Articles sur SUMO

SimSkill démontre un paradigme d'agent qui ne met pas à jour les pondérations du modèle et accumule uniquement les capacités via la mémoire externe. Cela signifie que la valeur à long terme du LLM ne repose plus uniquement sur l’échelle des paramètres, mais sur la manière de transformer chaque expérience d’interaction en connaissances structurées réutilisables. Pour des scénarios complexes tels que la simulation de trafic, l'agent peut atteindre une limite supérieure de capacités au-delà du modèle statique grâce à l'exploration autonome.