Le filThèmes : ÉvaluationsAgentsRecherche
Une étude montre où les agents qui utilisent des outils échouent entre la collecte de preuves et l’action
1 sourcemis à jour il y a 13 hpertinence 3,4 sur5
L’essentiel
SafeActBench compte 656 cas dans six domaines opérationnels. Sur dix configurations modèle-harnais, une bonne évaluation statique des actions coexiste avec une exécution interactive bien plus faible.
Propagation1 article, publié par HF Daily Papers le 7 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceHongzhan Lin, Shidong Cao, Ziyang Luo et al.huggingface.co
From Evidence to Action: How Tool-Using Agents Fail (site externe)
Tool-using agents make consequential changes to external state, yet correct outcomes do not guarantee that their actions were supported by evidence established beforehand.
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