Le filThèmes : ÉvaluationsRecherche
Une étude compare des modèles de décision et des LLM pour interpréter des intentions dans l’Open RAN 6G
1 sourcemis à jour il y a 1 jpertinence 1,3 sur5
L’essentiel
Jev-1.13.0 respecte le budget de 1 s dans 99,8 % des appels, contre 17,9 % et 0 % pour deux LLM hébergés. L’interprétation médiane prend de 0,286 à 2,35 s.
Propagation1 article, publié par HF Daily Papers le 6 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceDelong Li, Xu Wang, Haochen Gong et al.huggingface.co
Intent Interpretation at RIC Timescales: Jev Decision Models versus Large Language Models in 6G Open RAN (site externe)
Intent-based Open RAN needs an interpreter that turns intents into A1 policies within the loop of the RAN intelligent controller (RIC).
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