# Des chercheurs alternent les sessions d’agents sur des tâches d’apprentissage automatique > Humanize MLE Agents fait alterner deux agents, réinitialise le contexte de chaque session et conserve un espace de travail partagé. - URL canonique: https://newsverum.com/fr/news/multi-agent-session-alternation-tests-machine-learning-engineering - Éditeur: Newsverum - Rubrique: Technologie - Pays: Chine - Publié: 2026-10-13T00:51:41+00:00 - Mis à jour: 2026-10-13T00:51:41+00:00 - Période de l’événement / des données: 2026-10-09 - Autres éditions: [Türkçe](https://newsverum.com/tr/news/multi-agent-session-alternation-tests-machine-learning-engineering.md), [English](https://newsverum.com/en/news/multi-agent-session-alternation-tests-machine-learning-engineering.md), [العربية](https://newsverum.com/ar/news/multi-agent-session-alternation-tests-machine-learning-engineering.md), [Español](https://newsverum.com/es/news/multi-agent-session-alternation-tests-machine-learning-engineering.md), [Deutsch](https://newsverum.com/de/news/multi-agent-session-alternation-tests-machine-learning-engineering.md), [Português](https://newsverum.com/pt/news/multi-agent-session-alternation-tests-machine-learning-engineering.md) Des chercheurs associés à Tsinghua, Zhejiang et NVIDIA ont présenté Humanize MLE Agents, une méthode qui alterne les sessions de deux agents sur des tâches longues d’ingénierie en apprentissage automatique. Chaque session s’arrête après un nombre plafonné d’expériences; le contexte est réinitialisé entre les sessions, tandis que le code, les modèles et les résultats antérieurs restent dans un espace de travail commun. Sur 75 tâches Kaggle de MLE-bench, les auteurs rapportent un taux de 78,2 % pour obtenir au moins une médaille et indiquent que le workflow a dépassé la meilleure référence open source avec un budget temporel inférieur. Il s’agit d’un résultat propre à ce jeu de concours et à ces configurations d’agents; il ne garantit pas le même gain avec d’autres versions de modèles ou dans des projets réels. ## Données ### Mesure 75 tâches Kaggle; évaluation MLE-bench Méthodologie: Les valeurs proviennent des expériences de benchmark décrites dans l’article; elles ne constituent ni des mesures de terrain ni une garantie générale de performance. | Mesure | Valeur rapportée | Périmètre expérimental | |---|---|---| | Taux de médaille obtenue sur les tâches Kaggle de MLE-bench | 78.2 | 75 tâches Kaggle; évaluation MLE-bench | Sources: · Télécharger les données: [JSON](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/reported-result-1?lang=fr&format=json) · [CSV](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/reported-result-1?lang=fr&format=csv) ### Mesure Ensemble de tâches Kaggle indiqué dans l’évaluation MLE-bench Méthodologie: Les valeurs proviennent des expériences de benchmark décrites dans l’article; elles ne constituent ni des mesures de terrain ni une garantie générale de performance. | Mesure | Valeur rapportée | Périmètre expérimental | |---|---|---| | Nombre de tâches Kaggle de MLE-bench | 75 | Ensemble de tâches Kaggle indiqué dans l’évaluation MLE-bench | Sources: · Télécharger les données: [JSON](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/result-75?lang=fr&format=json) · [CSV](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/result-75?lang=fr&format=csv) ## Sources - [arXiv preprint by Tsinghua University, Zhejiang University and collaborating researchers]() (Source vérifiée: 2026-10-13; Publié: 2026-10-09) --- Citez l’URL canonique ci-dessus. [Principes éditoriaux et corrections](https://newsverum.com/fr/editorial)