Le filThèmes : RechercheAgentsÉvaluations
DISCO répartit un long contexte entre plusieurs LLM pour éviter la dégradation du raisonnement
1 sourcemis à jour 29 sept.pertinence 3,4 sur5
L’essentiel
Un LLM pilote, entraîné par le GRPO, orchestre les LLM de travail. Sur RULER-QA (1 million de tokens), DISCO garde 78,4 % de précision. Selon les auteurs de DISCO, les coûts d’inférence baissent de plus de 80 %.
Propagation1 article, publié par HF Daily Papers le 29 sept..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceGuanzheng Chen, Viet Dac Lai, Subhojyoti Mukherjee et al.huggingface.co
DISCO: Distributed Long Context Scaling with Grounding-Reasoning Disaggregation (site externe)
We propose Grounding-Reasoning Disaggregation via DIStributed long COntext scaling (DISCO).
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