The Pulse
SourceLearn costruisce modelli persistenti di documenti, codice e API
I ricercatori presentano SourceLearn, un metodo che consente agli agenti di IA di perfezionare un modello riutilizzabile di una fonte mentre la studiano e affrontano compiti correlati. Su cinque benchmark e tre modelli linguistici usati com
AI.info Team · Scritto con l’IA ·
«Studiamo l’apprendimento delle fonti: lo sviluppo di competenze riutilizzabili e specifiche di una fonte autorevole persistente».
Lucheng Fu, Kejing Xia, Yiyang Wang, Yiqiao Jin, Jinjin He, Xiyuan Yang, Haoxin Liu, Ye Yu, Haibo Jin, Yijia Xiao, Wenke Lee, B. Aditya Prakash e Haohan Wang
Un gruppo di ricerca ha presentato SourceLearn in un articolo inviato ad arXiv il 1° ottobre 2026, proponendo che gli agenti di IA migliorino la propria comprensione di un determinato insieme di documenti, repository di codice o API attraverso usi ripetuti, anziché limitarsi a recuperare ogni volta da capo i passaggi pertinenti per ciascun compito. Il sistema costruisce un modello persistente di una fonte, poi lo rivede mentre l’agente studia la fonte e incontra compiti che mettono in luce lacune nella sua comprensione.
Gli autori hanno testato SourceLearn su cinque benchmark usando tre modelli linguistici come backend. Secondo l’articolo, ha ottenuto il punteggio più alto in 13 delle 15 combinazioni di benchmark e backend. I risultati collocano il metodo come complemento del recupero delle informazioni, non come suo sostituto: gli agenti continuano a consultare la fonte originale per trovare le prove necessarie a ciascun compito.
SourceLearn tratta l’uso ripetuto come apprendimento
I sistemi di recupero trovano informazioni pertinenti a un prompt, mentre i sistemi di memoria degli agenti conservano informazioni tratte dalle interazioni precedenti. L’articolo sostiene che nessuno dei due sviluppa necessariamente una comprensione riutilizzabile dei collegamenti tra le informazioni di una determinata fonte, di quando si applica una regola o di come combinare più elementi di prova. SourceLearn mantiene invece un modello rivedibile della fonte, affiancato dall’accesso diretto a essa.
Il metodo prevede due fasi di apprendimento. Self-Directed Source Learning torna sulle parti che il modello attuale rappresenta in modo incompleto, cercando condizioni, meccanismi o collegamenti tra entità mancanti. Task-Guided Source Learning usa i compiti successivi per individuare sia lacune locali — per esempio un fatto mancante necessario per rispondere in modo errato — sia esigenze ricorrenti relative all’organizzazione della fonte.
Questi segnali orientano la scelta di cosa esaminare, ma non diventano direttamente conoscenza memorizzata. Il sistema rilegge il materiale pertinente della fonte e ricostruisce gli aggiornamenti a partire da esso, lasciando alla fonte originale l’autorità sui fatti. Al momento di rispondere, un agente combina le prove recuperate con le parti pertinenti del modello della fonte che ha accumulato.
Cinque benchmark, tre modelli come backend
La valutazione comprende domande e risposte su documenti e codice, l’uso di API e compiti interattivi. I benchmark sono MultiDoc2Dial, NarrativeQA, SWE-QA, APIBench e AppWorld; i tre modelli testati come backend sono GPT-5.6-Luna, gpt-oss-120b e DeepSeek-V4.1-Flash. I confronti includono Hybrid RAG, che recupera passaggi della fonte per ciascun compito, oltre a RAPTOR e HippoRAG 2 per le rappresentazioni persistenti delle fonti e AWM per conservare l’esperienza acquisita nei compiti.
Il margine più ampio riportato riguarda APIBench con GPT-5.6-Luna: SourceLearn ottiene il 70,4% contro il 47,8% di Hybrid RAG, una differenza di 22,6 punti. Sui cinque benchmark con quel backend, l’articolo riporta per SourceLearn un vantaggio medio di 14,3 punti rispetto a Hybrid RAG. Il vantaggio non è stato universale: con gpt-oss-120b su AppWorld, SourceLearn ha ottenuto il 27,4%, meno del 30,4% di Hybrid RAG.
Per verificare se il metodo tragga beneficio soltanto dalla disponibilità di più contesto, gli autori hanno anche assegnato ai sistemi di confronto basati sul recupero la stessa quantità di contesto per domanda su quattro fonti. SourceLearn ha mantenuto il punteggio più alto su tre fonti e si è classificato secondo sulla quarta, Sphinx. L’articolo riferisce inoltre che l’apprendimento della fonte cambia ciò che il modello rappresenta: nelle fonti esaminate, la quota di unità del modello con condizioni di applicabilità esplicite è salita da circa il 30% nel modello iniziale al 65%–82% dopo l’apprendimento guidato dai compiti.
Il modello della fonte ha ancora bisogno della fonte
La verifica degli autori sul fondamento delle informazioni mostra perché il progetto mantiene l’accesso diretto alla fonte. Nelle unità campionate da tre fonti, le contraddizioni dirette erano pari o inferiori all’1%, ma alcune unità guidate dai compiti relative a fonti documentali e di codice erano supportate solo in parte o non erano supportate. Nel campione StudentAid di MultiDoc2Dial, per esempio, il 13,3% delle unità del modello guidate dai compiti è stato giudicato non supportato e lo 0,8% contraddiceva le prove citate.
I risultati costituiscono una prova a favore di un metodo testato con compiti ripetuti su fonti persistenti, non dimostrano che funzioni altrettanto bene per ogni agente o fonte. Gli autori dell’articolo affermano che il loro studio si concentra su fonti stabili e autorevoli e indicano il materiale in evoluzione, rumoroso o contraddittorio come un limite ancora aperto. In questi contesti, la fonte originale resta il riferimento e il modello appreso un aiuto fallibile per utilizzarla.