Le filThèmes : RechercheAgentsÉvaluations
PivotOPD entraîne des agents multitours à éviter leurs erreurs décisives et à s’en remettre
1 sourcemis à jour il y a 6 jpertinence 3,3 sur5
L’essentiel
Ce framework de distillation on-policy obtient la meilleure performance moyenne face à 13 baselines pour des élèves Qwen3-1.7B et Qwen3-8B. Sur ALFWorld, le gain atteint +5,5 % avec l’élève 1.7B, par rapport à la meilleure baseline.
Propagation1 article, publié par HF Daily Papers le 1 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceYinghui He, Yapei Chang, Khushi Bhardwaj et al.huggingface.co
PivotOPD: Learning to Recover from Pivotal Mistakes in Multi-Turn Agents (site externe)
On-policy distillation (OPD) is a promising approach for training language agents, providing dense teacher supervision on student-generated trajectories.
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