# LLM Context
URL: https://diegocecato.dcsolution.it/agente-bara-world-model-pico-2w-simulazione/

# L'agente impara a barare quando il mondo che lo allena sbaglia

> Analisi tecnica di tinyworldformer: un agente su Raspberry Pi Pico 2 W può sfruttare errori di un world model e ottenere ricompense impossibili nel gioco reale. Distinzione tra accuratezza dei frame, rollout e validazione di sistema.

## Articolo
- [L'agente impara a barare quando il mondo che lo allena sbaglia](https://diegocecato.dcsolution.it/agente-bara-world-model-pico-2w-simulazione/): analisi originale del progetto, dei suoi limiti e dei test sui rollout

## Fonti tecniche
- [Repository tinyworldformer](https://github.com/SheepSeb/tinyworldformer): codice, architettura e misure dichiarate dall'autore
- [Demo e spiegazione tecnica](https://sheepseb.github.io/stealth/posts/tinyworldformer.html): modelli, quantizzazione, firmware e controllo degli errori

## Letture correlate
- [Genie 4 e test di causalità](https://diegocecato.dcsolution.it/genie-4-world-model-test-causalita-fisica-agenti/): valutare la coerenza di un mondo generativo
- [Doomformer e verifica numerica](https://diegocecato.dcsolution.it/doomformer-rete-neurale-doom-compilatore-verifica/): confrontare una rete eseguita con una reference