Le filThèmes : RechercheAgentsÉvaluations
Mise à l’échelle des trajectoires pour les tâches complexes grâce à la réécriture récursive de soi
1 sourcemis à jour il y a 2 jpertinence 3,5 sur5
L’essentiel
Les trajectoires réussies sur des tâches difficiles fournissent une supervision précieuse pour l’amélioration des modèles, mais les harnesses spécialisés introduisent des interventions qui peuvent ne pas être disponibles lors du déploiement.
Propagation1 article, publié par HF Daily Papers le 5 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceZongxia Li, Yucheng Shi, Zhongzhi Li et al.huggingface.co
Scaling Trajectories for Complex Tasks through Recursive Self-Rewrite (site externe)
Successful trajectories on difficult tasks provide valuable supervision for model improvement, but specialized harnesses introduce interventions that may be unavailable during deployment.
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