Les agents d'entreprise deviennent des systèmes de données

Data Intelligence Agents propose une architecture à trois rôles : Data Interpreter, Schema Creator et Query Generator ¹¹. Le système cible un problème dur : découvrir, structurer et requêter les données d’entreprise sans intégration manuelle interminable. Ça marche si les agents comprennent vraiment les schémas et gardent une trace de leurs choix. Ça ne marche pas si la génération SQL masque les erreurs de modèle.

Turing Rewards attaque un autre angle : apprendre des simulateurs d’utilisateurs humains ⁴. L’idée consiste à entraîner un LLM à produire des réponses humaines plausibles pour tester des assistants et des systèmes personnalisés. C’est utile quand les vrais utilisateurs coûtent cher à mobiliser. Le risque est évident : un simulateur trop propre donne des agents bons au laboratoire, faibles en production.

Multi-Agent Fictitious Play vise les décisions complexes où le simple découpage de tâche échoue ¹⁵. Le système fait interagir plusieurs agents autour de stratégies, plutôt que de déléguer mécaniquement des sous-problèmes. Ça marche pour négociation, allocation de ressources et planification incertaine. Mais l’orchestration devient vite coûteuse si chaque agent raisonne trop longtemps.

Verdict : les agents gagnent en sérieux quand ils gèrent données, incertitude et interactions. Le chatbot isolé perd du terrain.

Zero-Shot Long-Horizon Dexterous Manipulation utilise un VLM pour produire des plans de tâches 3D depuis des vues RGB calibrées ². Le point fort est l’absence d’entraînement de bout en bout. Cela réduit le coût initial et accélère les tests sur nouveaux objets. Ça marche pour des environnements contrôlés, moins pour une cuisine mal rangée.

Do as I Do transforme des vidéos humaines ordinaires en données de manipulation robotique ⁶. Le papier tente de franchir le fossé entre gestes humains et corps robotique. C’est une piste forte, car internet contient déjà une quantité massive de gestes filmés. Le défi reste l’incarnation : une main humaine ne se traduit pas directement en pince robotique.

Modeling Branches for Active Manipulation cible la robotique agricole ¹⁴. Le système estime les paramètres matériels de branches végétales pour repositionner, stabiliser et dégager la vue. Le cas paraît étroit, mais il est précieux. Les plantes sont souples, variables et difficiles à modéliser.

La perception active ajoute une brique transversale ³. Native Active Perception as Reasoning évite de regarder toute une longue vidéo quand la question ne l’exige pas. Le modèle adapte l’effort à la difficulté. Ça marche si le système sait quand chercher plus loin.

Rubric-Conditioned Self-Distillation propose de post-entraîner des modèles de raisonnement sans annotations coûteuses de chaîne de pensée ⁹. La méthode remplace une supervision lourde par des rubriques. C’est attractif pour réduire le bruit humain et le coût d’annotation. Ça ne suffit pas si les rubriques restent vagues.

Explaining Attention with Program Synthesis veut approximer des têtes d’attention avec des programmes exécutables ¹². Le but est clair : remplacer une matrice opaque par une description symbolique testable. Ce n’est pas une solution magique à l’interprétabilité. Mais c’est un pas vers des diagnostics que les ingénieurs peuvent lire.

Diffusion-Proof explore la preuve de théorèmes formels par diffusion plutôt que par génération auto-régressive ¹³. Le pari est intéressant, car les preuves demandent une cohérence globale. Les modèles auto-régressifs avancent token par token et se bloquent souvent. La diffusion peut mieux explorer l’espace, mais la validation formelle reste le juge final.

Le corpus LOCUS ajoute une dimension juridique ⁵. Les lois locales américaines manquent souvent dans les corpus. Sans ce niveau local, un assistant juridique peut être brillant sur le droit fédéral et inutile sur une ordonnance municipale. Ça marche si les sources restent à jour.