Toutes les news taguées avec ce sujet.
Un nouveau benchmark teste si les agents peuvent apprendre de leurs propres erreurs.
Une nouvelle architecture de mémoire permet aux agents IA d'améliorer leurs compétences en isolant précisément l'origine de leurs échecs.
Une étude méthodologique montre que plusieurs preuves d'auto-amélioration des LLM sont en réalité des artefacts de mesure, une fois comparées à un modèle témoin figé.
Ornith-1.5 explore une méthode de self-improvement itérative basée sur du self-scaffolding pour booster les performances des LLM.
Une réévaluation montre que les agents à mémoire textuelle progressent surtout grâce à l'ordre des tâches, pas à une réelle amélioration.
Prime Intellect dévoile un agent basé sur un modèle de raisonnement capable d'améliorer ses propres capacités au fil de son utilisation.
Un framework qui apprend à améliorer son propre harnais d'agent, testé sur la génération automatique de posters académiques.