Samaya rilascia Sterling, agente finanziario LoRA che batte Claude Fable 5.1
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Sterling è una versione post‑addestrata di Nemotron 3.5 Lightning (MoE 30B, 3B attivi) che ottiene migliori risultati per dollaro sul benchmark FrontierFinance rispetto a Claude Fable 5.1.
Samaya rilascia Sterling e rivendica il primo posto su FrontierFinance: 58,9% a 0,61 dollari per domanda. Claude Fable 5.1 si ferma al 55,9% e costa 6,89 dollari per domanda1.
Sterling nasce da Nemotron 3.5 Lightning di NVIDIA, un mixture of experts con 30 miliardi di parametri totali e 3 miliardi attivi per query. Samaya lo descrive come un post-addestramento con LoRA, mirato alla ricerca finanziaria agentica: pianifica, usa strumenti, raccoglie evidenze1.
Risultati e costi dichiarati su FrontierFinance:
- Sterling: 58,9% in esecuzione standard, 60,6% in modalità ad alto sforzo, 0,61 dollari per domanda.
- Claude Fable 5.1: 55,9%, 6,89 dollari per domanda1.
Samaya indica anche la tenuta sulle domande più difficili: sul terzo superiore per difficoltà, Sterling ottiene il 45,2%1.
Il modello base dichiara un contesto massimo di 1 milione di token. In BF16, con contesto da 256 mila token, entra su una H100 da 80 GB. Samaya non specifica il contesto usato in serving per Sterling, né l’hardware effettivo di serving1.
Sulla leaderboard, Samaya sostiene che Sterling offra il miglior rapporto qualità per dollaro tra i sistemi di alta qualità. La nota avverte che il dato è auto-segnalato1.
Per chi costruisce agenti verticali, il messaggio operativo è netto: co-addestrare un modello relativamente piccolo insieme al suo harness può bastare per vincere in un compito ristretto. Samaya lo presenta come ricetta concreta, legata a uno scenario di ricerca finanziaria, non come tesi astratta. L’approccio punta a ottimizzare la pianificazione, l’uso di strumenti e la verifica delle evidenze all’interno del dominio target1.
Il perimetro tecnico pubblico resta circoscritto. Sono noti tipo e taglia del base model, la porzione attiva per query, il contesto massimo dichiarato e l’idoneità a girare in BF16 su una singola H100 con 256 mila token. Mancano però i dettagli operativi del serving di Sterling, come finestra di contesto effettiva, parametri di generazione e configurazione hardware. Anche il confronto economico e le metriche in leaderboard derivano da misurazioni rese note da Samaya1.
Implicazione pratica: i numeri suggeriscono che una specializzazione mirata può ridurre i costi e restare competitiva su qualità in finanza. Prossimo passo utile, una verifica indipendente con protocollo pubblico: condizioni di serving esplicite, benchmark replicabile, controllo dei costi in ambiente terzo. Solo così si potrà validare il rapporto qualità per dollaro rivendicato e misurare l’impatto del setup di contesto e dell’hardware sul risultato1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono. Valutazione su questo pezzo: 9/10.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale: superato.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica. Questo articolo ha preso 8,1/10 dopo 1 revisione.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.