- cs.LGOctopus: One Brain, Many Branches for Latent-KV Multi-Agent Reinforcement LearningTianming Sha
Octopus permet à plusieurs agents fondés sur un même modèle d’explorer un problème en parallèle tout en partageant directement leur mémoire de calcul, au lieu de recopier leurs échanges sous forme de texte. Sur des tâches de recherche, cette organisation …
- cs.LGSteelAgent: LLM-Orchestrated, Physics-Informed Steel Property Prediction with Audited Generalization and Cali…Aleksandr Volkov, Roman Sultimov, Mikhail Kuzin, Yury Maximov
SteelAgent associe des connaissances sur les métaux et des modèles informatiques pour prévoir la résistance de l’acier, estimer l’incertitude et aider à concevoir des alliages. L’étude montre que les performances paraissent bien meilleures lorsque les données de test ressemblent aux …
- cs.AIWhen Does Test-Time Search Help World Action Models? An Empirical Audit of Candidate Selection and Simulator …Jun Liu, Dajie Sun, Zhenglun Kong, Zhenjiang Fan, Peiyan Dong, Fan Yang et al.
Les chercheurs ont vérifié si consacrer plus de calcul à choisir des actions candidates améliore réellement le contrôle de robots, et si ces gains sont mesurés de façon fiable. Dans la configuration testée, les méthodes de sélection et les économies …
Chaque jour de semaine, les nouveaux articles de vos catégories, chacun avec un court résumé. Voir un digest complet →