Le filThèmes : RechercheAgentsÉvaluations
ProgressCompass aide un modèle de progression à estimer l’avancement de longues tâches robotiques
1 sourcemis à jour il y a 1 jpertinence 2,0 sur5
L’essentiel
Avec le bon contexte, cinq modèles de progression réduisent leur erreur de 77 à 82 %. Dans la boucle agentique ProgressCompass, le même modèle figé réduit son erreur de 63 %.
Propagation1 article, publié par HF Daily Papers le 6 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceJianshu Zhang, Keliang Wu, Chengxuan Qian et al.huggingface.co
ProgressCompass: Embodied Progress Reward Models Are Lost Without the Right Context (site externe)
Embodied agents now take on ever longer tasks. For long tasks, knowing only whether a task finally succeeds or fails says little; the steps along the way matter.
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