Des chercheurs de l’Université de Princeton et de la division FAIR de Meta ont mis au point Self-Direction, une méthode qui transforme les erreurs passées des agents en modules de compétences réutilisables. Chaque correction est enregistrée dans un adaptateur LoRA de rang 16, qui modifie environ 0,02 % des paramètres du modèle sans nécessiter son réentraînement. Sur les modèles Qwen3.6-27B, le taux de réussite a progressé de 17,0 points sur GAIA, de 13,8 points sur Terminal-Bench 2.1 et de 8,9 points sur Claw-Eval. Le taux de résolution des erreurs déjà rencontrées a presque doublé, passant de 9,7 % à 18,9 %, tandis que le taux de correction lors d’une première occurrence est resté à 67,3 %. Cette architecture modulaire pourrait réduire les coûts de calcul et permettre l’inspection, la mise à jour ou la suppression ciblée de compétences individuelles.
Source: Lire l’article original
