Aller au contenu principal

AgentsAnalyse

AutoRL porte Qwen3 de 46,67 % à 66,67 % sur AIME 2024 grâce à des agents qui supervisent l'apprentissage par renforcement

Selon arXiv.org et academy.dair.ai, AutoRL confie à des agents la supervision d'une session d'apprentissage par renforcement en direct, à la place d'une recette figée. Des agents Perceptor surveillent courbes d'entraînement, rollouts et évaluations et signalent les problèmes ; 3 agents Proposer diagnostiquent et proposent des changements ; un Orchestrateur les approuve et les applique par mise à jour à chaud ou reprise depuis un point de contrôle. Qwen3 passe de 46,67 % à 66,67 % sur AIME 2024 ; AIME 2025 et HMMT 2025 gagnent 11,67 points chacun ; le pass@1 de LongCat-Flash-Lite en codage agentique monte de 52,29 % à 65,13 %.

Ce que ça change pour toi

Pour une petite équipe, le principe transposable est la supervision continue d'un entraînement en cours, avec des rôles séparés pour observer, proposer et décider, plutôt qu'une recette figée validée une fois pour toutes. Prévois le calcul nécessaire à la validation de chaque changement avant de t'engager sur ce type de boucle.

CertitudeRapporté
Sources vérifiées2 éditeurs 2 pages publiques
Édition du Radar IA17/11/2026
Publié le17/11/2026 responsabilité éditoriale : Meydeey
Le fait, tel que relevé par le Radar IA

AutoRL confie à des agents la supervision d'une session d'apprentissage par renforcement en direct, à la place d'une recette figée. Des agents Perceptor surveillent courbes d'entraînement, rollouts et évaluations et signalent les problèmes ; 3 agents Proposer diagnostiquent et proposent des changements ; un Orchestrateur les approuve et les applique par mise à jour à chaud ou reprise depuis un point de contrôle. Qwen3 passe de 46,67 % à 66,67 % sur AIME 2024 ; AIME 2025 et HMMT 2025 gagnent 11,67 points chacun ; le pass@1 de LongCat-Flash-Lite en codage agentique monte de 52,29 % à 65,13 %.

Des agents qui supervisent l'entraînement en direct

Selon arXiv.org, AutoRL place la supervision au niveau du processus plutôt qu'à la fin d'une expérience complète. Des agents Perceptor suivent la dynamique d'entraînement, les rollouts, l'évaluation et l'efficacité, et déclenchent une délibération quand ils détectent une anomalie, une dégradation ou une stagnation. 3 agents Proposer diagnostiquent les problèmes et affinent les interventions à partir de preuves partagées. Un Orchestrateur examine leur recommandation et applique les changements approuvés par mise à jour à chaud ou reprise depuis un point de contrôle.

Les gains annoncés sur les benchmarks de mathématiques

D'après academy.dair.ai, face à une recette GRPO statique sur Qwen3, AIME 2024 passe de 46,67 % à 66,67 %, et AIME 2025 comme HMMT 2025 gagnent 11,67 points chacun. Ces écarts sont ceux annoncés par les auteurs du papier.

Le codage agentique

D'après academy.dair.ai, sur des tâches liées à SWE avec LongCat-Flash-Lite, le pass@1 monte de 52,29 % à 65,13 % au cours d'une longue session d'entraînement menée sans supervision et marquée par des interruptions.

Réparer une recette défectueuse

D'après academy.dair.ai, face à une recette volontairement défectueuse, AutoRL détecte et corrige les problèmes, et dépasse un agent généraliste sur la plupart des tâches. Ce point porte sur la capacité de diagnostic en cours de session, telle que la décrit la source.

Ce que tu peux en retenir

Pour une petite équipe, l'idée utile est de séparer l'observation, la proposition et la décision pendant un entraînement qui tourne, au lieu de figer une recette avant de lancer. Les résultats restent ceux annoncés par les auteurs. Teste le principe sur ton propre entraînement avant d'en attendre les mêmes écarts.

Ce qui reste à vérifier

Les scores sont annoncés par les auteurs du papier selon arXiv.org et academy.dair.ai. Distingue les rôles décrits et les scores rapportés, que la source établit, de la transposition à ton propre entraînement, que tu dois tester.