Talorys est un assistant IA personnel open source qui tourne entièrement dans votre propre compte Cloudflare, avec chat, mémoire, tâches, notes et rappels planifiés ¹. Le déploiement tient en une commande, npx create-talorys@latest, et l’outil ne provisionne ni R2, D1, KV, Vectorize, AI Search, Workflows ni aucun service payant ¹. L’installateur écrit un répertoire talorys/ contenant talorys.json avec l’identifiant d’installation, l’identifiant de compte, les noms de ressources et l’URL, sans secrets ¹.

CASE est une série d’agents cliniques spécialisés par rôle pour la recherche de preuves, accompagnée d’un harnais d’outils et d’un cadre de post-entraînement agentique pour des modèles vision-langage compacts ². Le benchmark multimodal longitudinal s’appuie sur UK Biobank et comprend 50 401 questions cliniques dérivées de diagnostics réels codés ICD-10 de 4 739 participants ². Chaque question lie un environnement propre au patient avec du contexte clinique et des IRM multi-séquences de visites initiales et de suivi, où les agents choisissent quelles visites, organes, modalités, coupes et outils spécialisés inspecter et comparer ². Le fine-tuning supervisé transfère des workflows de recherche de preuves depuis 14 734 trajectoires d’interaction de modèles frontière, suivi d’un apprentissage par renforcement agentique sur les interactions du modèle avec son propre environnement ².

Artisan étend la méthode Articraft avec un pipeline multi-agents et un retour de simulation physique, pour couvrir la motion sans collision, la stabilité sous gravité et les propriétés de masse et de matériau ³. Le benchmark couvre quatre aspects : fidélité spatiale, plausibilité physique, performance en tâche aval et qualité globale, avec 100 assets de référence issus d’ArtVIP et LightWheel, 50 prompts de stabilité et 50 objets ABO avec masses de référence ³. Sur plus de 10 modèles représentatifs évalués, Artisan atteint une fidélité spatiale compétitive avec les taux de collision les plus bas et les taux de stabilité les plus élevés ³.

ReHarness est un cadre de harnais récurrent pour l’apprentissage continu agentique qui ajoute une révision arrière à la lecture et l’écriture avant, sous un protocole de streaming strictement en ligne ⁷. Après chaque instance, le framework utilise la trajectoire résultante comme retour pour réviser les réflexions récupérées pour cette instance, propageant le retour en arrière à travers l’état textuel du harnais ⁷. Sur trois benchmarks d’apprentissage continu et trois modèles de base, ReHarness dépasse les baselines de contexte brut, les méthodes à mémoire et réflexion, et les approches d’optimisation de prompt ⁷.