Nous Research ha rilasciato domenica Hermes Mixture of Agents 2.0, un sistema che aggrega le risposte di più large language model – tra cui GPT, Claude e DeepSeek – per generare output che superano, sui benchmark standard, le prestazioni di ciascun modello preso singolarmente.
Stando a un report, MoA 2.0 aggiorna l’esistente framework Hermes Agent di Nous Research, mantenendone l’impostazione open source.
Come funziona il sistema
Hermes MoA 2.0 opera come uno strato di “ensemble”. Interroga in parallelo diversi modelli di base, raccoglie i rispettivi output e li sintetizza in una risposta finale. L’approccio, definito Mixture of Agents, considera i modelli di intelligenza artificiale come specialisti che contribuiscono alla soluzione, invece di chiedere a un solo modello di coprire l’intero spettro dei compiti.
Gli utenti possono configurare quali modelli far partecipare all’ensemble. La configurazione predefinita si basa su GPT, Claude e DeepSeek, tre sistemi espressione di filosofie di training e composizioni di dati differenti. Mettendo a fattor comune i loro output, MoA 2.0 mira a catturarne i punti di forza complementari.
Secondo i risultati di benchmark diffusi con il lancio, MoA 2.0 sovraperforma ciascun modello componente su compiti di ragionamento, programmazione e “instruction-following”. Il vantaggio diventa particolarmente evidente nei test di ragionamento a lungo orizzonte, dove i singoli modelli tendono a perdere coerenza nel corso della risposta.
Il framework resta open source: ricercatori e sviluppatori possono ispezionarne l’architettura, sostituire i modelli di base e adattare l’ensemble a casi d’uso specifici.
Da leggere anche: Anthropic supera OpenAI con una valutazione da 965 miliardi di dollari mentre si riapre la corsa ai finanziamenti IA
I laboratori open-weight spingono sull’orchestrazione di agenti
Nous Research si è costruita una reputazione per il rilascio di modelli open weight mirati alla comunità accademica e di ricerca. Il framework originario Hermes Agent ha fissato, all’inizio del 2026, un punto di riferimento per l’orchestrazione multi‑modello.
Sullo sfondo c’è un ciclo di sviluppo open weight sempre più rapido. Z.ai ha pubblicato GLM‑5.2 a inizio luglio 2026, presentandolo come modello open weight per il coding su compiti ingegneristici di lunga durata. Il lancio rientra in una tendenza in cui i laboratori open weight puntano su domini di capacità specifici in cui i modelli chiusi godono ancora di un vantaggio reputazionale.
Da leggere anche: Secondo gli esperti la quota del 5% in OpenAI spingerebbe l’IA verso un maggiore controllo statale
L’ex responsabile tecnico di Qwen, Junyang Lin, ha sostenuto pubblicamente a fine giugno 2026 che i sistemi “agentici” rappresentano il naturale prossimo passo nello sviluppo dell’IA. Una tesi che si allinea con la filosofia progettuale di MoA 2.0, che punta su combinazioni di agenti e modelli come via per ottenere salti di capacità difficilmente replicabili con singoli cicli di training.
Il rilascio di Hermes MoA arriva inoltre in un momento di intenso dibattito, nella comunità di ricerca sull’IA, sul ruolo corretto dei foundation model rispetto agli strati di agenti.
Andrej Karpathy ha messo in guardia, all’inizio di questa settimana, contro il rischio che un approccio “agent‑first” ripeta errori già visti nei cicli di ricerca precedenti di OpenAI. La strategia di Nous Research cerca una via di mezzo: utilizza foundation model di alto livello come input, aggiungendo sopra uno strato di orchestrazione.
Da leggere anche: OpenAI punta a un’IPO da 1.000 miliardi di dollari mentre Microsoft resta il principale beneficiario
Cosa monitorare
Hermes MoA 2.0 non è ancora stato confrontato in modo sistematico con gli ultimissimi modelli di frontiera. Claude Sonnet 5 e le varianti aggiornate di GPT, rilasciate a metà 2026, potrebbero modificare il quadro dei benchmark. Nous Research, per ora, non ha pubblicato un paper accademico formale a corredo del lancio.
Le implicazioni pratiche per gli sviluppatori sono però già chiare. Uno strumento open source che dimostra di migliorare i benchmark dei modelli chiusi combinandoli riduce le barriere per i team di ricerca che vogliono accedere a capacità di ragionamento di fascia alta senza sostenere i costi delle API di modelli di frontiera per ogni singola inferenza.
Per l’industria dell’IA, MoA 2.0 rafforza la tesi secondo cui la prossima fase di adozione potrebbe essere guidata dalla diversità dei modelli, più che dall’affermazione di un unico modello dominante. Sarà importante osservare nei prossimi mesi come OpenAI e Anthropic risponderanno all’avanzata degli approcci basati su ensemble.
Prossimo articolo: La politica a doppio volto su Trump e Anthropic che la Casa Bianca non vuole spiegare