo di generazione di MOF pubblicato identificando e rimuovendo un confondimento nel confronto originale, risultando in un metodo più semplice ed efficace.

5. Significato e Rivendicazioni

Il documento afferma che Argus dimostra un harness generale e auto-evolutivo capace di rivedere, recuperare e accumulare approcci verificati senza forzare ogni traiettoria a lungo orizzonte in una rivendicazione di successo.

Distinzione dalla Deriva: Richiedendo l'ammissione basata su prove e controllata dal ruolo per i cambiamenti di stato, il sistema distingue il pivot razionale dalla razionalizzazione del fallimento.
Il Processo come Dato: Le traiettorie conservate formano dati strutturati per il futuro apprendimento supervisionato e per rinforzo, collegando gli output del modello a stati, strumenti e decisioni di revisione concreti.
Ambito Modesto: Gli autori dichiarano esplicitamente che la "auto-evoluzione" è a modello fisso (basata sullo stato, non sui pesi) e che i risultati sono osservazionali. Non rivendicano che il sistema abbia raggiunto l'intelligenza artificiale generale o che possa sostituire interamente i ricercatori umani. Il sistema è presentato come uno strumento che "si ferma" quando gli obiettivi sono sotto-specificati, portando alla luce i vincoli che l'utente potrebbe aver trascurato, piuttosto che ottimizzare ciecamente verso un obiettivo potenzialmente errato.

Il rapporto conclude che il runtime combina con successo un'ampia capacità di compito, l'accumulo verificato attraverso le missioni e la sostenuta consegna della ricerca, fornendo un nuovo paradigma per i sistemi agenti a lungo orizzonte dove persistenza e pivot sono gestiti attraverso la verifica piuttosto che attraverso una pianificazione fissa.