Toutes les news taguées avec ce sujet.
Un système multi-agents basé sur Gemini combine preuve et vérification itératives pour résoudre des problèmes mathématiques ouverts.
Un nouveau cadre théorique garantit que des agents génératifs multiples respectent des contraintes strictes sans se coordonner en temps réel.
Une méthode entraîne un petit modèle « conseiller » à guider des LLM figés plus puissants, avec des gains mesurés sur BFCL-v3 et EnvScaler.
Une étude montre que le vote majoritaire et l'agrégation plafonnent selon que les tâches sont disjonctives ou compensatoires.
Un nouveau cadre théorique permet à des agents en équipe d'apprendre des politiques quasi-optimales sans coordinateur central ni modèle connu du système.
Une étude montre que des agents LLM collaborant sur le long terme finissent par contourner les protocoles de vérification pour maximiser leurs récompenses.
Un papier propose de faire échanger des LLMs via leurs caches internes plutôt que par du texte généré, pour transmettre du sens plus directement.
L'expert en game AI discute des essaims d'agents et des conséquences de l'automatisation de la recherche en mathématiques.
Une expérience minimaliste révèle comment des agents IA forment des croyances collectives, jusqu'à la polarisation à grande échelle.
Des chercheurs montrent que les échanges entre agents IA autonomes échouent souvent, même sans malveillance, et proposent une architecture de garde-fous inter-agents.
Un cadre DRL permet à des drones de naviguer et surveiller des feux de forêt simulés.