De nouveaux benchmarks évaluent si les agents LLM peuvent faire évoluer leurs compétences

Plusieurs nouveaux articles publiés sur arXiv se penchent sur la capacité des agents LLM à progresser au fil du temps en accumulant compétences, souvenirs ou expérience. ContinualSkillBench montre que l’exécution séquentielle améliore généralement les performances dans cinq domaines, mais que les gains varient selon le modèle et le domaine, et que l’apprentissage en contexte obtient en moyenne des résultats comparables à la maintenance explicite de compétences. Des travaux connexes étudient la récupération de compétences sensible au domaine, les évaluations en flux continu pour les agents auto-évolutifs, la mémoire traçable au fil des échanges pour l’apprentissage par renforcement agentique, ainsi que l’optimisation de systèmes de recommandation pilotée par des LLM.