ReGE apprend aux agents à partir de leurs propres tentatives : +9,9 points sans réentraînement

Les agents bâtis sur des modèles d'IA résolvent en général chaque tâche comme si les tentatives précédentes n'avaient jamais eu lieu. Des chercheurs de TIGER-Lab (Jiarong Liang, Yubo Wang, Zijie Liu, Yuxuan Zhang, Ping Nie et Wenhu Chen) proposent d'y remédier avec le framework ReGE (Re-execution Guided by Experience). Il transforme les logs des tentatives passées en plan pour la nouvelle tentative, sans mise à jour des poids et sans modèle plus puissant. Sur quatre benchmarks, la précision progresse en moyenne de 9,9 points de pourcentage pour GPT et de 8,8 points de pourcentage pour Claude. GPT-5.6 Luna avec ReGE atteint la même qualité que GPT-5.6 Sol, plus coûteux.

Un entraîneur qui ne connaît pas la bonne réponse

L'implémentation principale s'appelle ReGE-Syn. Le modèle tente d'abord plusieurs fois de résoudre la tâche. Le même modèle, dans le rôle d'« entraîneur », reçoit ensuite des traces d'exécution de taille limitée et les artefacts finaux de ces tentatives. Il ne sait pas laquelle est correcte. En un seul appel, l'entraîneur rédige un guide autonome qui relie les faits découverts sur la tâche, les actions proposées et les pièges dans lesquels les tentatives précédentes sont déjà tombées.

L'« élève » prend alors le relais : une instance neuve, qui part de l'état initial de l'environnement. Il peut exécuter le plan, l'ajuster ou l'ignorer si les observations réelles le contredisent. La génération des tentatives, la synthèse et l'exécution reposent sur un seul modèle de base : le schéma n'implique ni entraînement ni enseignant puissant.

La différence entre ces tentatives et une simple sélection de la meilleure réponse est ici essentielle. Les exécutions ratées sont elles aussi utiles : elles montrent quels boutons ne fonctionnent pas, quelles requêtes ne renvoient rien et à quel endroit le modèle a gaspillé des étapes.

Économie : 28 % du prix et 95–98 % de tokens en moins

Le résultat le plus parlant concerne le coût. Sur un sous-ensemble de 468 tâches, GPT-5.6 Luna avec ReGE atteint 67,4 %, contre 67,0 % pour la version supérieure GPT-5.6 Sol sans indication. Le coût de Luna représente alors 28 % du prix de Sol. Une partie de l'écart entre le « petit » et le « grand » modèle se comble donc non pas en achetant un modèle plus cher, mais en réutilisant ses propres logs.

Les auteurs ont aussi comparé ReGE-Syn à l'agrégateur agentique AggAgent sur des requêtes identiques de BrowseComp-Plus. La construction de l'indication revient à 98,2 % de tokens en moins pour GPT et à 95,5 % en moins pour Claude. Le total des tokens de construction et d'exécution (entrée plus sortie, hors génération des tentatives initiales) a reculé de 15,7 % et de 35,4 % respectivement. L'économie réalisée sur la collecte d'expérience n'est donc pas annulée par un temps de travail plus long de l'élève.

Les ablations sur BrowseComp-Plus font ressortir deux effets. L'accès à l'information sur le déroulement des tentatives, et pas seulement aux réponses finales, est associé à un nombre d'étapes moindre chez l'élève. La synthèse conjointe produit un guide nettement plus court que l'envoi de l'historique brut (Direct history) ou d'un ensemble de résumés indépendants (Independent summaries).

Ce que couvre l'expérience

• Benchmarks : Terminal-Bench 2.0 (travail dans un terminal), Spider2-Lite (texte vers SQL), AndroidWorld (pilotage d'Android), BrowseComp-Plus (recherche et navigation web). • Modèles : GPT-5.

6 Luna, GPT-5.6 Sol (comme point de comparaison en prix et en qualité), Claude Sonnet 5. • Gain moyen de précision : +9,9 points de pourcentage pour GPT, +8,8 points de pourcentage pour Claude, par rapport à un lancement sans indication.

• Sous-ensemble de 468 tâches : GPT-5.6 Luna avec ReGE, 67,4 % ; GPT-5.6 Sol, 67,0 % pour 28 % du coût.

• Construction de l'indication face à un AggAgent adapté : −98,2 % de tokens sur GPT, −95,5 % sur Claude. • Total des tokens de construction et d'exécution : −15,7 % et −35,4 %. • Configuration : un seul appel d'entraîneur, sans étiquettes de justesse, sans mise à jour des paramètres, sans enseignant plus puissant.

Pour les ingénieurs qui conçoivent des systèmes agentiques, la conclusion est pratique. Si vous disposez déjà d'exécutions parallèles, par exemple un essaim d'agents, vous pouvez ne pas jeter leurs logs et les condenser en une courte instruction. Cela n'exige pas d'infrastructure supplémentaire : un appel au même modèle et un stockage des traces suffisent. Le poste le plus coûteux sera ici celui des tentatives initiales, dont le coût n'entre pas dans la comparaison des tokens de l'article. L'approche convient donc surtout aux tâches qui sont de toute façon lancées plusieurs fois ou en plusieurs copies. Elle reste aussi une option raisonnable pour les tâches où le coût d'une erreur dépasse celui d'une nouvelle exécution.

La méthode a aussi une limite d'application : l'élève repart de l'état initial de l'environnement, donc la tâche doit être reproductible. Pour des actions irréversibles dans des systèmes réels, il faudra compléter ce schéma par un bac à sable. Le code du projet est publié sur GitHub, et la page du projet est hébergée chez TIGER-Lab.