Les agents IA basés sur LLM échouent à planifier selon la sémantique formelle
En bref
- Les agents LLM atteignent 78% de succès hors ligne mais seulement 40% en conditions réelles.
- Les tâches non solvables sont reconnues dans moins de 10% des cas.
- Les stratégies de prompting complexes consomment 5 à 22 fois plus de tokens sans bénéfice clair.
Une étude teste les capacités de planification des agents IA basés sur LLM en les confrontant à des modèles formels (PDDL). Les résultats montrent des performances limitées, notamment en conditions réelles, et une surconsommation de tokens pour des gains marginaux.
Ce résumé vous donne l'essentiel. L'article complet, ses chiffres et ses citations sont chez cs.AI updates on arXiv.org.
Lire l'article originalRésumé généré par IA à partir de la source, relu par règles. Comment nous rédigeons · Signaler une erreur