The Agent Architect #37: Unsupervised Learning for Agents

Le pattern de la semaine

Unsupervised Learning for Agents

Quoi:

Apprend des motifs à partir de données non étiquetées grâce aux embeddings, au clustering ou à la détection d'anomalies, puis fait valider les résultats par des experts métier.

Quand l'utiliser:

Vous disposez de données brutes sans étiquettes et devez découvrir une structure, segmenter des utilisateurs ou repérer des cas atypiques avant d'appliquer des méthodes supervisées.

Vigilance:

Les clusters et les scores d'anomalie sont des artefacts instables ; la validation révèle souvent qu'ils ne correspondent ni aux vraies catégories métier ni aux frontières de décision réelles.

Cette semaine en IA agentique

• Why Gated DeltaNet Survives 4-Bit Quantization: NVFP4 W4A4 for the Recurrent Half of a Hybrid 27B LLMarXiv cs.AI

  Gated DeltaNet layers survive 4-bit quantization in hybrid LLMs using NVFP4 W4A4 precision.

• Fine-tuning a 350M Model for Better Structured Outputs in 100 GRPO StepsHugging Face

  A 350M parameter model was fine-tuned using 100 GRPO steps to improve structured output generation.

• MiniMax H3 on vLLM-Omni: From System-Wide Optimization to Real-Time Serving with FastVideo’s FastH3vLLM

  vLLM-Omni optimizes MiniMax H3 and integrates FastVideo's FastH3 for video generation faster than real-time playback.

• When Does Bigger Help? A Controlled Study of LLM Scale for Ontology LearningarXiv cs.AI

  Controlled evaluation of 13 LLMs across Qwen and GPT variants shows varying effects of model scale on ontology learning performance.

• Introducing agentic video understanding with GeminiGoogle DeepMind

  Google DeepMind introduced agentic video understanding capabilities for Gemini.