# L’orchestration fondée sur les compétences ajuste la communication des équipes d’agents

> Le cadre adapte les rôles et les échanges entre agents aux compétences requises par la tâche.

- URL canonique: https://newsverum.com/fr/news/competence-aware-orchestration-adjusts-llm-agent-teams
- Éditeur: Newsverum
- Rubrique: Technologie
- Pays: R.A.S. chinoise de Hong Kong
- Publié: 2026-10-13T00:51:40+00:00
- Mis à jour: 2026-10-13T00:51:40+00:00
- Période de l’événement / des données: 2026-10-09
- Autres éditions: [Türkçe](https://newsverum.com/tr/news/competence-aware-orchestration-adjusts-llm-agent-teams.md), [English](https://newsverum.com/en/news/competence-aware-orchestration-adjusts-llm-agent-teams.md), [العربية](https://newsverum.com/ar/news/competence-aware-orchestration-adjusts-llm-agent-teams.md), [Español](https://newsverum.com/es/news/competence-aware-orchestration-adjusts-llm-agent-teams.md), [Deutsch](https://newsverum.com/de/news/competence-aware-orchestration-adjusts-llm-agent-teams.md), [Português](https://newsverum.com/pt/news/competence-aware-orchestration-adjusts-llm-agent-teams.md)

Des chercheurs de la Hong Kong Polytechnic University ont présenté un cadre de coordination d’agents fondé sur leurs compétences. Il compare le contexte de la tâche au profil de capacités de chaque modèle, puis adapte la répartition des rôles et le graphe de communication afin d’éviter un dispositif multi-agent fixe pour toutes les tâches.

Sur les benchmarks, les auteurs rapportent une baisse de 36,26 % de l’utilisation des tokens tout en maintenant les scores moyens dans certaines configurations de modèles performants. Le résultat concerne des évaluations fondées sur GPT-4o et des tâches de benchmark précises; l’article ne montre pas que les profils de capacités sont inférés avec la même précision pour d’autres modèles ou des workflows réels.

## Données

### Résultat de l’étude

Six benchmarks; expériences basées sur GPT-4o; usage moyen des tokens dans certaines configurations

Méthodologie: La valeur se limite à l’expérience de benchmark décrite dans l’article; ce n’est ni un résultat de terrain ni une garantie générale.

| Mesure | Pourcentage | Périmètre |
|---|---|---|
| Réduction des tokens dans certaines configurations de modèles performants | 36.26 | Six benchmarks; expériences basées sur GPT-4o; usage moyen des tokens dans certaines configurations |

Sources: <https://arxiv.org/html/2610.13144v1> · Télécharger les données: [JSON](https://newsverum.com/api/v1/articles/competence-aware-orchestration-adjusts-llm-agent-teams/data/reported-result-1?lang=fr&format=json) · [CSV](https://newsverum.com/api/v1/articles/competence-aware-orchestration-adjusts-llm-agent-teams/data/reported-result-1?lang=fr&format=csv)

## Sources

- [arXiv preprint by Hong Kong Polytechnic University researchers](<https://arxiv.org/html/2610.13144v1>) (Source vérifiée: 2026-10-13; Publié: 2026-10-09)

---

Citez l’URL canonique ci-dessus. [Principes éditoriaux et corrections](https://newsverum.com/fr/editorial)