Le filThèmes : AgentsRechercheOutils dev
TokenCast prévoit la consommation de tokens d’un agent LLM pendant l’exécution de l’agent
1 sourcemis à jour 29 sept.pertinence 3,7 sur5
L’essentiel
La prévision se met à jour sans appel LLM supplémentaire, en 32,8 ms en moyenne par exécution sur SWE-bench Verified. L’erreur absolue moyenne baisse de 14,5 % face au meilleur comparateur, sur 96 combinaisons évaluées.
Propagation1 article, publié par HF Daily Papers le 29 sept..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceChaoqian Ouyang, Ling Yue, Libin Zheng et al.huggingface.co
TokenCast: Forecasting Token Consumption During LLM Agent Execution (site externe)
When a large language model (LLM) agent executes the same task, token consumption can vary by over an order of magnitude across runs.
Sur les mêmes thèmes
Agents
Reasonable explique TLA+ et transforme des spécifications TLA+ en preuves Verus vérifiées par machine
Agents
Des agents de code synthétisent des programmes pour la planification généralisée de tâches et de mouvements
Agents
Omni-IO Skills rend des agents existants omni-natifs grâce à une surcouche de Skills
Outils dev
Simon Willison couvre en direct la keynote de l’OpenAI DevDay 2026 fort Mason, à San Francisco
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