Une nouvelle prépublication de chercheurs de Tsinghua et de Microsoft Research Asia présente HarnessMM, une méthode qui permet aux agents de programmation d’éviter certains appels prévisibles aux modèles de langage. Sur DeepSeek Harness, le nombre de jetons utilisés par tâche est tombé de 96,28 k à 11,62 k, soit une réduction d’environ 88 %, tandis que le taux de réussite a progressé de 71,43 % à 85,71 %. Sur MBPP-sanitized, les jetons par tâche ont diminué de 53,98 k à 10,61 k, et le taux de réussite a légèrement augmenté, de 90,27 % à 91,83 %. Applied à Codex sur HumanEval, la méthode a réduit de 29,54 % l’utilisation de jetons, sans baisse du taux de réussite de 90,82 %. Les gains proviennent de l’optimisation de l’orchestration des appels et ne nécessitent aucun réentraînement du modèle.
Source: Lire l’article original
