ProdottiGwenlake AtlasGwenlake APIServiziRicercaBlogAziendaChi siamoLavora con noiContattaci
ENFRESITJAZH

Ricerca

Gwenlake è nata dalla ricerca accademica, e non ci siamo mai fermati: accanto ai progetti per i clienti, il team porta avanti in modo continuo i propri progetti di ricerca, e una parte di esso insegna e pubblica ancora. È qui che quel lavoro emerge: prototipi da provare nel browser e il codice che pubblichiamo in open source.

Modelli piccoli, transformer, reinforcement learning… e giochi!

Una domanda che incontriamo in ogni progetto: quando un compito è ben definito e verrà eseguito un milione di volte, si prende un grande modello generalista ponendogli il compito nei suoi termini, o si costruisce un modello piccolo attorno alla struttura del compito stesso?

L’abbiamo portata a due giochi il cui punteggio non lascia spazio a discussioni, Tetris e gli scacchi.

Leggi l’articolo completo

Gwenflow, il nostro framework di IA agentica

Gwenflow esegue agenti IA: date a un agente un obiettivo, degli strumenti, una memoria e un modello, e lui ragiona, agisce, osserva e ricomincia finché l’obiettivo non è raggiunto. È l’SDK dietro ogni sistema agentico che costruiamo, e lo abbiamo scritto noi stessi per controllare ogni riga di codice che i nostri agenti eseguono.

  • Python
  • Licenza MIT
  • pip install gwenflow
Vedi su GitHubParla con il nostro team
from gwenflow import Agent, ChatMistralfrom gwenflow.tools import Tool def accounts_at_risk(period: str, min_drop: int = 10) -> list[dict]:    """Accounts whose usage fell by at least `min_drop` percent."""    return crm.query(period=period, trend="down", min_drop=min_drop) agent = Agent(    name="Account review",    instructions="Rank the accounts at risk, with the figures.",    llm=ChatMistral(),    tools=[Tool(accounts_at_risk)],) response = agent.run("Which accounts are at risk this quarter?")

  • Qualsiasi modello, una sola API

    OpenAI, Anthropic, Mistral, Google, DeepSeek, un Ollama locale o la nostra API: si cambia fornitore con un import e il codice dell’agente resta lo stesso. Ragionamento, streaming e immagini, audio o PDF arrivano per la stessa via.

  • Agenti, strumenti e team

    Un agente esegue il ciclo: chiama il modello, lancia gli strumenti, legge i risultati, ricomincia fino alla fine. Qualsiasi funzione Python diventa uno strumento. Date a un agente un team di specialisti e delegherà a loro; le pipeline più lunghe sono DAG scritti in codice o in YAML.

  • Produzione inclusa

    Output strutturato come modelli Pydantic, pipeline RAG con lettori di documenti e vector store, skill caricate su richiesta e tracciamento OpenTelemetry fin dall’inizio.

Librerie di ricerca

Più piccole e più mirate. Ciascuna è nata da un problema che abbiamo dovuto risolvere per noi stessi.