media Hugging Face Forums · il y a 1 h · open_models

SEMA explore une architecture IA non-transformer utilisant l'Architecture de Symboles Vectoriels

Traduit de English → Français

SEMA est une architecture IA expérimentale qui étudie si la compréhension du langage et le raisonnement peuvent émerger d'une structure sémantique explicite plutôt que de la prédiction du prochain token. Elle sert de système de raisonnement basé sur des instances non paramétrique, utilisant l'Architecture de Symboles Vectoriels (VSA/HDC) sur une mémoire adressable par contenu.

Conception centrée sur le CPU avec support multilingue intégré.
Utilise des représentations internes transparentes au lieu d'embeddings opaques.
Implémente une mémoire relationnelle explicite plutôt que de stocker les connaissances uniquement dans les poids neuronaux.
Emploie des représentations sémantiques composables via VSA/HDC.
Utilise un raisonnement basé sur des graphes au lieu d'une génération autoregressive.

Le projet est open source pour permettre aux chercheurs d'étudier, reproduire et contester l'architecture tout en protégeant la continuité de la recherche indépendante.

Importance 1/3 Confiance 1/3 Hugging Face Forums AI agents Research paper

Lire l'original

HealthClaw : agent open-source avec mémoire auto-évolutive pour la gestion de la santé personnelle longitudinale

Les chercheurs ont développé HealthClaw, une architecture d'agent open-source conçue pour mettre à jour le soutien au fur et à mesure que les routines, préférences, mesures et risques d'une personne évoluent dans le temps. Il sépare les règles de sécurité partagées et les connaissances médicales de la mémoire longitudinale privée contenant des faits de profil, des procédures réutilisables et des traces épisodiques.

arxiv arXiv cs.LG · il y a 5 j

TRACE améliore l'utilisation d'outils par les agents à long terme via l'estimation du crédit au niveau des tours

Les auteurs proposent TRACE (Turn-level Reward Assignment via Credit Estimation), une méthode d'attribution de crédit dense pour l'apprentissage par renforcement agentique qui traite la parcimonie et la haute variance des récompenses de résultat dans les tâches à long terme. En représentant les rollouts comme des transitions d'état aux limites d'appel d'outil et en déduisant les récompenses par action à partir des valeurs d'état de rapport logarithmique, TRACE permet un entraînement efficace sans critiques supplémentaires ni étapes de réglage fin supervisé.

arxiv arXiv cs.AI · il y a 5 j

Le modèle DVM-HALL et la métrique NHAS répondent à la loyauté du commerce autonome

L'article présente le modèle Dynamic Verifiable Multi-Agent Human Agentic Loyalty Loop (DVM-HALL) pour aborder la manière dont les paradigmes traditionnels de fidélité des clients échouent lorsque les agents IA exécutent des décisions d'achat de manière autonome. Il propose un cadre où le choix de la marque est déterminé par l'équité émotionnelle humaine, l'utilité agentique, la confiance calibrée et les risques d'exécution vérifiable dans les environnements de finance décentralisée.

media Latent Space · il y a 6 j

Lila Sciences vise la superintelligence scientifique via des laboratoires humides guidés par l'IA

Lila Sciences construit une infrastructure de laboratoire automatisée conçue pour fonctionner comme un centre de données, visant à atteindre la superintelligence scientifique en générant d'immenses quantités de données validées expérimentalement. L'entreprise traite le laboratoire comme un générateur de tokens infini, utilisant la robotique guidée par l'IA et des modèles de vision-langue pour exécuter des expériences 24h/24 et 7j/7 en biologie, chimie, découverte de médicaments et science des matériaux.

arxiv arXiv cs.CL · il y a 6 j · 1 vue

MemCon apprend la gestion adaptative de la mémoire pour les agents LLM

Les chercheurs présentent MemCon, un cadre qui modélise les opérations de mémoire comme un processus décisionnel markovien pour apprendre une politique en ligne pour la récupération et la consolidation adaptatives dans les agents LLM. Contrairement aux heuristiques statiques, cette approche décide dynamiquement quand et combien récupérer en fonction du contexte.