# Dory1.0-4B migliora l’accuratezza ripetendo i calcoli

> Il modello da 4 miliardi di parametri può eseguire più volte lo stesso blocco durante l’inferenza, scambiando un maggiore carico di calcolo con risultati migliori nei benchmark senza aumentare la cache KV.

Oossa · 2026-11-04 · https://oossa.com/it/dory1-0-4b-uses-repeatable-computation-to-boost-accuracy

I ricercatori hanno presentato Dory1.0-4B, un modello linguistico da 4 miliardi di parametri il cui blocco condiviso può essere eseguito più volte durante l’inferenza. In questo modo, un unico checkpoint può utilizzare quantità diverse di calcolo, senza dover ricorrere a un modello più grande per ogni livello di risorse.

Secondo lo studio, con due o più cicli il modello ha superato in media diversi modelli più grandi su 12 benchmark. Con quattro cicli, Dory ha generato da 1,3 a 2,5 volte meno token nei benchmark agentici rispetto a un solo ciclo. I ricercatori affermano che l’occupazione della cache KV del modello resta invariata indipendentemente dal numero di cicli e hanno pubblicato checkpoint in quattro formati.

## I fatti

- Preaddestrato su 6 trilioni di token; la lunghezza del contesto è stata estesa a 256K token.
- I checkpoint aperti sono disponibili nei formati BF16, MXFP8, NVFP4 e GGUF.

## Perché conta

Per chi sviluppa software e deve scegliere un modello aperto, Dory consente di aumentare il calcolo in fase di inferenza senza ampliare la cache KV. I miglioramenti nei benchmark riportati nello studio, però, non garantiscono gli stessi risultati in ogni applicazione.

## Fonti e riferimenti

1. [Dory1.0-4B: A Looped Normalized-GPT](https://arxiv.org/abs/2611.03998) – arXiv, 2026-11-04

Ultimo aggiornamento: 2026-11-04