Le filThèmes : RechercheÉvaluationsAgents
Une étude montre que des agents LLM favorisent certaines sources lorsqu’ils choisissent un produit
1 sourcemis à jour il y a 2 jpertinence 3,0 sur5
L’essentiel
Sur 12 modèles d’agents, un élément qui remplit une exigence de moins est choisi environ deux fois sur trois s’il vient d’une source préférée. Masquer la source ou fournir les informations manquantes réduit ce biais.
Propagation1 article, publié par HF Daily Papers le 5 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceJonghyun Song, Haewon Park, Jeonghoon Shim et al.huggingface.co
Source Preference in the Wild: How LLM Agents Favor Items by Source, and How to Reduce It (site externe)
As LLM agents decide on users' behalf which product to buy, which hotel to book, or which paper to cite, a preference for items from certain sources (the sites or services they come from) shapes what users receive and which sources are selected.
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