Le filThèmes : AgentsRecherche
L’Adaptive Consistency Graph aide les agents LLM à garder le cap sur les tâches longues
1 sourcemis à jour 29 sept.pertinence 3,5 sur5
L’essentiel
Ce graphe persistant organise les preuves d’exécution et leur provenance. Avec GPT-5.6-luna, le taux de succès moyen passe de 44,5 % avec ReAct à 50,2 %, et de 62,4 % à 73,5 % sur BrowseComp-Plus.
Propagation1 article, publié par HF Daily Papers le 29 sept..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceJiecong Wang, Hao Peng, Zhanyi Wanghuggingface.co
Adaptive Consistency Graph for Long-Horizon Agents (site externe)
Large language model agents can often make reasonable local decisions on short tasks, yet their performance degrades when success requires long sequences of dependent actions and tool calls.
Sur les mêmes thèmes
Agents
SkillSeek montre que BM25 rivalise avec la recherche agentique de skills pour les agents
Agents
PUBG Ally, un agent incarné vocal, joue comme coéquipier d’IA dans PUBG : BATTLEGROUNDS
Agents
DAEDALUS construit une mémoire d’agent à partir de tâches que des agents génèrent eux-mêmes
Agents
VeriHarness transforme le LLM d’un générateur en agent vérificateur pour les tâches longues
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