Toutes les news taguées avec ce sujet.
Une méthode d'entraînement assistée par un enseignant réduit le coût de communication des agents IA tout en améliorant l'atteinte de leurs objectifs sociaux.
Un nouveau modèle du monde corrige les raisonnements bruités des agents LLM plutôt que de simuler les retours des outils.
Une méthode transforme les décisions de contrôle récurrentes des agents LLM en code exécutable réutilisable, réduisant drastiquement le nombre d'appels au modèle.
Une couche de croyances explicite pour les agents LLM permet de contrôler leur ouverture à la persuasion et de reproduire trois régimes canoniques de dynamique d'opinions à la demande.
Une couche zéro-paramètre entre récupération et génération réduit les hallucinations dues aux mémoires contradictoires de plus de 56%.
Un nouveau benchmark de 500 vulnérabilités réelles révèle les limites des agents LLM pour localiser précisément le code vulnérable dans un dépôt.
Un nouveau framework identifie et neutralise les souvenirs nuisibles dans la mémoire des agents LLM, sans les supprimer définitivement.
Une architecture hybride couple un encodeur de graphe et un agent PPO pour fiabiliser les LLM analystes en cybersécurité à grande échelle.
Un nouveau cadre fait évoluer conjointement l'environnement d'exécution et la politique des agents LLM pour réduire les comportements dangereux.
Un framework léger prédit l'issue d'une tâche d'agent avant sa fin, coupant jusqu'à 44% des tokens consommés sans perte de précision.