Le filThèmes : ÉvaluationsAgentsRecherche
AgentWorld, un nouveau benchmark open source, évalue la collaboration de longue durée entre agents LLM
1 sourcemis à jour 28 sept.pertinence 3,8 sur5
L’essentiel
Il compte 100 tâches annotées par des humains, avec 100 variantes augmentées, dans un bac à sable de MMORPG. Sur les quatre modèles testés, le meilleur atteint seulement 52,0 % de réussite des tâches.
Propagation1 article, publié par HF Daily Papers le 28 sept..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceRaphael Shu, Yusen Zhang, Young Min Cho et al.huggingface.co
AgentWorld: Benchmarking Long-Horizon Collaboration of Multi-agent LLMs (site externe)
Existing multi-agent benchmarks primarily test in competitive settings, short-horizon interactions under 20 steps, or simply aggregate individual performance, failing to isolate and highlight genuine collaboration capabilities of LLM-based agents.
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