# AWS mostra come ottimizzare gli agenti di ricerca con RL multi-turno

> Secondo AWS, il fine-tuning di Qwen3.6-27B con SageMaker AI ha migliorato i risultati in tre dei quattro benchmark di ricerca non usati nell’addestramento e ridotto gli errori su BrowseComp-Plus.

Oossa · 2026-10-02 · https://oossa.com/it/aws-shows-multi-turn-rl-fine-tuning-for-search-agents

AWS ha pubblicato una guida al fine-tuning di un agente di ricerca con l’apprendimento per rinforzo multi-turno su Amazon SageMaker AI. Il metodo addestra l’agente su un’intera sequenza di ricerche, usando la qualità dei risultati finali come ricompensa.

Nella valutazione di AWS, Qwen3.6-27B ottimizzato ha ottenuto risultati migliori in tre dei quattro benchmark non usati nell’addestramento. Su BrowseComp-Plus, il punteggio nDCG@10 è aumentato del 23.7% e il tasso di errore è sceso dal 22.89% allo 0.68%. AWS afferma che l’addestramento ha previsto un’epoca e una dimensione del batch di 128; il testo fornito non riporta una serie completa di risultati.

## I fatti

- AWS segnala un miglioramento del 23.7% nel punteggio nDCG@10 su BrowseComp-Plus.
- Nella valutazione di AWS, il tasso di errore su BrowseComp-Plus è sceso dal 22.89% allo 0.68%.

## Perché conta

Per i team che sviluppano agenti di ricerca su SageMaker AI, i risultati di AWS suggeriscono che il fine-tuning multi-turno può ridurre gli errori nei task, anche se l’estratto fornito non include i risultati completi dei benchmark né i costi di addestramento.

## Fonti e riferimenti

1. [Fine-tune a search agent with multi-turn RL on Amazon SageMaker AI](https://aws.amazon.com/blogs/machine-learning/fine-tune-a-search-agent-with-multi-turn-rl-on-amazon-sagemaker-ai/) – AWS, 2026-10-02

Ultimo aggiornamento: 2026-10-02