Le filThèmes : ÉvaluationsRechercheAgents
ExplorationBench mesure la capacité des systèmes d’IA à explorer des mondes extraterrestres vérifiables
1 sourcemis à jour 25 sept.pertinence 3,3 sur5
L’essentiel
Le benchmark propose deux bacs à sable, AlienCode et AlienLogic, avec 70 tâches chacun. Sur 10 systèmes testés, les plus forts apprennent des règles inconnues, mais leurs résultats varient et l’exploration peut stagner.
Propagation1 article, publié par HF Daily Papers le 25 sept..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceMing Zhang, Zhenghao Xiang, Peizhong Gao et al.huggingface.co
ExplorationBench: Measuring AI Systems' Exploration in Verifiable Alien Worlds (site externe)
Scientific discovery begins where known problems end. There, AI systems must engage in exploration: framing hypotheses, designing experiments, and iterating on the results.
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