Una nuova versione del framework Hermes

Nel corso della domenica, Nous Research ha presentato Hermes Mixture of Agents 2.0 (MoA 2.0), una versione aggiornata del proprio framework di agenti. Il nuovo rilascio mantiene l’architettura open‑source del progetto originale, ma introduce una “strato ensemble” che aggrega le uscite di più grandi modelli di linguaggio, tra cui GPT, Claude e DeepSeek. L’obiettivo è produrre risposte che superino, su benchmark standard, le performance di ciascuno dei modelli presi singolarmente.

Il concetto di “Mixture of Agents” tratta i diversi modelli come fornitori specializzati di contributi, anziché affidare a un unico modello tutti i compiti. Questa filosofia consente di sfruttare le peculiarità di ciascuna architettura, combinando punti di forza diversi in un’unica risposta finale.

Come funziona Hermes MoA 2.0

MoA 2.0 opera come una vera e propria “strato di orchestrazione”. Quando viene posta una domanda, il sistema interroga in parallelo i modelli di base configurati, raccoglie le loro risposte e le sintetizza in un output unico. Gli utenti possono scegliere quali modelli includere nell’ensemble; la configurazione predefinita prevede:

    • GPT – noto per la sua capacità di generare testo fluido e coerente.
    • Claude – eccelle nella comprensione contestuale e nella gestione di istruzioni complesse.
    • DeepSeek – specializzato in ragionamento logico e compiti di programmazione.

Grazie a questa combinazione, MoA 2.0 riesce a capitalizzare le competenze complementari dei tre modelli, migliorando la coerenza a lungo termine e la capacità di risolvere problemi complessi.

Risultati sui benchmark

Le prime prove di valutazione mostrano che MoA 2.0 supera ciascuno dei suoi componenti nelle discipline di:

    • Ragionamento logico.
    • Programmazione.
    • Esecuzione di istruzioni complesse.

Il vantaggio più evidente compare nei test di “Long‑term Reasoning”, dove i modelli singoli tendono a perdere coerenza man mano che la catena di ragionamento si allunga. L’ensemble, invece, mantiene una linea di pensiero più stabile, grazie alla capacità di “votare” e correggere le risposte tra i vari agenti.

Contesto di sviluppo e open‑weight

Nous Research è già nota per le sue pubblicazioni di modelli open‑weight, che hanno favorito la ricerca collaborativa. Il framework Hermes originale, lanciato all’inizio del 2026, aveva stabilito un primo standard per l’orchestrazione di più modelli. Da allora, il settore ha assistito a un’accelerazione dei rilasci open‑weight: Z.ai ha introdotto a luglio 2026 GLM‑5.2, un modello focalizzato sul coding a lungo termine, dimostrando come le comunità possano colmare le lacune lasciate dai modelli chiusi.

Questa tendenza è supportata da opinioni di esperti come Junyang Lin, ex capo tecnico di Qwen, che ha sostenuto a giugno 2026 che i sistemi agentici rappresentano il prossimo passo evolutivo per l’IA. La filosofia di MoA 2.0 rispecchia esattamente questa visione, proponendo una combinazione di agenti e modelli come via per guadagnare prestazioni difficilmente replicabili con un singolo ciclo di addestramento.

Critiche e prospettive future

Il lancio di MoA 2.0 avviene in un momento di intenso dibattito sulla gerarchia tra modelli di base e strati di agenti. Andrej Karpathy ha avvertito all’inizio della settimana che un approccio “agent‑first” potrebbe riproporre errori dei cicli di ricerca precedenti di OpenAI. Nous Research, però, punta a un compromesso: mantenere modelli di base robusti e aggiungere sopra di essi una strato di orchestrazione.

Al momento, MoA 2.0 non è stato testato sistematicamente contro i più recenti “frontier‑model”, come Claude Sonnet 5 o le versioni aggiornate di GPT rilasciate a metà 2026. Questo lascia spazio a possibili revisioni dei benchmark in futuro.

Implicazioni per sviluppatori e industria

Per gli sviluppatori, MoA 2.0 rappresenta uno strumento pratico: un framework open‑source che supera i modelli chiusi nei benchmark senza richiedere i costi delle API dei frontier‑model. Le squadre di ricerca possono così accedere a capacità di ragionamento avanzate senza investire enormi risorse computazionali.

Nel più ampio contesto industriale, l’esito di MoA 2.0 rafforza l’ipotesi che la diversità del portafoglio di modelli, più che il dominio di un singolo modello, guiderà la prossima fase di adozione dell’IA. Nei prossimi mesi, sarà interessante osservare le reazioni di giganti come OpenAI e Anthropic verso gli approcci basati su ensemble.