Il framework campiona K traiettorie indipendenti e le tratta come un ambiente da esplorare, sintetizzando la soluzione migliore
Scartare informazioni o superare i limiti di contesto: è il destino a cui si sono finora condannate le strategie di aggregazione nei compiti di ricerca profonda. Già ad aprile 2026, il paper che propone AggAgent aveva rovesciato l’impostazione: trattare le traiettorie parallele come un ambiente. Il lavoro, presentato a COLM 2026, è circolato nei giorni scorsi.
Il collo di bottiglia dell’aggregazione
Per capire perché il lavoro merita attenzione bisogna partire dal problema. Le strategie di aggregazione esistenti — voto di maggioranza sulle risposte finali, aggregazione delle sole soluzioni, sintesi delle traiettorie — falliscono nei compiti agentici a lungo orizzonte: o scartano le prove raccolte lungo il percorso, o superano i limiti di contesto. È quanto emerge dall’analisi contenuta nel paper, in circolazione nei giorni scorsi.
Il terreno più duro sono proprio i compiti di ricerca profonda. Già nel 2025, secondo il paper originale su BrowseComp di Wei et al., la precisione di OpenAI Deep Research aumentava con il calcolo a test-time: più risorse a disposizione, più risposte corrette. I numeri riportati nel paper danno la dimensione del fenomeno: GLM-4.7-Flash passa dal 27% al 59% su BrowseComp e dal 25% al 51% su HLE quando si scala da Pass@1 a Pass@8. Il calcolo parallelo paga. Resta il problema di come aggregare i risultati senza perdere informazioni né sforare il contesto.
Trattare le traiettorie come un ambiente
La risposta arriva da un cambio di prospettiva: non più unire i risultati finali, ma osservare le traiettorie come un ambiente da esplorare. È il principio alla base di AggAgent, descritto nella repository GitHub del progetto: invece di eseguire una singola traiettoria, il framework ne campiona K indipendenti e poi sintetizza la migliore soluzione finale.
L’analogia è quella di un ambiente decisionale: ogni traiettoria è un percorso esplorato, e AggAgent guarda l’insieme dei percorsi come un territorio da cui estrarre la rotta migliore. Non si limita a votare sulle risposte finali — operazione che perde il processo — né a riassumere le traiettorie — operazione che rischia di appiattire i dettagli. Combina invece le traiettorie parallele, trattandole come l’ambiente stesso della decisione.
Ma ogni esplorazione parallela ha un costo. Campionare K traiettorie significa moltiplicare il lavoro computazionale: se l’aggregazione costasse quanto gli K rollout, il guadagno in precisione sarebbe vanificato. La domanda, a questo punto, è quanto costa davvero il meccanismo.
Il costo che cambia l’equazione
Qui arrivano i numeri. Il paper riporta che AggAgent supera tutti i metodi di aggregazione esistenti su sei benchmark e tre famiglie di modelli — GLM-4.7, Qwen3.5 e MiniMax-M2.5 — con un miglioramento assoluto medio fino al 5,3%, che raggiunge il 10,3% su due compiti di deep research. Il dato che cambia l’equazione è il costo: l’aggregazione resta limitata a un singolo rollout agentico. In pratica, i guadagni di accuratezza tipici dello scaling parallelo arrivano senza moltiplicare i costi.
Per chi pubblica contenuti online, la domanda successiva è scomoda: se i sistemi di ricerca possono ora scalare in parallelo a costi contenuti, i contenuti reggono un’aggregazione sempre più profonda? Il punto non è retorico. Un articolo ben strutturato, con dati verificabili e argomentazioni esplicite, regge meglio la sintesi di un agente che confronta più traiettorie; un contenuto debole rischia di perdersi nell’aggregazione.
Non serve scomodare la retorica: è una maturazione del modo in cui i sistemi di ricerca profonda usano le risorse. AggAgent mostra che si può ottenere lo scaling parallelo senza moltiplicare i costi di aggregazione. Per chi gestisce contenuti online, questo significa che la profondità e la struttura dei contenuti diventeranno decisive per emergere nelle risposte aggregate. La differenza, presto, non sarà solo scrivere bene: sarà essere scritti in modo che un agente possa ricostruire il ragionamento senza sbagliare.
