No transcript available for this episode.
Source: https://arxiv.org/html/2505.10543v1 Cette étude examine la capacité des grands modèles linguistiques (LLMs) à agir en tant qu’agents intelligents dans des environnements dynamiques, au-delà des tests statiques habituels. Les chercheurs évaluent l’efficacité de diverses techniques de prompting telles que la réflexion, la mutation heuristique et la planification pour améliorer l’adaptabilité des LLMs dans des tâches de prise de décision. Bien que les modèles plus grands aient généralement de meilleures performances, l’étude montre que des stratégies de prompting spécifiques peuvent réduire l’écart de performance pour les modèles plus petits, bien que de manière inconsistante. Les résultats révèlent que, malgré l’amélioration de certaines compétences comme le suivi d’instructions, les LLMs actuels présentent toujours des limitations fondamentales en matière de raisonnement et de coordination spatiale dans les environnements complexes, remettant en question l’idée d’une véritable raisonnement émergent.