# PORA aide les agents LLM à doser leur temps de réflexion

> La méthode PORA apprend aux agents à choisir entre un raisonnement court ou long selon le budget disponible et le bénéfice attendu, réduisant le calcul jusqu’à moitié.

Oossa · 2026-10-21 · https://oossa.com/fr/pora-lets-llm-agents-decide-when-to-think-longer

Des chercheurs menés par Qi Zhang ont présenté PORA, une technique qui apprend aux agents LLM à déterminer quand un raisonnement plus long améliore les résultats. Pendant l’entraînement, le système exécute deux fois la même étape : une fois avec une limite de raisonnement courte, et une autre avec une limite plus longue, afin de comparer les résultats finaux. En utilisation, un contrôleur s’appuie sur cette estimation apprise et sur le budget de calcul restant pour choisir l’option la moins coûteuse, sans exécuter les deux. Des tests portant sur des tâches de mémoire, de programmation, de commerce de détail et de mathématiques ont montré une hausse des scores pouvant atteindre 32.9% sur un benchmark de mémoire et jusqu’à 31% d’appels au modèle en moins pour les tâches de mathématiques.

## Les faits

- Article publié sur arXiv le 2026-10-21
- Sur le benchmark de mémoire BFCL, PORA dépasse le précédent meilleur résultat de 17.4–32.9 points de pourcentage

## Pourquoi c'est important

Cette méthode permet aux développeurs de faire fonctionner des agents d’IA plus efficaces, qui consomment moins de ressources de calcul dans le cloud tout en préservant leurs performances. Les services reposant sur un raisonnement en plusieurs étapes peuvent ainsi réduire leurs coûts.

## Sources et références

1. [PORA: Learning When More Reasoning Pays Off for LLM Agents](https://arxiv.org/abs/2610.27119) – arXiv, 2026-10-21

Dernière mise à jour: 2026-10-21