De nouvelles recherches sur l'amélioration de l'auto-réflexion dans les agents linguistiques. Un problème central avec l'auto-réflexion des agents est que les modèles ont tendance à générer des réflexions répétitives qui ajoutent du bruit au lieu de signal, nuisant ainsi à la performance globale du raisonnement. Cela introduit ParamMem, un module de mémoire paramétrique qui encode directement les motifs de réflexion inter-échantillons dans les paramètres du modèle, puis utilise un échantillonnage contrôlé par température pour générer des réflexions diverses au moment de l'inférence. ParamMem montre des améliorations constantes par rapport aux références SOTA dans la génération de code, le raisonnement mathématique et le QA multi-sauts. Il permet également un transfert faible à fort et une auto-amélioration sans avoir besoin d'un modèle externe plus puissant, ce qui en fait une mise à niveau pratique pour les pipelines agentiques. Article : Apprenez à construire des agents IA efficaces dans notre académie :