Lo studio su 39 modelli linguistici mostra che il passato domina sul nuovo, invertendo il comportamento umano
A febbraio 2026, uno studio comparativo apparso su arXiv ha misurato qualcosa che ribalta un secolo di psicologia sperimentale. Su 39 modelli linguistici di grandi dimensioni, da 1 a 2,5 trilioni di parametri, l’interferenza proattiva — il passato che disturba il nuovo — provoca una degradazione molto maggiore dell’interferenza retroattiva — il nuovo che disturba il vecchio. La dimensione dell’effetto è 1,73. Non è una curiosità da laboratorio: è il motivo per cui un contenuto aggiornato può restare invisibile mentre il modello continua a preferire la versione precedente.
I due termini vengono dai classici esperimenti della memoria associativa. Se impari una lista di informazioni e poi una seconda, puoi confonderti in due modi: fare fatica a ricordare la seconda per colpa della prima — interferenza proattiva — oppure fare fatica a ricordare la prima per colpa della seconda — interferenza retroattiva. Negli esseri umani, la letteratura sperimentale indica che è la seconda ad avere l’effetto più forte. Lo ricorda lo stesso studio, nella sua versione integrale: oltre un secolo di lavoro sperimentale mostra che l’interferenza retroattiva conta di più, perché l’informazione nuova disturba con più facilità quella vecchia. Nei modelli linguistici il risultato si inverte: in tutti i 39 modelli esaminati, è l’interferenza proattiva a dominare.
Il passato non passa: l’inversione uomo-macchina
Il team ha adattato i classici esperimenti di interferenza della psicologia cognitiva per confrontare due situazioni: ricordare i valori iniziali dopo un aggiornamento — interferenza retroattiva — e ricordare i valori recenti nonostante le codifiche precedenti in competizione — interferenza proattiva. Ogni modello mostra lo stesso schema: la proattiva pesa molto di più. È il contrario di ciò che si osserva negli esseri umani, dove l’informazione nuova tende a spazzare via più facilmente quella vecchia.
Perché un modello dovrebbe restare aggrappato alla prima informazione che ha visto? La risposta, indicano i ricercatori, non è un unico meccanismo. Quattro linee di evidenza dicono che i due tipi di interferenza coinvolgono processi distinti.
Due oblii, non uno: il collasso bimodale
La prima evidenza: la dimensione del modello predice la resistenza all’interferenza retroattiva, ma non a quella proattiva. La seconda: i due punteggi correlano solo debolmente. La terza: i profili di errore sono qualitativamente diversi. I fallimenti da interferenza retroattiva somigliano a un mancato recupero passivo dell’informazione; quelli da interferenza proattiva sono un’intrusione attiva della prima informazione. La quarta: le allucinazioni restano sotto l’1% in entrambe le condizioni. Non stiamo parlando di un modello che inventa risposte, ma di un modello che ricorda male l’ordine delle informazioni.
Un design bootstrap adattivo aggiunge un’altra asimmetria. L’interferenza retroattiva decade in modo uniforme; quella proattiva collassa in modo bimodale quando l’interferenza è alta. Da un lato c’è una diluizione graduale, dall’altro una dinamica attenzionale del tipo “chi vince prende tutto”. Una direzione parallela arriva dal documento di Chattaraj e Raj, che estende l’analisi dalle informazioni rilevanti statiche ai flussi di aggiornamenti semanticamente simili e concorrenti: ne emerge un bias di primacy nell’attenzione dei transformer, la tendenza a dare più peso a ciò che arriva per primo.
Se il modello resta ancorato al vecchio, chi paga il nuovo?
La ricerca di Guo e Vosoughi, presentata ad ACL Findings 2025 e disponibile su arXiv dal 2024, aveva già confermato in modo sistematico gli effetti di posizione seriale — la preferenza per l’inizio e la fine di una sequenza — in diversi compiti e modelli. Aveva anche trovato che la mitigazione tramite prompt è incoerente: chiedere al modello di prestare più attenzione a una certa informazione a volte funziona, a volte no. Lo studio di febbraio aggiunge un tassello: il meccanismo dominante non è un generico effetto di posizione, è l’interferenza proattiva. Il passato che non lascia spazio al nuovo.
Per chi pubblica online, il punto è concreto. Se aggiorni una scheda prodotto, un listino, una pagina di servizio, non puoi più dare per scontato che l’ultima versione sostituisca la precedente nella memoria di un modello linguistico. Il modello può continuare a rievocare la prima versione che ha incontrato, anche quando la nuova è disponibile. Non è una questione di pertinenza: è una questione di interferenza. La versione vecchia non è solo un residuo, è un concorrente attivo.
Il dato non dice che aggiornare è inutile. Dice che gli aggiornamenti vanno progettati tenendo conto di come i modelli codificano e recuperano le informazioni, non solo di come le classificano. Resta aperta la domanda su come costruire aggiornamenti che non vengano soffocati dalle versioni precedenti — e se i modelli possano mai dimenticare selettivamente. Per ora, il campo di battaglia della visibilità si sposta dalla pertinenza alla gestione dell’interferenza.
