The Pulse

Shanghai AI Lab presenta Atria Dawn, un modello agentico da 744 miliardi di parametri

Atria Dawn Preview di Shanghai AI Lab, basato su GLM-5.2 da 744 miliardi di parametri, è un modello agentico a pesi aperti per la ricerca e l’ingegneria. Il paper riporta i punteggi più alti in cinque benchmark su 16 e analizza come persone

AI.info Team · Scritto con l’IA · verificato · 2026-09-14

Shanghai Artificial Intelligence Laboratory presenta Atria Dawn Preview come un modello per attività che richiedono più di un prompt e una risposta. Il modello agentico è basato su GLM-5.2 di Z.ai, un modello di base mixture-of-experts da 744 miliardi di parametri, ed è destinato a compiti di ricerca e ingegneria che comportano l’uso di strumenti, l’esecuzione di codice, lo svolgimento di esperimenti e il recupero dopo il fallimento di una fase. La scheda del laboratorio su Hugging Face mette a disposizione i pesi con licenza MIT License.

Dalle chiamate agli strumenti ai risultati verificati

Il modello è progettato per flussi di lavoro articolati: analizzare un problema, pianificare una soluzione, chiamare strumenti, scrivere codice, eseguire esperimenti ed esaminare i risultati. La scheda raggruppa gli usi previsti in scoperta, creazione, realizzazione e cybersicurezza, limitando le attività di sicurezza agli ambienti autorizzati. Indica una finestra di contesto di 256K token e una versione separata quantizzata in FP8.

Il paper che accompagna il modello, pubblicato su arXiv il 14 settembre, descrive l’approccio all’addestramento come una Verifiable Experience Pipeline. I compiti collegano il modello ad ambienti di esecuzione nei quali può osservare lo stato, usare strumenti e produrre artefatti intermedi; il risultato finale viene verificato mediante segnali esterni, come test, metriche, stato dei file o prove tratte dalle fonti. Gli errori ricorrenti, come una scelta inadeguata degli strumenti o una verifica incompleta, vengono trasformati in nuovi compiti e controlli di qualità.

Cinque punteggi più alti nella tabella dei 16 benchmark del laboratorio

Il laboratorio riporta il punteggio più alto tra i modelli confrontati in cinque benchmark su 16: 96,0 su DeepSearchQA, 92,5 su BrowseComp, 77,0 su BFCL v4, 53,8 su AutomationBench e 86,5 su CyberGym. Il gruppo di confronto comprende sei modelli: DeepSeek V4 Pro, Kimi K3, Qwen 3.8 Max, GLM 5.3, GPT-5.6 sol e Claude Opus 5; il paper precisa che i dati sono quelli pubblicati sul sito ufficiale di lancio.

La stessa tabella mostra risultati più deboli in diversi test relativi al software e alle attività lavorative. Atria ottiene 59,6 su SWE-bench Pro, meno del 74,7 indicato per Claude Opus 5, e 78,3 su Terminal-Bench 2.1, meno dell’89,3 di Qwen 3.8 Max e del 90,2 di Claude Opus 5. Su Workspace-Bench, il 65,0 di Atria resta sotto il 65,8 di Claude Opus 5. I punti di forza si concentrano nella ricerca, nella chiamata agli strumenti e nella sicurezza, anziché tradursi in un vantaggio generalizzato.

Il paper analizza come persone e agenti hanno realizzato Atria

Gran parte del rapporto riguarda il progetto di sviluppo stesso. Il gruppo ha analizzato i registri di 769 compiti e i log degli agenti relativi a 56 partecipanti; dei 739 compiti per i quali era chiaro se fosse stata usata l’IA, 713, pari al 96,5%, hanno comportato l’uso dell’IA. Tra 455 compiti completati con l’assistenza dell’IA per i quali era disponibile una risposta utilizzabile, i partecipanti ne hanno giudicati 151, pari al 33,2%, impossibili da svolgere senza IA a parità di ambito e risorse.

I registri indicano una divisione del lavoro, più che autonomia. Dei 588 compiti che hanno incontrato una difficoltà, il 76,0% è andato avanti grazie all’intervento di una persona. Le forme di aiuto più comuni sono state l’aggiunta di contesto o il chiarimento dei requisiti (35,2%) e la diagnosi del problema o il cambiamento del metodo (34,7%); le modifiche parziali apportate da una persona hanno rappresentato il 3,2% e i casi in cui una persona ha assunto interamente il controllo lo 0,7%. Sulla base di questi dati, i responsabili del progetto citati nel paper, Honglin Guo e Tao Gui, e i loro coautori sono giunti a una conclusione sulla supervisione. Nell’abstract scrivono:

«I progressi verso una ricerca sull’IA più autonoma devono quindi accrescere sia la capacità di scoperta sia quella di esercitare una supervisione umana significativa, preservando l’autorità delle persone, chiamate a rispondere dei rischi e dell’indirizzo degli sviluppi futuri».

Honglin Guo e Tao Gui, responsabili del progetto, e i coautori, nel paper su Atria Dawn

Il paper elenca 143 autori, accreditati come Atria Team, ed entrambi gli indirizzi per la corrispondenza sono presso la Fudan University. I pesi delle versioni standard e FP8 sono ora disponibili su Hugging Face alle condizioni della licenza MIT.