Le filThèmes : ÉvaluationsRecherche
RealCompanion publie dix relations réelles avec un compagnon d’IA pour évaluer la compréhension d’une personne
1 sourcemis à jour il y a 2 jpertinence 3,0 sur5
L’essentiel
Le benchmark compte 27 218 messages sur 120 jours au plus. Trois systèmes d’agents reconstruisent le persona avec le même score F1 pour un écart de coût de 31 fois.
Propagation1 article, publié par HF Daily Papers le 5 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceArman Behnam, Sunglyoung Kim, Liangwei Yanghuggingface.co
RealCompanion: Benchmarking Human Understanding from Reasoning over Longitudinal Real-World Conversations (site externe)
A companion that talks with a person for months should come to understand them. It should remember what they said, infer who they are, and know when the past bears on the message in front of it.
Sur les mêmes thèmes
Évaluations
SkillSeek montre que BM25 rivalise avec la recherche agentique de skills pour les agents
Évaluations
VeriHarness transforme le LLM d’un générateur en agent vérificateur pour les tâches longues
Évaluations
Une étude montre que la date cachée dans les prompts système fait varier les évaluations de LLM
Évaluations
MILO fait évoluer des harnais d’agents et leur stratégie de recherche, et dépasse huit harnais de référence
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