Le filThèmes : RechercheAgentsÉvaluations
InFlowOp optimise des workflows multi-agents sans étiquettes, avec un coût unique par décision
1 sourcemis à jour il y a 5 jpertinence 3,2 sur5
L’essentiel
Les chercheurs introduisent aussi le benchmark Braid. InFlowOp dépasse les agents seuls de 11,97 % au plus et obtient +9,64 % avec l’optimisation en cours d’exécution, selon l’étude.
Propagation1 article, publié par HF Daily Papers le 2 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceXuehang Guo, Haoyu Wang, Shengyu Chen et al.huggingface.co
Pay for the Fault, Not the Flow: Label-Free In-Flow Multi-Agent Workflow Optimization (site externe)
Large language models (LLMs) increasingly construct multi-agent workflows that decompose a complex task and assign specialist agents from a pool.
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