IBM détaille ALTK-Evolve, une méthode de mémoire pour agents
Le système récupère des consignes propres à chaque tâche afin de réduire les tokens d’inférence par rapport à ACE.
Pourquoi c'est important
Cette comparaison met en évidence la livraison de mémoire au moment de l’inférence comme un levier de coût et de performance pour les agents IA. La récupération sélective pourrait aider les systèmes agentiques à exploiter l’expérience passée sans payer le coût du chargement d’un playbook complet à chaque étape.
Points clés
- 1.ALTK-Evolve et ACE apprennent tous deux des enseignements réutilisables à partir de trajectoires d’agents.
- 2.Selon IBM, la livraison sélective a réduit le nombre de tokens par tâche par rapport à ACE dans les tests AppWorld.
- 3.La bibliothèque ALTK-Evolve et le rapport technique sont disponibles depuis le billet.
IBM Research a publié un billet sur Hugging Face comparant ALTK-Evolve et ACE, deux approches de mémoire agentique qui transforment les trajectoires passées d’un agent en enseignements réutilisables, sans mise à jour des poids ni annotations humaines. Selon le billet, ALTK-Evolve consolide ces enseignements en consignes récupérables individuellement, tandis qu’ACE utilise un playbook complet injecté à chaque étape. Dans les tests internes AppWorld d’IBM portant sur 168 tâches, ALTK-Evolve a égalé ou dépassé les scores d’ACE en matière d’achèvement des tâches et des scénarios, tout en utilisant moins de tokens par tâche sur DeepSeek-V3.2 et gpt-oss-120b.
⚡ À tester aujourd'hui
Évaluez la récupération sélective de consignes avant d’ajouter de grands prompts de mémoire actifs en permanence aux workflows d’agents.
Sources et articles originaux
Ce brief résume et renvoie vers la couverture des médias ci-dessous.
Ce brief vous a plu ? Recevez le prochain par e-mail.
Plus dans Recherche
Une startup affirme que les données sont essentielles aux avancées de l’IA contre le cancer
Selon TechCrunch, la startup estime que l’IA est encore loin de guérir le cancer sans de meilleures données.
HarnessRisk évalue les défaillances de sécurité dans les harnais d’agents
Le benchmark teste des attaques à différentes phases des harnais d’agents, tandis que des travaux connexes étudient le provisionnement propre à chaque tâche.
Agent Lightning v1.0 cible le RL agentique avec harnais
Le framework relie des harnais d’agents arbitraires au post-entraînement par apprentissage par renforcement.