HEXIS, des compétences organisées en étapes

MMarc

Dans une prépublication déposée sur arXiv vendredi, les chercheurs présentent HEXIS pour répondre à une question : comment aider un agent d’intelligence artificielle à appliquer une compétence sans devoir décider à nouveau, à chaque étape, de la suite des opérations ? Le principe consiste à séparer ce que l’agent sait de l’ordre dans lequel il agit. On peut comparer cela à une recette de cuisine. Les connaissances et les consignes ressemblent aux indications de la recette ; les étapes, elles, précisent quoi faire ensuite. HEXIS transforme les compétences en machines à états finis étendues, autrement dit en parcours jalonnés d’étapes. Chaque état contient des instructions qui guident le raisonnement de l’agent. La machine conserve aussi l’avancement et les résultats intermédiaires. Des conditions indiquent quand passer à l’opération suivante. Pour construire ce parcours, un compilateur associe les consignes d’une compétence et les interfaces des outils à des opérations, des instructions locales et des transitions. Il met ensuite en correspondance les traces de développement et les états existants, afin de repérer des opérations ou des dépendances manquantes. Il peut alors ajouter des états, en réutiliser certains et ajuster leurs liens. Les mises à jour ne sont acceptées qu’après des vérifications statiques et le rejouement des traces déjà acceptées. Sur 4 bancs d’essai et avec 4 exécuteurs, les auteurs rapportent un taux de réussite supérieur de 16,1 points en moyenne à celui de Skill + ReAct. Avec Qwen3.8-27B, HEXIS réduit aussi le nombre de jetons utilisés pendant l’exécution, de 38,4 % à 88,9 % selon les bancs d’essai. L’ampleur de cette réduction varie donc d’un banc d’essai à l’autre. Ces résultats sont ceux de l’évaluation rapportée, sur 4 bancs d’essai et 4 exécuteurs.