Fortytwo presenta Fortytwo Engine, un servizio di inferenza accessibile tramite API che utilizza la collaborazione tra più modelli di intelligenza artificiale per migliorare la qualità delle risposte e ridurre la quantità complessiva di token necessari a completare attività complesse. La piattaforma introduce una tecnologia denominata Swarm Decoder, progettata per intervenire durante il processo di generazione e orientare progressivamente il ragionamento verso le soluzioni considerate più promettenti. Il primo modello supportato è Qwen 3.8 27B, utilizzato dall’azienda per condurre una serie di valutazioni su attività di ingegneria del software e ragionamento specialistico. Nei test effettuati su 450 esecuzioni del benchmark DeepSWE, Fortytwo ha registrato una riduzione del 24,7% dei token complessivamente generati rispetto allo stesso modello eseguito autonomamente, accompagnata da un miglioramento del punteggio di risoluzione. Ivan Nikitin, amministratore delegato e cofondatore di Fortytwo, ha collegato il risultato alla possibilità di impiegare il ragionamento collettivo per ridurre gli errori durante l’elaborazione, limitando il numero di operazioni successive necessarie per correggere decisioni iniziali non appropriate.
Swarm Decoder rappresenta un’evoluzione dell’architettura di inferenza distribuita sviluppata precedentemente dall’azienda. Nel 2025 Fortytwo aveva descritto un sistema nel quale diversi nodi elaboravano risposte indipendenti, le confrontavano attraverso procedure di valutazione reciproca e selezionavano i contributi migliori. La piattaforma utilizzava anche meccanismi statistici di classificazione per attribuire maggiore rilevanza ai nodi che avevano dimostrato prestazioni affidabili durante le valutazioni precedenti. Il nuovo sistema trasferisce la collaborazione all’interno del processo generativo: più partecipanti contribuiscono alla definizione di una traiettoria di ragionamento condivisa, valutando la direzione intrapresa prima che la risposta venga completata. L’obiettivo operativo consiste nell’individuare tempestivamente ipotesi deboli, passaggi poco produttivi e possibili errori, evitando che il modello sviluppi lunghe sequenze di elaborazione basate su presupposti successivamente da correggere. La tecnologia interviene quindi sulla generazione in corso, anziché limitarsi a confrontare risposte già completate.
La differenza assume particolare rilevanza nelle applicazioni agentiche che richiedono numerosi passaggi operativi, come lo sviluppo software, l’utilizzo di strumenti esterni e la ricerca su problemi articolati. In queste attività, un errore iniziale può determinare la generazione di ulteriori token, chiamate agli strumenti e tentativi di recupero prima che l’agente individui una procedura corretta. Un sistema che seleziona la risposta migliore soltanto al termine dell’elaborazione può migliorare il risultato finale, ma non recupera le risorse già consumate per produrre le alternative scartate. Fortytwo dichiara che Swarm Decoder riduce questo consumo intervenendo prima che le traiettorie inefficienti vengano sviluppate completamente. Il conteggio dei token utilizzato nelle valutazioni comprende tutti i modelli partecipanti alla procedura e non soltanto la risposta finale restituita all’utente, un elemento necessario per determinare il costo computazionale effettivo del ragionamento collettivo.
Nella valutazione DeepSWE, Fortytwo Engine ha ottenuto un punteggio di 47,8 rispetto al valore di 42,2 registrato dal modello Qwen 3.8 27B senza Swarm Decoder, con un miglioramento di 5,6 punti. Il consumo medio di token per esecuzione è diminuito da 16,3 milioni a 12,3 milioni, mentre il totale registrato nelle 450 esecuzioni è passato da circa 7,4 miliardi a 5,6 miliardi di token. La riduzione complessiva, pari al 24,7%, è stata ottenuta all’interno di questo specifico insieme di prove e non rappresenta un risparmio automaticamente applicabile a ogni benchmark o applicazione produttiva. Fortytwo ha pubblicato anche confronti su ulteriori attività: Humanity’s Last Exam è passato da 34,7 a 35,8 punti, GDP.pdf da 18,5 a 20,6, GPQA-Diamond da 90,9 a 95,1, SciCode da 46,8 a 49,0 e LiveCodeBench v6 da 80,2 a 84,1. I risultati sono stati comunicati dall’azienda sulla base del proprio protocollo sperimentale e confrontano lo stesso modello con e senza l’utilizzo di Fortytwo Engine.
Il servizio è disponibile attraverso la piattaforma per sviluppatori di Fortytwo e utilizza API compatibili con OpenAI Chat Completions, consentendo di adattare applicazioni e SDK esistenti sostituendo l’indirizzo di base, configurando una chiave API dedicata e selezionando l’identificativo di uno dei modelli supportati. Le funzionalità documentate comprendono streaming, utilizzo di strumenti tramite function calling, chiamate parallele agli strumenti, output strutturati e selezione del livello di ragionamento. La compatibilità è tuttavia circoscritta alle interfacce effettivamente implementate: sono supportati gli endpoint Chat Completions e l’elenco dei modelli, mentre non risultano disponibili gli endpoint Responses, Embeddings, Audio, Files e Assistants. Alcuni parametri delle richieste presentano limitazioni o dipendono dal modello utilizzato, mentre i campi non supportati generano errori espliciti. Gli sviluppatori devono quindi verificare le funzioni effettivamente richieste dalle proprie applicazioni prima di migrare al nuovo servizio.
Fortytwo dichiara di mantenere per Engine il medesimo prezzo per token previsto dal modello di base, concentrando la riduzione dei costi sulla quantità di elaborazione necessaria per completare il lavoro. L’offerta si affianca a Fortytwo Harbor, una soluzione destinata alle organizzazioni che desiderano distribuire le tecnologie di inferenza collettiva sulla propria infrastruttura, mantenendo i dati all’interno del perimetro aziendale e utilizzando risorse hardware con costi di gestione definiti anziché un sistema di fatturazione per token. Le attività di ricerca dell’azienda comprendono anche la produzione di dati sintetici attraverso reti di modelli cooperanti, utilizzati per addestrare sistemi come Strand-Rust-Coder-14B, un modello aperto specializzato nella programmazione in Rust. Engine interviene invece direttamente sul processo di inferenza di modelli open-weights già disponibili, con ulteriori integrazioni previste dopo il rilascio iniziale di Qwen 3.8 27B.
Fondata nel 2024, Fortytwo dichiara di avere un gruppo di 15 ingegneri distribuiti anche tra Mountain View e Abu Dhabi. La società ha raccolto 2,3 milioni di dollari attraverso un finanziamento pre-seed nel 2025 ed è entrata nell’ecosistema Hub71 di Abu Dhabi nel 2026. Il lancio di Engine rappresenta l’applicazione commerciale delle precedenti ricerche sull’inferenza collettiva, con una struttura che punta a rendere misurabile l’efficienza non soltanto attraverso il costo unitario dei token, ma anche mediante il numero complessivo di risorse utilizzate per completare correttamente un’attività. Le valutazioni pubblicate indicano miglioramenti nei benchmark selezionati, mentre le prestazioni effettive sulle applicazioni aziendali dipenderanno dalla capacità del sistema di compensare il costo computazionale della collaborazione tra modelli attraverso la riduzione degli errori, dei tentativi ripetuti e delle elaborazioni non necessarie.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)