Cet article présente la Planification d'Activités de Pensée Autonome Rythmée par les Battements pour les agents LLM, visant à surmonter les flux de contrôle rigides et réactifs. Le système permet une autorégulation proactive, adaptative et continue en orchestrant dynamiquement des modules cognitifs, mimant le rythme de la cognition humaine.
Credo présente un nouveau cadre pour le contrôle déclaratif des pipelines LLM, représentant l'état sémantique sous forme de croyances et régulant le comportement par des politiques. Cette conception vise à améliorer l'adaptabilité, l'auditabilité et la composabilité des systèmes d'IA agentifs, en s'éloignant des boucles de contrôle impératives fragiles.
Le contenu met en lumière un défaut fondamental des systèmes d'IA actuels : l'incapacité de retenir la mémoire entre les sessions, ce qui empêche la poursuite d'objectifs à long terme ou le fonctionnement autonome. Il présente H.U.N.I.E., un moteur de mémoire persistante et conscient de la confiance, comme solution pour fournir aux agents d'IA le contexte et la capacité d'apprentissage nécessaires.
Cette recherche présente un échafaudage de raisonnement symbolique pour remédier aux limites systématiques des LLMs en matière de raisonnement logique structuré, notamment la confusion entre génération et vérification d'hypothèses. Il met en œuvre l'inférence tripartite de Peirce, assurant une cohérence logique via des invariants algébriques, dont le 'Weakest Link bound' qui empêche les conclusions de dépasser la fiabilité de leur prémisse la moins étayée.
Este artigo discute a necessidade de uma arquitetura robusta para sistemas multiagente em produção, distanciando-se de demos de agente único. Propõe a separação da comunicação agente-ferramenta (MCP) e agente-agente (A2A), juntamente com a observabilidade, como elementos chave para sistemas autônomos e confiáveis.
Les Transformers rencontrent des coûts computationnels élevés et une forte consommation de mémoire pour les longues séquences, et les alternatives perdent les dépendances à long terme. Absorber LLM propose une synchronisation causale auto-supervisée pour absorber les contextes historiques dans les paramètres, garantissant qu'un modèle sans contexte corresponde à l'original avec un contexte complet pour les générations futures.
Le Toeplitz MLP Mixer (TMM) est une nouvelle architecture de type transformateur qui remplace l'attention par une multiplication de matrice de Toeplitz masquée triangulairement, réduisant significativement la complexité computationnelle à O(dn log n) en temps et O(dn) en espace. Les TMM démontrent une efficacité d'entraînement supérieure et une meilleure rétention d'informations d'entrée par rapport aux transformateurs traditionnels, malgré leur conception plus simple.
Grokers est une architecture innovante pour construire une compréhension persistante et structurée des graphes de connaissances typés via une traversée inductive ascendante. Contrairement au RAG, il déplace l'intelligence au moment de l'écriture, où des agents Groker autonomes analysent et enrichissent les attributs via des modèles de langage pour toutes les futures requêtes sans coût supplémentaire.
ReacTOD propose une architecture neuro-symbolique bornée pour les systèmes de dialogue orientés tâches, reformulant le NLU comme des appels d'outils discrets. Elle améliore la précision jusqu'à 9,3 points de pourcentage et atteint un taux d'autocorrection de 93,1% sur les erreurs interceptées.
Cet article propose une nouvelle architecture pour les LLMs qui ne nécessite pas de réseaux neuronaux profonds. Le modèle, basé sur des réseaux RBF améliorés, atteint l'optimum global de la fonction de perte en une seule itération, supprimant l'étape d'entraînement fastidieuse.
Cet article applique l'architecture A11 comme cadre pour examiner la conscience, en se concentrant sur sa structure verticale au sein des systèmes d'IA. L'objectif est d'identifier la verticalité émergente à l'intérieur des systèmes d'IA et d'en tirer de nouvelles perspectives structurelles, garantissant transparence et reproductibilité.
L'Objet Contexte dans apcore fonctionne comme le "Système Nerveux" de son pipeline d'exécution d'IA, transportant les informations d'état, d'identité et de traçage à travers les tâches complexes des systèmes agentiques. Il résout le problème des appels isolés dans les architectures sans état en fournissant un contexte essentiel, crucial pour le débogage et la sécurité.
L'auteur explique comment il a construit un système d'IA à cinq agents pour automatiser son processus de création de contenu, réduisant le temps de 12 heures à moins de deux par semaine. Le système résout le problème de la
La carte système GPT-5.5 d'OpenAI présente un modèle de langage basé sur les transformeurs, s'appuyant sur GPT-3 avec un accent sur la mise à l'échelle et le réglage fin. Son architecture est principalement de type décodeur uniquement, utilisant des mécanismes d'auto-attention et des réseaux feed-forward.
Cet article examine le concept de "rêves" de l'IA comme un pipeline asynchrone de consolidation de la mémoire qui s'exécute après les sessions utilisateur. Il soutient que cette approche architecturale est significative pour son impact sur l'économie d'inférence et soulève des questions sur la propriété des données.
L'article décrit un passage de l'ingénierie des invites, fragile et complexe pour les grandes applications, à l'orchestration agentique. Ce nouveau paradigme implique que les LLM agissent comme des moteurs de raisonnement qui contrôlent une boucle d'outils et d'états, facilitée par des frameworks comme LangGraph ou CrewAI.
Les sous-agents sont des instances d'IA invoquées par une IA orchestratrice pour gérer des sous-tâches spécifiques au sein de flux de travail complexes. Cette approche permet de décomposer des problèmes complexes en parties gérables pour une performance d'IA plus efficace.
Cet article explore la parallélisation des agents d'IA, en identifiant les approches efficaces et celles qui entraînent une forte consommation de jetons. Il examine les raisons de ces résultats pour optimiser l'efficacité et le coût.
Cet article analyse pourquoi les agents d'IA échouent dans les tâches de longue durée en raison de la dégradation du raisonnement et de la perte d'attention. Il explore les raisons structurelles de ces problèmes et propose des modèles architecturaux pour y remédier.
Les systèmes multi-agents autonomes de conseil en entreprise sont confrontés à une crise de fiabilité due à des comportements incohérents, des violations d'instructions et des vulnérabilités de sécurité. L'article soutient que le contrôle basé sur des prompts est insuffisant, plaidant pour une infrastructure d'orchestration robuste avec une application au niveau du code pour une IA de qualité production.