Le filThèmes : AgentsÉvaluationsRecherche
VeriHarness transforme le LLM d’un générateur en agent vérificateur pour les tâches longues
1 sourcemis à jour il y a 2 jpertinence 3,8 sur5
L’essentiel
Avec une révision fondée sur les preuves, le gain moyen sur une seule passe atteint 6,2 points avec Gemini 3.5 Flash et 6,4 avec Claude Opus 4.8. Environ 26 000 rollouts, produits pour plus de 100 000 dollars, sont publiés.
Propagation1 article, publié par HF Daily Papers le 5 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceCaiqi Zhang, Rujun Han, Zifeng Wang et al.huggingface.co
VeriHarness: Scaling Agentic Verification for Long-Horizon Tasks (site externe)
As LLM agents undertake increasingly complex, long-horizon tasks, verifying their outputs becomes increasingly challenging.
Sur les mêmes thèmes
Agents
SkillSeek montre que BM25 rivalise avec la recherche agentique de skills pour les agents
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
Évaluations
TraceDance construit automatiquement des benchmarks de comportement d’agents à partir de traces réelles
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