Le filThèmes : AgentsRechercheOpen source
DAEDALUS construit une mémoire d’agent à partir de tâches que des agents génèrent eux-mêmes
1 sourcemis à jour il y a 12 hpertinence 3,8 sur5
L’essentiel
Sur AppWorld, τ²-bench et AutomationBench, la méthode améliore le taux de succès moyen de 15,9 points au plus face à une base sans mémoire. Le code est publié sur GitHub.
Propagation1 article, publié par HF Daily Papers le 7 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceAntoine Edy, Max Conti, Victor Xing et al.huggingface.co
DAEDALUS: Bootstrapping Agent Memory from Self-Generated Tasks (site externe)
LLM agents often lack the operational knowledge to act reliably in new environments, as they must discover specific tool behaviors or environment conventions on their own.
Sur les mêmes thèmes
Recherche
AlignOPSD aligne la supervision avant d’attribuer le crédit pour distiller des agents à long horizon
Agents
TimeEvo fait évoluer un agent de séries temporelles à partir de ses échecs diagnostiqués
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