Les agents basés sur des grands modèles de langage savent exécuter des tâches de plus en plus complexes, mais ils se heurtent encore à un problème central : les utilisateurs n’explicitent pas toujours tous leurs objectifs ou contraintes. L’article CLEAT: Learning Value-Guided Clarification for Interactive Agents, publié sur arXiv, s’attaque à cette difficulté en traitant la clarification comme un levier d’alignement interactif de l’intention.
L’idée clé est simple : poser une question n’est utile que si la réponse permet réellement de prendre une meilleure décision. Les auteurs proposent donc CLEAT (*CLarification through valuE-guided Agent co-Training*), un cadre qui entraîne conjointement deux composants : un contrôleur chargé d’estimer la valeur d’une clarification, et une politique de tâche qui décide quelles questions poser et comment exploiter les réponses. Les deux sont optimisés à partir des mêmes résultats d’interaction.
Pour mesurer l’intérêt d’une question, les chercheurs introduisent la notion de valeur résiduelle de requête, qui vise à quantifier le gain obtenu en demandant une précision plutôt qu’en poursuivant directement avec les informations disponibles. Cette valeur est estimée via des exécutions appariées à partir d’un même historique d’interaction. D’après le papier, ce mécanisme permet au système d’adapter progressivement sa stratégie de clarification à mesure que l’agent apprend.
Les résultats rapportés, obtenus avec Qwen3-4B, placent CLEAT en tête de la moyenne des scores dans dix configurations d’évaluation couvrant quatre benchmarks. Les gains annoncés atteignent 13,2 points sur UserGym Travel et 6,5 points sur la précision de jugement d’underspecification d’IN3, par rapport au meilleur baseline retenu par les auteurs. Des études d’ablation suggèrent aussi que l’entraînement conjoint améliore la politique de tâche même sans contrôleur au moment de l’inférence. Comme souvent sur arXiv, ces résultats restent à confirmer par des validations plus larges et par des usages en production.