Le filThèmes : RechercheAgents
EVOKE, une méthode de post-entraînement, vise à faire ressortir les connaissances du monde des agents LLM
1 sourcemis à jour il y a 6 jpertinence 3,2 sur5
L’essentiel
La méthode classe les mêmes actions candidates sous des objectifs différents, à état fixé. Selon les auteurs, elle améliore les performances, la généralisation à des environnements inédits et l’efficacité en données.
Propagation1 article, publié par HF Daily Papers le 1 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceYuhan Guo, Jinming Liu, Liang Xu et al.huggingface.co
EVOKE: Eliciting World Knowledge in Agents for Transferable Decision-Making (site externe)
Large language models (LLMs) are increasingly deployed as agents for multi-step decision-making, yet transfer poorly to unseen environments.
Sur les mêmes thèmes
Agents
SkillSeek montre que BM25 rivalise avec la recherche agentique de skills pour les agents
Agents
PUBG Ally, un agent incarné vocal, joue comme coéquipier d’IA dans PUBG : BATTLEGROUNDS
Agents
DAEDALUS construit une mémoire d’agent à partir de tâches que des agents génèrent eux-mêmes
Agents
VeriHarness transforme le LLM d’un générateur en agent vérificateur pour les tâches longues
À lire ensuite
Modèles
Google DeepMind annonce Gemini 4 Argon, déployé d’abord auprès de défenseurs cyber de confiance via Fairwind
Modèles
OpenAI lance GPT-6 Sol et GPT-6 Luna, deux modèles plus économiques qui complètent GPT-6 Astra
Modèles
Anthropic publie Claude Opus 5.5 et OpenAI lance GPT-6 Sol et GPT-6 Luna à environ une heure d’écart
Modèles
Anthropic lance Claude Sonnet 5.5, deuxième modèle de la famille Claude 5.5