AIDE² a réécrit son propre harness pendant huit jours et transféré des gains vers des tests réservés. L’enjeu central reste la qualité de la barrière d’évaluation.
La tarification de base de Grok 4.7 ne change pas, mais sa consommation de jetons et les seuils propres à chaque plateforme compliquent le calcul.
Anthropic a découvert un quatrième incident dans des sessions omises de son premier examen, ce qui pose la question de l'exhaustivité des traces utilisées pour auditer les agents.
Une étude de reproductibilité montre que l’état du cache peut modifier la trajectoire d’un agent même à température zéro, avec un effet accru par la quantification.
IBM publie DRACO, une méthode qui redistribue la récompense entre les étapes d'un agent et rend le comportement du juge critique pour la reproductibilité.
CordisBench montre que le raisonnement sur le cycle de vie se dégrade avec la complexité alors que les conséquences testées peuvent être calculées exactement.
HarnessDev montre pourquoi les harnais d’agents évolutifs exigent validation cachée, tests d’exécuteur, preuves d’exécution et retour arrière.
AdaptRubric construit des rubriques adaptées à chaque tâche GUI et rapporte des gains en F1 des reward models et en réussite après reinforcement learning.
Pourquoi l’identité et les approbations ne suffisent pas, et comment les systèmes de connaissance, d’exécution et d’évaluation rendent la gouvernance des agents opérationnelle.
