Analyse approfondie · Environ 4 min de lecture
StaGPO étudie les agents confrontés à des réponses simulées incomplètes
Le regroupement par besoins et informations manquantes aide certaines recettes, sans prouver une bonne interaction humaine.
- Date de la source
- Publié ici
- Source vérifiée
Le préprint de Notre Dame déposé le 16 octobre propose StaGPO pour apprendre avec des phrases masquées et décrit des gains Qwen3.5 assortis de limites.
Écouter les actualités
Écoutez cet article ou poursuivez la lecture des actualités.
Préparation de la lecture…
Voix de l’appareil
La voix est traitée par votre navigateur ou appareil. AISubHub n’envoie pas le texte à une API audio. Les voix et la lecture écran verrouillé dépendent de l’appareil.
La reprise peut répéter une courte phrase.
En bref
- Sur ToolWOZ avec masque 0.4, la recette 2B atteint 76.8%, contre GRPO depuis la base 72.0% et InfoPO 74.0%.
- Elle inclut 33 dialogues propres pour un démarrage supervisé ; sans lui StaGPO atteint 67.1%, sous GRPO 72.0%.
Ce que signifie utilisateur faible
L’étude ne classe pas les aptitudes des clients réels. Elle conserve tâche, connaissances et objectifs du simulateur et remplace des phrases par un marqueur explicite de perte. Le premier message reste intact ; le simulateur voit son histoire complète. Il s’agit de gpt-oss-120b, aux taux nominaux 0, 0.2 et 0.4.
Cela isole une perte du canal, pas toutes les ambiguïtés, erreurs ou contradictions humaines. Les omissions silencieuses sans marque ne sont pas testées. Qwen3.5-2B et 4B sans raisonnement sont entraînés par LoRA sur réservations ToolWOZ et commerce tau2-bench, pas sur des abonnements généraux.
Exposition et questions supplémentaires
Avec GRPO, masques fixes, mélanges et curriculum ne dépassent pas fiablement l’entraînement avec réponses complètes au-delà du bruit. Une moindre chute peut partir d’un niveau initial inférieur : il faut comparer ce niveau et le score masqué.
Demander davantage de questions ne produit pas non plus de gain fiable ici. Cela ne rend pas la clarification inutile : une demande ciblée récupère une partie de la perte dans des préfixes contrefactuels audités. Les auteurs corrigent un défaut d’alignement des labels de cette analyse. Il faut mesurer le besoin comblé, pas le nombre de questions.
L’état sert de clé de regroupement
Avant d’agir, StaGPO écrit un état caché des besoins, lacunes et résultats récents d’outils. Une clé propre au domaine regroupe des tours comparables de trajectoires d’une même tâche, par champs connus et types de résultats, sans texte ni valeurs identiques.
Un avantage par étape, fondé sur le retour actualisé relatif au groupe, complète le crédit d’épisode GRPO ; sans groupe, le crédit reste ordinaire. L’état n’est pas une vérité supervisée : des clés cohérentes peuvent aider malgré des erreurs. Imprimer cet état ne revient pas à changer l’apprentissage des actions.
La condition derrière 76.8%
À masque 0.4, ToolWOZ donne 76.8%, soit 4.8 points de pourcentage de plus que GRPO 72.0% et 2.8 que InfoPO 74.0%. C’est la réussite des tâches, pas l’efficacité ou la satisfaction. La recette utilise 33 dialogues réussis auto-générés pour la supervision, sans professeur supérieur.
À départ égal, écrire l’état sans regrouper donne 60.1%, avec regroupement 76.8%. Sans démarrage supervisé, StaGPO descend à 67.1%, sous GRPO de base 72.0%. L’indépendance de l’initialisation n’est pas démontrée. Sur tau2-retail 4B, l’avance sur l’hybride suivant n’est que d’un point, dans le bruit.
Avant un usage avec des personnes
L’étude StaGPO ToolWOZ emploie 30 tâches de validation, 70 de test et deux évaluations par tâche. Certaines configurations 2B ont trois entraînements, beaucoup de 4B un seul. L’erreur appariée couvre tâches et simulateur, pas automatiquement les entraînements. Le transfert de masque reste simulé.
La récompense finale ne mesure pas tout, notamment la confirmation avant action. Nous proposons omissions silencieuses, contradictions, consentement et erreurs coûteuses en plus de la réussite, sans prétendre ces capacités démontrées. Humains, autres simulateurs et regroupement appris restent ouverts, sans nouveau prix API ou droit d’abonnement.
Pourquoi cela compte
Analyse AISubHub : séparer information perdue, état, action utile et réussite. Davantage de questions ou d’état écrit ne remplace pas un crédit d’apprentissage adapté.
Limites et disponibilité
Nous avons lu v1 de 22 pages, annexes et historique. Préprint en évaluation, simulations des auteurs, sans essai humain ni reproduction. Une famille, deux tailles et clés par domaine limitent la portée.
Sources et preuves
Date de la source: 16 oct. 2026 · Source vérifiée: 21 oct. 2026
Pour approfondir
Source vérifiée: 21 oct. 2026
Articles assistés par IA, vérifiés avec les sources primaires citées. Les affirmations des fournisseurs sont attribuées ; la présence ne vaut pas recommandation.