Le filThèmes : AgentsRechercheOpen source
TimeEvo fait évoluer un agent de séries temporelles à partir de ses échecs diagnostiqués
1 sourcemis à jour 28 sept.pertinence 3,5 sur5
L’essentiel
Depuis une bibliothèque d’outils vide, TimeEvo améliore la précision sur dix tâches de questions-réponses et trois modèles de base. Une bibliothèque construite sur un modèle peu coûteux profite aussi à des modèles plus puissants.
Propagation1 article, publié par HF Daily Papers le 28 sept..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceJie Yang, Yan Zheng, Jiarui Sun et al.huggingface.co
TimeEvo: Failure-Driven Self-Evolution of a Time Series Agent (site externe)
Time series agents answer analytical questions by calling external tools, and which tools they carry is decided by people before the agent runs. However, we identify two failures in this setup.
Sur les mêmes thèmes
Agents
DAEDALUS construit une mémoire d’agent à partir de tâches que des agents génèrent eux-mêmes
Recherche
AlignOPSD aligne la supervision avant d’attribuer le crédit pour distiller des agents à long horizon
Agents
GraphForge synthétise des espaces de travail à partir de fichiers réels pour entraîner des agents
Recherche
DeskForge construit un corpus de 1,2 million d’observations de bureau pour des agents d’usage d’ordinateur
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