Le filThèmes : ÉvaluationsRechercheAgents
Des chercheurs créent Box² Bench pour mesurer si les modèles savent ignorer un guidage externe peu fiable
1 sourcemis à jour il y a 6 jpertinence 3,3 sur5
L’essentiel
Le benchmark compare un même modèle sans workflow, avec un workflow utile et avec un workflow trompeur. Les workflows trompeurs peuvent nettement dégrader les performances, même pour des modèles capables.
Propagation1 article, publié par HF Daily Papers le 1 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceMinghan Wang, Boyuan Wang, Jinhang Zuo et al.huggingface.co
Thinking Outside the Box: Can Language Models Rely on External Guidance Selectively? (site externe)
Thinking Outside the Box: Can Language Models Rely on External Guidance Selectively?
Sur les mêmes thèmes
Agents
SkillSeek montre que BM25 rivalise avec la recherche agentique de skills pour les agents
Agents
VeriHarness transforme le LLM d’un générateur en agent vérificateur pour les tâches longues
Agents
MILO fait évoluer des harnais d’agents et leur stratégie de recherche, et dépasse huit harnais de référence
Évaluations
Des chercheurs suggèrent que les modèles de langage tendent à présenter par défaut des récits de succès
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