Mario-1: un modello italiano che gira su una CPU
Un modello linguistico da 0,8 miliardi di parametri, addestrato per l'italiano. Gira su CPU senza GPU e sa riconoscere le trappole, ammettere ciò che non sa e fare calcoli affidabili.
Un piccolo strato che riconosce quando un agente AI resta bloccato in un ciclo e lo ferma, in circa 12 millisecondi.

Anti-Loop Layer è un layer deterministico open source (Apache 2.0) di monitoraggio per agenti LLM autonomi, pubblicato come pacchetto yecoai-cognitive-layer. Osserva la traiettoria dell'agente da fuori del modello, nessun prompt, nessun fine-tuning, nessun accesso ai pesi, e interviene quando il loop Pensiero → Azione → Osservazione degenera nelle modalità di guasto stocastico che bruciano token, latenza e fiducia degli utenti: thank-you loop, collasso semantico e retry oscillanti. L'overhead tipico è ~12ms per ciclo con un footprint di picco di ~38,85 MB, e il whitepaper tecnico riporta F1 fino a 0,90 / 0,71 / 0,63 nei diversi regimi di rilevamento.
Un agente autonomo è un loop: il modello pensa, compie un'azione, osserva il risultato e ripete finché l'obiettivo non è raggiunto. Ogni elemento è probabilistico, quindi il loop nel suo insieme è un processo stocastico, e i processi stocastici derivano. Le modalità di guasto documentate formano uno spettro:
Il costo non è solo calcolo. Un agente in loop trattiene risorse, ritarda l'utente e, negli agenti con tool come la nostra automazione di supporto, ripete azioni reali su sistemi reali. Rilevare la degenerazione presto è un requisito di sicurezza, non un'ottimizzazione.
La decisione di design centrale di Anti-Loop Layer è l'esternità: il monitor siede fuori dalla finestra di contesto del modello e fuori dalla sua distribuzione di probabilità. Osserva la traiettoria, la sequenza di stati che l'agente attraversa, e applica estrazione deterministica di segnali: similarità testuale tra output consecutivi, tassi di ripetizione delle azioni e misure di stabilità semantica su una finestra scorrevole. Poiché i segnali sono deterministici, il comportamento è riproducibile e verificabile: la stessa traiettoria produce sempre lo stesso verdetto, proprietà che giudici stocastici (chiedere a un altro LLM "questo è un loop?") non possono garantire.
Il layer è passivo per default e interventistico per policy. In modalità monitor annota la traiettoria con metriche di salute in tempo reale. In modalità intervento può fermare il loop, forzare un passo di replanning o scalare a un umano, configurato per deployment. Il contratto d'intervento è esplicito: il layer non modifica mai gli output dell'agente, li ferma o li reindirizza soltanto.
Il whitepaper valuta il rilevamento su regimi che rispecchiano lo spettro dei guasti. Risultati riportati:
L'overhead è stato misurato in runtime agentici simili alla produzione: ~12ms per ciclo di monitoraggio in regime tipico, ~38,85 MB di picco di memoria, abbastanza piccolo da girare attaccato a ogni sessione agente, non a campione. Per DeskNexo, la cui pipeline di verifica raddoppia già il costo di inferenza per design, un monitor esogeno da 12ms è stato l'investimento di sicurezza più economico dello stack.
Il pacchetto si installa da PyPI (pip install yecoai-cognitive-layer) e si integra come monitor esogeno attorno a qualunque loop agentico: si avvolge il ciclo Pensiero → Azione → Osservazione e il layer emette eventi (warning, halted, escalated) tramite un'interfaccia di callback. La configurazione è un oggetto policy: soglie di similarità, dimensioni della finestra, azioni d'intervento e target di escalation. L'implementazione di riferimento, il whitepaper e l'harness di valutazione sono pubblicati per uso di ricerca e produzione sotto Apache 2.0.
Il lavoro pianificato punta al regime semantico: segnali di stabilità basati su embedding come alternativa configurabile alla similarità testuale, auto-taratura delle soglie per dominio dalla storia delle traiettorie e un formato di export delle anomalie così che la telemetria del layer alimenti gli stack di osservabilità standard. Il pacchetto è versionato indipendentemente dai prodotti YecoAI; issue e PR della community sono benvenute sotto licenza Apache 2.0.
Gli agenti falliscono come i sistemi di controllo, non come le chat. Li monitoriamo quindi come sistemi di controllo: dall'esterno, in modo deterministico, in 12ms.
Un modello linguistico da 0,8 miliardi di parametri, addestrato per l'italiano. Gira su CPU senza GPU e sa riconoscere le trappole, ammettere ciò che non sa e fare calcoli affidabili.

Il nostro nuovo modello che trova e nasconde i dati personali nei testi. Più preciso della versione precedente e migliore di modelli molto più grandi, soprattutto in italiano. Ogni release è firmata digitalmente, così puoi verificarne l'autenticità.

Micro-LLM italiano da 118M parametri, addestrato con meno di €15, ~200 tok/s su CPU. Batte Minerva-350M (3× più grande) su BoolQ-IT.