Nel mondo dell’intelligenza artificiale, per anni la tendenza dominante è stata quella di costruire modelli sempre più grandi, con centinaia di miliardi o addirittura trilioni di parametri, sulla base dell’idea che “più grande significa più intelligente”. Ma di recente questa visione è stata messa in discussione da una nuova generazione di modelli che puntano invece a un modo più efficiente di ragionare e apprendere senza richiedere enormi risorse computazionali. Uno degli esempi più interessanti è MiroThinker 1.5, sviluppato dalla startup MiroMind, che ha attirato l’attenzione di osservatori e sviluppatori per le sue prestazioni sorprendenti: nonostante abbia “soltanto” 30 miliardi di parametri, è in grado di competere con modelli che ne hanno fino a mille volte di più, raggiungendo livelli di capacità simili a quelli dei modelli con trilioni di parametri ma a una frazione del costo computazionale.
Il cuore dell’innovazione di MiroThinker 1.5 non è semplicemente una questione di numeri, ma di come il modello impara e interagisce con le informazioni. Tradizionalmente i grandi modelli puntano ad accumulare una enorme quantità di conoscenza “dentro” di sé, memorizzando bit di informazione in una struttura enorme di parametri. Questo approccio richiede enormi investimenti in hardware, tempo di addestramento e costi operativi e, pur offrendo prestazioni elevate in molti casi, può portare a inefficienze e a risposte poco contestualizzate. MiroMind ha invece scelto un percorso diverso, puntando su una tecnica chiamata Interactive Scaling che trasforma il modello da semplice “storico” di conoscenza in un agente che cerca, verifica e corregge attivamente le proprie ipotesi, quasi come farebbe un ricercatore umano.
Nel concreto, questo significa che MiroThinker 1.5 è stato addestrato non solo a elaborare informazioni interne, ma anche a interagire con il mondo esterno per cercare evidenze, confrontare ipotesi, correggere errori e affinare le proprie risposte. Invece di affidarsi solo a una larga “memoria interna”, il modello impara a identificare, analizzare e verificare dati esterni, rompendo con il paradigma tradizionale di accumulo passivo di parametri. Questo approccio ha permesso a un modello con un ordine di grandezza di parametri minore di raggiungere prestazioni pari — e in alcuni benchmark addirittura superiori — a quelle di modelli molto più grandi, inclusi competitor con trilioni di parametri.
I risultati ottenuti da MiroThinker 1.5 sono stati misurati attraverso benchmark come BrowseComp, un test particolarmente impegnativo che valuta la capacità di ricerca, ragionamento e comprensione del contesto. Sorprendentemente, la variante da 30 miliardi di parametri ha ottenuto punteggi paragonabili o superiori a quelli di modelli enormi, dimostrando che dimensione non è sinonimo di intelligenza quando il modello è progettato per interagire dinamicamente con le informazioni esterne piuttosto che memorizzarle passive.
Un altro elemento che distingue MiroThinker 1.5 è il costo di inferenza, ovvero quanto “costa” al sistema eseguire una singola richiesta del modello. In un’epoca in cui gestire modelli di grandi dimensioni può essere estremamente costoso sia in termini di energia che di risorse hardware, la possibilità di ottenere prestazioni comparabili con una spesa molto inferiore è potenzialmente rivoluzionaria: la variante da 30 miliardi di parametri è stimata offrire prestazioni a circa 1/20 del costo rispetto a modelli equivalenti da trilioni di parametri, aprendo la porta a impieghi più sostenibili e accessibili su larga scala.
Questa efficienza non è solo una questione di numeri, ma riflette una crescente attenzione dell’industria verso modelli “intelligenti” piuttosto che semplicemente “grandi”. La filosofia alla base di MiroThinker 1.5 porta all’attenzione la distinzione tra un modello che “soffia dati dentro di sé” e uno che agisce come un agente di ragionamento con capacità di esplorare e verificare conoscenze durante la generazione delle risposte. Questo tipo di approccio mostra come il futuro della ricerca sull’intelligenza artificiale non sia necessariamente nel perseguire parametri sempre maggiori, ma nel migliorare come questi sistemi pensano, imparano e si adattano alle richieste complesse.
In un contesto più ampio, i progressi rappresentati da MiroThinker 1.5 sono parte di una tendenza più ampia nell’ecosistema dell’IA, dove piccole startup e gruppi di ricerca stanno proponendo modi alternativi per raggiungere risultati di alto livello senza dover competere esclusivamente sulla dimensione del modello. Questo suggerisce che la prossima frontiera dell’IA potrebbe essere definita non tanto dalla “corsa ai trilioni” quanto piuttosto dalla capacità di ottimizzare la qualità del pensiero dei modelli e di integrare efficacemente fonti esterne di informazione e strumenti di verifica all’interno dei processi di ragionamento.