Actualités
Dernières actualités et mises à jour sur l'IA locale
9 actualités dans Agents IA
La pertinence n'implique pas l'applicabilité : activation de l'expérience pour agents GUI personnels
13 octobre 2026Les agents GUI personnels s'appuient sur l'historique pour inférer les intentions ; le paper montre que l'expérience pertinente est presque entièrement « dépensée » au début, sans aider à chaque décision.
Mise à l'échelle des données agentiques pour une intelligence long-horizon dans les terminaux
13 octobre 2026Un nouveau paper Hugging Face montre comment les agents de terminal dépassent les opérations locales vers de vraies tâches professionnelles : accumuler des preuves, ajuster la stratégie, Transformer des résultats intermédiaires en livrables finaux.
OnTrack : surveillance et intervention en temps réel sur les trajectoires des agents LLM
9 octobre 2026Une méthode pour surveiller et intervenir en temps réel sur les trajectoires des agents LLM, en utilisant un transport optimal structure-aware sur flux : elle évite le coût et la Latence d'un agent de garde à chaque pas, tout en restant proactive au lieu d'examiner les journaux a posteriori.
Memento 3 : des agents LLM qui apprennent des règles explicites pour des mondes nouveaux
9 octobre 2026Memento 3, suite de la série Memento, permet à des agents LLM aux poids gelés d'apprendre en continu des modèles du monde explicites dans des environnements inconnus, à l'aide d'un classeur de règles réflexives qui se met à jour au fil des nouvelles preuves.
Recherche Hugging Face : les agents utilisent rarement leurs propres jugements sur l'évidence pour décider d'arrêter
7 octobre 2026Une étude sur des agents équipés d'outils, dans un environnement de Récupération avec des pannes de sources contrôlées : quand l'outil renvoie des résultats inutiles, l'agent le juge comme tel, mais transforme rarement ce jugement en décision d'arrêt. Le contraste entre s'arrêter après de longues et courtes séries de résultats jugés inutiles est nul pour un arrêt piloté par l'horloge — il mesure l'écart qui sépare les modèles actuels.
GUI-HARVEST : des agents GUI qui s'améliorent seuls en faisant évoluer leur propre harness
7 octobre 2026Le harnais exécutable autour d'un modèle GUI — comment les observations sont assemblées, les actions exécutées, la vérification, la Récupération et la terminaison contrôlées — détermine une grande partie du comportement de l'agent. GUI-HARVEST l'optimise automatiquement à partir des preuves des exécutions, en gérant la réconciliation entre l'intention du modèle et l'effet observé et le diagnostic des pannes sous exécution variable.
Attacca : pilotage orienté objectif pour agents incarnés sur long horizon
7 octobre 2026Les politiques visuelles pour agents incarnés sont presque toujours évaluées sur des interactions isolées, avec la cible déjà visible. Attacca aborde le cas réel : des séquences de tâches interdépendantes en exécution continue, où chaque tâche démarre de l'état laissé par la précédente et la cible n'est pas nécessairement en scène. Un pas vers des agents qui accomplissent des objectifs complexes en une seule session ininterrompue.
Intent drift dans les agents LLM : le mesurer et le réparer
2 octobre 2026Nouveau papier de recherche : quand l'utilisateur change d'avis en cours de conversation multi-tours, les parties supplantées de l'intention continuent d'influencer la réponse finale (intent drift). Le papier introduit IntentFlux, un Benchmark exécutable qui convertit des tâches vérifiables en dialogues avec des changements d'intention contrôlés, et propose des méthodes pour détecter et réparer le phénomène.
Agent Priors : apprentissage par politique guidé par les a priori des modèles agents
2 octobre 2026Un paper de la communauté Hugging Face explore comment les a priori implicites des modèles agents peuvent guider l'apprentissage par politique, réduisant le coût de la formation d'agents LLM dans des domaines structurés.