Un agente AI che migliora un altro agente in 17 ore: GPT-5.6-Sol porta Kimi K3 da 77,5% a 88,8% su Terminal-Bench 2.1

🚀 Un agente AI che migliora un altro agente in 17 ore

L’esperimento del team di Cline: un solo prompt per 17 ore

Immaginate di dare a un coding agent un unico prompt e lasciarlo lavorare per 17 ore consecutive.

È esattamente quello che ha fatto il team di Cline.

Hanno chiesto a GPT-5.6-Sol di migliorare l’harness di Cline, così che Kimi K3 performasse meglio sul benchmark Terminal-Bench 2.1 (uno dei test più difficili e realistici per agenti che usano il terminale, con 89 task reali).

L’esperimento è documentato nel post Recursive Self Improvement for Coding Agents sul blog di Cline (24 luglio 2026); Terminal-Bench è un benchmark di Stanford e Anthropic con 89 task reali (sito ufficiale).

I risultati su Terminal-Bench 2.1

Risultati dopo 17 ore di lavoro autonomo:

• Score di Kimi K3: da 77,5% (69/89 task) → 88,8% (79/89 task)
• Costo per run: da $79 → $49,8 (−37%)
• Zero fix specifici per il benchmark (niente trucchi)

Il team di Cline afferma che GPT-5.6-Sol ha migliorato in autonomia sia la qualità del coding agent che il consumo di token 🤯

I numeri — 69/89 → 79/89 task e costo per run da $79 a $49,8 — sono riportati nell’annuncio di Cline su X e nel post tecnico sul blog (luglio 2026).

I problemi dell’harness risolti in autonomia

GPT-5.6-Sol ha individuato e risolto da solo problemi reali dell’harness:

• retry intelligenti sui rate limit
• loop detector più smart (che non uccideva più processi legittimi)
• prevenzione di “suicidi” del processo

Intervento umano quasi zero. Solo un prompt iniziale e qualche “continua” ogni tanto.

Cosa dimostra questo esperimento

Questo dimostra due cose importanti:

1) I modelli di frontiera sono già in grado di fare miglioramento automatico su sistemi complessi.

2) Il vero collo di bottiglia non è più il modello, ma l’harness e il modo in cui lo usiamo.

L’era degli agenti che ottimizzano altri agenti

Cline è open source, quindi chiunque può replicare lo stesso processo.

Siamo entrati nell’era in cui un agente AI ottimizza un altro agente AI.

Che ne pensate?