Le filThèmes : RechercheAgents
SAGE guide le raisonnement long des LLM par une structure topologique pour réduire deux biais
1 sourcemis à jour 28 sept.pertinence 3,3 sur5
L’essentiel
Le cadre SAGE combine une sparsification algébrique et un guidage hyperbolique. Il surpasse des références sur 12 benchmarks et 7 familles de modèles, avec jusqu’à 8 fois mieux sur le problème d’Andrews-Curtis.
Propagation1 article, publié par HF Daily Papers le 28 sept..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceXinyue Zeng, Jiawei Zhang, Yujun Yan et al.huggingface.co
SAGE: Mitigating Long-Horizon Reasoning Biases via Topological Guidance (site externe)
Long-horizon reasoning remains a central challenge for large language models (LLMs) under sparse-reward regimes.
Sur les mêmes thèmes
Agents
SkillSeek montre que BM25 rivalise avec la recherche agentique de skills pour les agents
Agents
PUBG Ally, un agent incarné vocal, joue comme coéquipier d’IA dans PUBG : BATTLEGROUNDS
Agents
DAEDALUS construit une mémoire d’agent à partir de tâches que des agents génèrent eux-mêmes
Agents
VeriHarness transforme le LLM d’un générateur en agent vérificateur pour les tâches longues
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