LIMI: Meno è Più per l'Agenzia

LIMI: Less is More for Agency

September 22, 2025

Autori: Yang Xiao, Mohan Jiang, Jie Sun, Keyu Li, Jifan Lin, Yumin Zhuang, Ji Zeng, Shijie Xia, Qishuo Hua, Xuefeng Li, Xiaojie Cai, Tongyu Wang, Yue Zhang, Liming Liu, Xia Wu, Jinlong Hou, Yuan Cheng, Wenjie Li, Xiang Wang, Dequan Wang, Pengfei Liu

cs.AI

Abstract

Definiamo l'Agenzia come la capacità emergente dei sistemi di intelligenza artificiale di funzionare come agenti autonomi in grado di scoprire attivamente problemi, formulare ipotesi e eseguire soluzioni attraverso un impegno autodiretto con ambienti e strumenti. Questa capacità fondamentale segna l'alba dell'Età dell'Agenzia AI, guidata da un cambiamento critico del settore: l'urgente necessità di sistemi AI che non si limitano a pensare, ma lavorano. Mentre l'AI attuale eccelle nel ragionamento e nella generazione di risposte, le industrie richiedono agenti autonomi in grado di eseguire compiti, operare strumenti e produrre risultati nel mondo reale. Man mano che l'intelligenza agentica diventa la caratteristica distintiva che separa i sistemi cognitivi dai lavoratori produttivi, coltivare in modo efficiente l'autonomia delle macchine diventa fondamentale. Gli approcci attuali presuppongono che più dati producano una migliore agenzia, seguendo le tradizionali leggi di scala del modeling linguistico. Noi sfidiamo radicalmente questo paradigma. LIMI (Less Is More for Intelligent Agency) dimostra che l'agenzia segue principi di sviluppo radicalmente diversi. Attraverso un focus strategico sullo sviluppo collaborativo del software e sui flussi di lavoro della ricerca scientifica, mostriamo che un'intelligenza agentica sofisticata può emergere da dimostrazioni minime ma strategicamente curate di comportamento autonomo. Utilizzando solo 78 campioni di addestramento progettati con cura, LIMI raggiunge il 73,5% sui benchmark completi di agenzia, superando nettamente i modelli all'avanguardia: Kimi-K2-Instruct (24,1%), DeepSeek-V3.1 (11,9%), Qwen3-235B-A22B-Instruct (27,5%) e GLM-4.5 (45,1%). Ancora più sorprendente, LIMI dimostra un miglioramento del 53,7% rispetto ai modelli addestrati su 10.000 campioni, raggiungendo un'intelligenza agentica superiore con 128 volte meno campioni. Le nostre scoperte stabiliscono il Principio di Efficienza dell'Agenzia: l'autonomia delle macchine emerge non dall'abbondanza di dati, ma dalla cura strategica di dimostrazioni agentiche di alta qualità.

English

We define Agency as the emergent capacity of AI systems to function as autonomous agents actively discovering problems, formulating hypotheses, and executing solutions through self-directed engagement with environments and tools. This fundamental capability marks the dawn of the Age of AI Agency, driven by a critical industry shift: the urgent need for AI systems that don't just think, but work. While current AI excels at reasoning and generating responses, industries demand autonomous agents that can execute tasks, operate tools, and drive real-world outcomes. As agentic intelligence becomes the defining characteristic separating cognitive systems from productive workers, efficiently cultivating machine autonomy becomes paramount. Current approaches assume that more data yields better agency, following traditional scaling laws from language modeling. We fundamentally challenge this paradigm. LIMI (Less Is More for Intelligent Agency) demonstrates that agency follows radically different development principles. Through strategic focus on collaborative software development and scientific research workflows, we show that sophisticated agentic intelligence can emerge from minimal but strategically curated demonstrations of autonomous behavior. Using only 78 carefully designed training samples, LIMI achieves 73.5% on comprehensive agency benchmarks, dramatically outperforming state-of-the-art models: Kimi-K2-Instruct (24.1%), DeepSeek-V3.1 (11.9%), Qwen3-235B-A22B-Instruct (27.5%), and GLM-4.5 (45.1%). Most strikingly, LIMI demonstrates 53.7% improvement over models trained on 10,000 samples-achieving superior agentic intelligence with 128 times fewer samples. Our findings establish the Agency Efficiency Principle: machine autonomy emerges not from data abundance but from strategic curation of high-quality agentic demonstrations.