118 articles
Cet article propose une nouvelle discipline, l'ingénierie du contexte, qui, complétée par l'ingénierie de l'intention et de la spécification, forme un modèle de maturité pyramidal essentiel pour passer du simple prompt engineering à des architectures multi-agents autonomes et évolutives au sein des entreprises.
Le papier présente FetalAgents, le premier système multi-agents conçu pour orchestrer dynamiquement des experts visuels spécialisés afin d'offrir une analyse complète, précise et automatisée des images et vidéos d'échographie fœtale, générant ainsi des rapports cliniques structurés qui surpassent les modèles existants.
Cet article propose un système de cohérence des capacités (CCS) qui établit une équivalence structurelle entre les modèles de cohérence mémoire et la révocation d'autorisations multi-agents, démontrant que la stratégie RCC réduit drastiquement les opérations non autorisées par rapport aux méthodes basées sur le temps, indépendamment de la vitesse d'exécution des agents.
Cet article propose un cadre novateur où les prompts sont paramétrés comme des actions au sein d'une politique légère pour influencer dynamiquement les comportements de dialogue des agents multi-agents basés sur les grands modèles de langage, sans nécessiter d'entraînement.
Cet article étend l'équation des abeilles à un modèle basé sur des agents où la valence et l'éveil émotionnels modulent les taux d'interaction, démontrant ainsi comment la contagion émotionnelle et les points de bascule structurels influencent la formation du consensus dans les décisions collectives.
Cette étude de synthèse examine l'application de la théorie de l'utilité au modèle cognitif en robotique, en retraçant son évolution depuis la robotique basée sur le comportement jusqu'aux systèmes de valeurs actuels, tout en identifiant les défis ouverts et les perspectives de recherche pour les systèmes mono et multi-agents.
Cette étude démontre que des agents algorithmiques apprenant sans modèle préalable peuvent développer une « collusion naïve » dans des jeux répétés, un phénomène dont l'émergence dépend crucialement de la synchronisation des actions et du type de politique d'apprentissage utilisée, allant de l'absence totale de collusion avec des algorithmes persistamment aléatoires à une collusion systématique avec des algorithmes déterministes comme UCB.
Ce papier identifie le biais d'adhésion limitant les vérificateurs basés sur les MLLM et propose la méthode SGV, qui améliore significativement la détection des échecs et les performances d'agents autonomes en générant d'abord des priors indépendants avant d'évaluer les trajectoires.
Cette étude démontre une asymétrie fondamentale dans l'inférence comportementale à grande échelle, où les motivations sont déduites avec une précision quasi parfaite (98-100 %) tandis que les systèmes de croyances restent largement indétectables (plafonnant à 49 % même avec des architectures avancées), révélant que la limite de l'inférence réside dans l'ambiguïté structurelle des croyances plutôt que dans les capacités des modèles.
L'article présente SelfOrg, un cadre d'auto-organisation pour les systèmes multi-agents basés sur les LLM qui optimise dynamiquement leur structure de communication en utilisant la valeur de Shapley pour réguler la propagation des réponses, démontrant ainsi une robustesse supérieure, notamment avec des modèles faibles, sans nécessiter de supervision ni d'entraînement supplémentaire.
Le papier présente FOR-Prompting, un protocole de prompting asymétrique qui améliore le raisonnement et l'auto-révision des modèles de langage en faisant intervenir un « Défenseur », un « Débateur » et un « Hôte », permettant ainsi d'obtenir des performances supérieures aux méthodes classiques sans nécessiter d'entraînement ni d'accès aux paramètres internes du modèle.
Le papier présente CRAwDAD, un cadre de débat à deux agents utilisant des modèles de raisonnement pour améliorer la précision de l'inférence causale en simulant un dialogue critique entre hypothèses concurrentes, ce qui a permis d'augmenter significativement les performances des modèles Qwen3 et DeepSeek-R1 sur le jeu de données CLadder.
Ce papier propose MAS-Orchestra, un cadre d'apprentissage par renforcement qui orchestre les systèmes multi-agents de manière holistique via des appels de fonctions, et introduit MASBENCH pour démontrer que les gains de performance dépendent de la structure des tâches, permettant ainsi d'obtenir des améliorations significatives et une efficacité supérieure sur divers benchmarks.
Le papier présente LatentMem, un cadre de mémoire multi-agent apprenable qui surmonte l'homogénéisation et la surcharge d'informations grâce à une composition de mémoires latentes spécifiques aux agents et à une optimisation par politique (LMPO), permettant d'obtenir des performances supérieures sans modifier les systèmes existants.
Cet article propose un benchmark multi-KPI sur l'environnement CityLearn pour évaluer les algorithmes d'apprentissage par renforcement multi-agents (MARL) dans la gestion de l'énergie urbaine, démontrant que l'entraînement décentralisé surpasse l'entraînement centralisé et que l'apprentissage des dépendances temporelles améliore la durabilité des batteries.
Cet article propose un cadre de benchmarking systématique pour l'allocation de ressources radio dans les réseaux C-V2X en utilisant l'apprentissage par renforcement profond multi-agents, où des jeux d'interférence progressifs et des données SUMO permettent d'isoler les défis clés et révèlent que la robustesse et la généralisation des politiques face à des topologies variées constituent l'obstacle principal, surpassant ainsi les approches basées sur la valeur.
Cette étude évalue l'impact de différentes topologies d'agents multiples sur le diagnostic des maladies rares, révélant qu'une architecture hiérarchique surpasse légèrement les modèles simples ou collaboratifs, tandis que le modèle adversaire dégrade les performances, ce qui soutient la nécessité d'une sélection dynamique des topologies plutôt que d'une complexité accrue systématique.
Cet article étudie les jeux graphiques concurrents où une équipe de joueurs coopère avec des sources de randomisation privées et indépendantes pour atteindre un état cible, démontrant que le problème de seuil se situe dans la théorie existentielle des réels et est NP-difficile, tandis que la quasi-certitude est NP-complète, et introduisant la logique IRATL pour formaliser ces scénarios.
L'article présente NarrativeLoom, un système de co-création narrative multi-personas fondé sur la théorie de la variation aveugle et de la rétention sélective, qui démontre dans une étude contrôlée qu'il améliore significativement la nouveauté, la diversité et la qualité créative des histoires par rapport aux outils actuels, tout en offrant un soutien particulièrement bénéfique aux auteurs novices.
Cet article propose une approche hiérarchique combinant apprentissage par imitation et renforcement pour permettre aux agents d'apprendre à décider quand coopérer ou agir seuls face à des objectifs hétérogènes, surpassant ainsi les méthodes de référence dans des environnements collaboratifs étendus.