3148 articles
FOL2NS est un framework neurosymbolique qui convertit des formules de logique du premier ordre en phrases naturelles. Il gère des structures imbriquées avec différentes profondeurs de quantificateurs rarement couvertes par les corpus existants. Les résultats montrent une génération fluide mais des défis croissants avec la complexité structurelle.
iPOE est une méthode d'optimisation de prompts basée sur des explications automatiques ou humaines. Elle génère des guidelines d'annotation qui guident l'optimisation via suppression, ajout, réorganisation et fusion. Sur 4 datasets, iPOE améliore les performances de 31% vs prompts sans guidelines et 35% vs guidelines aléatoires.
TailedTS est un benchmark de 24,69 milliards de points de données issu des vues Wikipedia 2024, conçu pour tester les modèles de prévision de séries temporelles sous conditions heavy-tailed et non-gaussiennes. Le dataset révèle que 5% des pages génèrent 70% du trafic, et introduit un cadre de quantification de périodicité montrant que les pages très consultées ont une structure périodique plus faible.
Méthode pour étendre les LLM à de nouvelles langues sans phase d'alignement coûteuse. Convertit un modèle dense en architecture Mixture-of-Experts avec experts dédiés par langue, puis transfère les capacités d'alignement via fusion de deltas post-training. Améliore les performances sur les nouvelles langues tout en préservant les capacités originales.
PPAI est un système d'interopérabilité pour agents LLM personnalisés en edge computing. Il permet la collaboration P2P entre utilisateurs en routant les requêtes vers des agents spécialisés distants. Le système propose un mécanisme de scoring query-agent basé sur des prototypes et un jeu bayésien multi-agent pour équilibrer la charge. Résultats : +7,96% de précision, -16,34% de latence.
RISE, un framework de reclassement sémantique au moment de l'inférence, améliore les prédictions sur les exemples difficiles en labellisation de rôles rhétoriques. Sans retraining, il gagne +9.15 points macro-F1 sur 8 datasets spécialisés en utilisant des représentations de labels apprises contrastivement.
PACC (Prosodic Adjustment with Conversational Context) convertit la parole lue en parole conversationnelle naturelle via réseaux de neurones profonds et HiFi-GAN. L'approche améliore l'intonation, l'accent et le rythme pour applications temps réel (assistants virtuels, service client). Benchmarks établis sur MOS et tâches de conversion vocale.
Framework asynchrone pour RAG qui prédit quand et quoi récupérer via trois composants (retrieval predictor, context monitor, query generator). Réduit la latence de 43,5% et le time-to-first-token de 62,4% en exploitant les précurseurs sémantiques dans la génération, tout en maintenant la qualité des réponses.
Flow-Direct propose un cadre de guidage sans entraînement pour modèles de flux utilisant un champ de guidage non-paramétrique persistant. Dérivé analytiquement du ratio log-densité entre distributions de base et pondérées par récompense, ce champ accumule tous les échantillons évalués pour améliorer l'efficacité feedback et permettre la réutilisabilité sans nouvelles évaluations de récompense.
BacktestBench est le premier benchmark large-scale pour le backtesting quantitatif automatisé, contenant 18 246 paires question-réponse annotées sur 6 millions de données de marché réelles. AutoBacktest, un système multi-agent, traduit les stratégies en langage naturel en backtests reproductibles via un Summarizer, un Retriever SQL et un Coder Python. Évaluation sur 23 LLMs mainstream.
Étude sur les attaques adversariales universelles en NLP. Les auteurs proposent une méthode combinant filtrage morphosyntaxique et perte basée sur la perplexité pour générer des triggers naturels. Sur SST (sentiment analysis), les triggers atteignent 0.04-0.12 d'accuracy. L'entraînement adversarial améliore la robustesse de 0.12 à 0.48.
Étude de la compression de prompts sur LLaDA, un DLLM de 8B paramètres, avec LLMLingua-2. Évaluation sur GSM8K, DUC2004, ShareGPT à ratio 2× montre que la préservation sémantique ne garantit pas la stabilité en modèles diffusion : le raisonnement mathématique se dégrade fortement tandis que la résumé reste robuste. Les méthodes autorégressives ne transfèrent pas uniformément aux DLLMs.
PropGuard est un framework de sécurité pour systèmes multi-agents basés sur LLM. Il construit un graphe spatio-temporel dual pour tracer la propagation des instructions malveillantes à travers les agents et les rounds, puis applique une remédiation guidée par la source. Testé sur quatre architectures de communication et cinq scénarios d'attaque.
Des équipes multi-agents basées sur LLM surpassent les équipes humaines en créativité (Cohen's d=1.50) sur 4 541 idées d'IA vs 341 idées humaines sur 6 tâches. L'avantage provient de la nouveauté tout en maintenant l'utilité. Les équipes LLM bénéficient d'une exploration efficace (spread sémantique élevé, chemins courts), tandis que les humains privilégient la cohérence conversationnelle locale.
PAREDA est un dataset de parole multi-accent (australien, indien, chinois) contenant des discussions spontanées sur des articles NLP. Les modèles ASR actuels montrent une dégradation de performance en zéro-shot, mais le fine-tuning réduit significativement le WER, validant la richesse du corpus en jargon technique et phénomènes conversationnels.
SocialMemBench évalue les systèmes de mémoire IA dans les groupes sociaux multi-parties. Le benchmark inclut 430 personas, 7,355 tours de conversation et 1,031 paires QA sur 5 archetypes sociaux. Gemini 2.5 Flash atteint 0.721 sur petits réseaux; les frameworks open-source (Mem0, LangMem, Graphiti, Cognee) plafonnent à 0.12-0.18, révélant un écart significatif.
Modèle de codage ICD entraîné sur plusieurs versions (ICD-9 + ICD-10) pour prédire les codes médicaux. Multi-version training améliore de 27% la micro F1 sur 18K codes rares ICD-10 et les métriques macro sur 8K codes fréquents, avec moins de paramètres.
Nouvelle approche de reconnaissance vocale multilingue pour les langues nigérianes via distillation de connaissances. Le modèle SBPN (120M et 600M paramètres) couvre yoruba, hausa, igbo, pidgin nigérian et anglais nigérian. Réduit le WER de 29% en moyenne vs baselines monolingues, surpasse les modèles SOTA sur Common Voice et Fleurs.
Étude arXiv examinant si les LLM reproduisent les effets socio-cognitifs du pouvoir observés chez les humains. Dialogues asymétriques simulés (directeur-enseignant, juge-avocat) mesurent coordination linguistique, usage des pronoms, persuasion et conformité aux demandes dangereuses. Les LLM exhibent ces effets avec variabilité.
PUMA détecte la redondance sémantique dans les chaînes de pensée pour arrêter l'inférence des modèles de raisonnement avant qu'ils ne gaspillent des tokens. Le framework combine un détecteur de redondance léger avec une vérification au niveau de la réponse, réduisant les tokens de 26,2% en moyenne sur 5 benchmarks tout en préservant la précision et la cohérence du raisonnement.
Nouvelle méthode d'ajustement hors ligne pour LLM : Goal-Conditioned Supervised Learning (GCSL). Traite les signaux de feedback comme des objectifs explicites et entraîne le modèle par apprentissage supervisé pur, sans modèles de récompense externes. Évalué sur génération non-toxique, code et recommandation.
Orth-Dion améliore Dion, un optimiseur spectral pour l'entraînement distribué à faible rang. En remplaçant la normalisation de colonnes par une orthogonalisation QR, la méthode élimine un facteur √r dans la convergence et atteint le taux O(√L_r/T) des méthodes spectrales exactes. Validation sur pré-entraînement de modèles de langage.
UA-StatuteRetrieval : benchmark de 20 ans sur 396M citations judiciaires ukrainiennes. La prédictibilité co-citation décline de 33-47% (Adamic-Adar MRR 0.43→0.29). Dégradation non-uniforme : droit criminel stable (~0.40), droit civil s'effondre (0.35→0.15) après réforme 2017. Articles mid-frequency (1K-10K citations) perdent 50% prédictibilité. E5-large détecte 4.3% dérive sémantique.
Des chercheurs identifient l'instabilité des préférences dans les modèles de récompense via des variations d'entrée subtiles (paraphrases, injections de motifs, backdoors). Ils isolent les features instables avec des autoencodeurs creux (SAEs) et proposent deux stratégies d'atténuation : SAE Feature Steering et SAE Residual Correction, réduisant les assignations de préférences incorrectes sans réentraînement.
Étude de la propagation d'erreurs ASR dans les cascades ASR-LLM pour la compréhension orale en coréen. Les erreurs de reconnaissance vocale causent des défaillances sémantiques que les métriques ASR classiques ne capturent pas. Les erreurs d'un seul caractère en coréen créent un canal de défaillance distinct. Un modèle audio-langage large surpasse le pipeline ASR-LLM sur données bruitées.
Étude révélant une asymétrie de visibilité des datasets multilingues : 118 langues (59% des 200 plus parlées) ont zéro dataset catalogué selon LRE Map et LDC. Via citation-mining assisté par LLM sur Semantic Scholar, les auteurs identifient 609 datasets uniques dans 53 langues peu visibles, dont 356 accessibles. La rareté multilingue est un problème de documentation et discoverabilité, pas seulement de production.
Article théorique proposant un cadre unifié pour les transitions de phase en apprentissage profond (grokking, capacités émergentes) et en chimie hors-équilibre. Introduit deux champs de gradient (taux de production d'entropie et quasi-potentiel informationnel) et deux paramètres d'ordre (seuil de rupture adversariale α†, seuil de couplage auto-référentiel κc) formant une classe d'universalité candidate.
TopoPrior apprend des structures de collaboration réutilisables pour systèmes multi-agents LLM. Via un framework graphique variationnel conditionnel, il capture les régularités structurelles entre domaines hors ligne, réduisant le coût de recherche en ligne et la consommation de tokens à l'inférence tout en restant compatible avec les backbones existants.
Nouvel article arXiv proposant HRC (Hybrid Reward-Cyclic), un modèle de récompense qui décompose les préférences humaines en composantes transitives (scalaires) et cycliques (vectorielles) via la théorie des jeux. Introduit DSPPO (Dynamic Self-Play Preference Optimization) pour l'alignement dynamique. Améliore RewardBench 2 (+1.23% sur Gemma-2B-it) et atteint 44.75% sur AlpacaEval 2.0.
OProver est un framework unifié pour la preuve formelle agentique en Lean 4. Le modèle 32B atteint 93,3% Pass@32 sur MiniF2F et 58,2% sur ProverBench. L'entraînement combine pretraining, SFT sur trajectoires de réparation, et RL sur cas difficiles. OProofs contient 1,77M énoncés Lean et 6,86M preuves vérifiées.
Étude évaluant 4 LLMs pour annoter automatiquement la macrostructure narrative du mandarin parlé (MAIN). Le meilleur modèle atteint k=0.794 vs k=0.872 (humain-humain), réduit le temps d'annotation de 65%, mais échoue sur les variations lexicales et ambiguïtés sémantiques. Templates open-sourcés.
Modèle transformer résiduel sensible aux lacunes temporelles pour prédire la progression de la maladie d'Alzheimer sur 24 mois. Entraîné sur 2 600 échantillons ADNI, il réduit l'erreur quadratique de 13,1% et augmente la corrélation de 26,4% par rapport à un modèle linéaire mixte, en combinant une référence statistique avec apprentissage résiduel sur historiques cliniques et biomarqueurs irréguliers.
Étude sur le moment où un modèle de langage s'engage dans la tromperie. Via localisation contrefactuelle sur 5 environnements (bluff, labyrinthes, conseils financiers, vente auto, négociation), les auteurs analysent 1,46M phrases et 91,5B tokens. Les indices lexicaux ne généralisent pas, mais les features d'attention se transfèrent entre domaines.
Sign-Muon est un optimiseur distribué 1-bit qui combine l'agrégation par vote majoritaire (signSGD) avec le framework polaire de Muon. Il réduit la communication de 32× en float32 et atteint 92.15% de précision sur CIFAR-10/ResNet-50, avec 37% moins de temps d'entraînement sur 4 GPUs.
Optimisation systématique de modèles de diffusion en temps réel sur Apple M3 Ultra (GPU 60-cœurs, 512 GB mémoire unifiée). Combinaison de CoreML, quantization, Token Merging, distillation (SDXS-512) et pipeline caméra 3-threads atteint 22.7 FPS à 512×512. Révèle que les optimisations CUDA ne s'appliquent pas à l'architecture mémoire unifiée d'Apple Silicon.
Auto-CoT améliore l'apprentissage en contexte (ICL) en générant automatiquement des chaînes de raisonnement pour les démonstrations. Le framework augmente les prompts avec des explications intermédiaires structurées et sélectionne les exemples de haute qualité, guidant le modèle vers un raisonnement plus fiable sur les tâches multi-étapes.
ConsumerSimBench, benchmark construit sur 1 553 sujets de réseaux sociaux chinois et 23 122 critères de réaction, évalue si les LLMs peuvent reconstruire les patterns de réaction réels des consommateurs. Gemini-3.1-Pro atteint seulement 47,8% de couverture des critères, révélant un écart majeur entre performance technique et intuition consommateur ancrée socialement.
Agentic AI Translate est un prototype de traducteur agentif qui remplace le paradigme texte-en/texte-out par un cycle à quatre étapes (Identifier → Prompt → Générer → Vérifier). L'utilisateur compose d'abord un brief structuré via dialogue assisté par modèle, basé sur la théorie du skopos, le registre et les conventions de genre. La vérification utilise le protocole GEMBA-MQM pour l'évaluation des erreurs.
HalluScore est un benchmark arabe de 827 questions pour évaluer les hallucinations des LLMs. Analyse empirique de 17 modèles arabes et multilingues révélant que les hallucinations dépassent les inexactitudes factuelles : défis de compréhension culturelle, raisonnement linguistique et cohérence logique.
Étude sur l'induction de personnalité dans les LLM via fine-tuning (SFT, DPO, ORPO) sur essais longs associés aux profils Big Five. Fine-tuning réduit la variance des réponses au questionnaire IPIP-NEO, mais la précision sur le profil complet reste aléatoire. Les essais non guidés manquent de signaux pour exprimer fidèlement la personnalité.
Modélisation de la difficulté d'items sans réponses pour questions à choix multiples via transformers fine-tunés. Approche end-to-end sur le texte des items éliminant l'ingénierie manuelle des features. Variante multi-tâche avec objectif auxiliaire QA améliore significativement les petits ensembles d'entraînement.
RTPurbo transforme les LLMs en modèles sparse en ~100 étapes d'entraînement. L'approche exploite trois observations : seuls certains heads nécessitent l'attention complète, la récupération long-range utilise un sous-espace 16D, et la sélection top-p dynamique surpasse top-k fixe. Résultats : 9.36× speedup prefill à 1M tokens, 2.01× speedup decode, précision préservée.
E-PMQ propose une méthode de quantization post-fusion pour déployer efficacement des modèles fusionnés multi-experts en basse précision. En utilisant les poids des experts sources comme guides lors de la calibration par couche et l'ancrage des poids fusionnés, E-PMQ améliore la quantization 4-bit GPTQ de 65,0% à 73,6% sur CLIP-ViT-B/32 (8 tâches) et de 34,8% à 76,7% sur CLIP-ViT-L/14 (20 tâches).
PaliBench est un benchmark pour la traduction du pali vers l'anglais contenant 1 700 passages (345 000 tokens) alignés avec trois traductions de référence indépendantes. La méthode combine l'assistance LLM, la vérification automatisée et l'évaluation multi-métrique. Évaluation de dix LLM contemporains montrant une concordance inter-métrique forte mais variation substantielle en fiabilité.
HIBCG propose une méthode théorique pour apprendre des graphes de coordination creux en apprentissage multi-agent. Via l'information bottleneck, elle détermine quelles arêtes exister et leur capacité de message, avec garanties formelles sur la topologie apprise et allocation différenciée par groupe d'agents.
CompactAttention optimise l'attention chunked prefill pour LLMs long-context via Block-Union KV Selection. La méthode convertit les masques block-sparse en tables KV per-group GQA-aware, évitant la compaction KV explicite. Sur LLaMA-3.1-8B, elle atteint 2.72× speedup à 128K tokens avec précision proche de l'attention dense (RULER).
Étude systématique des LLMs légers (<2B paramètres) pour la génération de jugements criminels et la prédiction de charges. Création de CVGEvalKit, framework d'évaluation avec 3 datasets publics. Comparaison d'architectures, tailles de modèles et approches directes vs. génération intermédiaire.
Méthode de retrieval pour l'annotation multi-label juridique : embedding figé de documents et descriptions de labels, prédiction par k-NN. Sur Eurlex (100 labels), Qwen-8B atteint Macro-F1 49.12 vs 40.41 (GPT-5.2 zero-shot), réduit compute de 20-30×. Élimine les hallucinations (GPT-5.2 : 0.12-0.9% labels hors taxonomie).
CHI-Bench évalue l'automatisation d'workflows healthcare complexes via agents IA. Le benchmark couvre 3 domaines (autorisation préalable, gestion d'utilisation, gestion des soins) avec 87 outils MCP et 1 290+ documents de règles. Meilleur résultat : 28% de tâches résolues, 3,8% en session unique.
VaCoAl, une mémoire hyperdimensionnelle basée sur les corps de Galois et les registres à décalage, fournit un substrat algébrique unifié pour Vector-HaSH et la Tolman-Eichenbaum Machine. L'approche mappe deux régimes VaCoAl aux voies hippocampiques EC-CA3 et EC-DG-CA3, connecte la diffusion déterministe en GF(2) à l'algèbre causale de Pearl, et prédit des signatures iEEG testables.
Un article de recherche propose une architecture 6G centrée sur le contrôle des opérateurs plutôt que sur la technologie. Il introduit le « 6G Control Compact » (taxonomie de propriété) et l'« Économie de Garanties » (modèle commercial basé sur les résultats). Rakuten Mobile, premier déploiement Open RAN national entièrement cloud-native, démontre la faisabilité avec rentabilité EBITDA en 2025.
Méthode d'inférence bayésienne amortie basée sur le transport pour les problèmes inverses non-linéaires. Apprend une carte observation-dépendante minimisant une distance énergétique moyenne entre la vraie postérieure et l'approximation. Sans vraisemblance, sans contrainte d'inversibilité. Validée sur problèmes inverses finis et PDE (écoulement poreux, sismique).
SurgicalMamba, modèle basé sur Mamba2, reconnaît les phases chirurgicales en temps réel avec coût O(d) par frame. Trois composants adressent les défis spécifiques : dual-path SSD séparant régimes long/court-terme, stepping modulé en intensité adaptant le taux effectif, et state regramming pour mélange cross-canal. Résultats SOTA : 94.6%/82.7% sur Cholec80, 89.5%/68.9% sur AutoLaparo, 238.74 fps GPU.
Article évaluant l'efficacité énergétique des solveurs de combinatoire neuraux vs heuristiques. Définit le seuil d'amortissement (AET) : volume de déploiement où un réseau de neurones compense son coût d'entraînement GPU. Sur CVRP (n=50), le solveur attention-based de Kool et al. (2019) atteint l'équilibre énergétique à ~4560 instances déployées. Ratio neural/heuristique par instance : 2.29e-3.
ARES-LSHADE, variante d'évolution différentielle conçue par LLM, remporte 510/744 victoires sur le benchmark GNBG (GECCO 2026). L'algorithme combine mutation adaptative CMA-ES et polish L-BFGS-B, générés via 30 expériences d'autoresearch. Atteint la précision machine sur 18/24 fonctions; 6 restantes montrent des plateaux caractéristiques. Code disponible.
Framework multi-étapes pour détecter les insultes réappropriées en contexte multilingue (anglais, espagnol, italien). Utilise XLM-RoBERTa avec augmentation de données via back-translation GPT-4o-mini, undersampling dynamique et affinage des seuils de décision par langue. Amélioration de 2-5% en F1 sans réentraînement.
ConSPO, une nouvelle approche d'optimisation de politique au niveau des séquences, améliore GRPO en remplaçant les scores basés sur les ratios écrêtés par des log-probabilités normalisées et en utilisant un objectif contrastif de type InfoNCE. Évaluée sur des benchmarks de raisonnement mathématique, ConSPO surpasse plusieurs baselines RLVR.
PQR est un framework qui génère automatiquement des requêtes utilisateur réalistes pour identifier les défaillances des agents QA basés sur LLM. Via une boucle itérative entre raffinement de requêtes et raffinement de prompts, PQR découvre 23-78% plus de réponses non-utiles qu'avant, avec des requêtes plus diversifiées et réalistes.
Article théorique sur l'évaluation des modèles multi-agents basés sur LLM. Les auteurs proposent une échelle de plausibilité mécaniste à quatre niveaux pour distinguer la capacité générative (reproduire un phénomène) de la plausibilité mécaniste (comment le phénomène est produit), en s'appuyant sur la philosophie des sciences.
WriteSAE introduit le premier autoencoder creux décomposant et éditant les écritures de cache matriciel dans les modèles récurrents Gated DeltaNet, Mamba-2 et RWKV-7. Les atomes factorisés exposent une forme fermée pour les décalages logit par token, avec 92.4% de substitutions réussies sur 4,851 activations testées à Qwen3.5-0.8B et 88.1% sur Mamba-2-370M.
DISCA, une méthode d'inférence sans entraînement, aligne culturellement les LLM via des agents-personas basés sur le World Values Survey. Testée sur 20 pays et 7 backbones (2B–70B), elle réduit le désalignement culturel de 10–24% sur MultiTP sans modifier les poids du modèle.
Analyse de la convergence de l'itération Q-value déflatée via le cadre du rayon spectral joint (JSR) pour les processus de décision markoviens. Les auteurs montrent que la déflatation avec correction résiduelle all-ones révèle une géométrie de convergence plus précise en supprimant une direction invariante redondante, potentiellement améliorant la caractérisation du taux de convergence au-delà de la borne γ standard.
Nouvelle décomposition mathématique des modèles génératifs stochastiques : le champ de vitesse déterministe se sépare en transport marginal (u_t) et effet osmotique (d_t). Framework Bridge Matching apprend cette décomposition pour un échantillonnage contrôlable et interprétable.
Les transformers avec attention softmax peuvent implémenter l'itération de Richardson préconditionné pour la régression par noyau gaussien en contexte. Les auteurs construisent un transformer monocouche avec O(log(1/ε)) blocs atteignant une précision ε sur des prompts de longueur N, où l'attention softmax produit un opérateur de noyau gaussien et les couches MLP-ReLU effectuent l'arithmétique scalaire locale.
MULTITEXTEDIT est un benchmark de 3 600 instances couvrant 12 langues typologiquement diverses pour évaluer l'édition de texte dans les images. Les auteurs introduisent une métrique de fidélité linguistique (LSF) détectant les erreurs au niveau des scripts (diacritiques manquants, ordre RTL inversé). L'évaluation de 12 systèmes révèle une dégradation cross-linguale prononcée, particulièrement sur l'hébreu et l'arabe.
Nouvelle méthode MoLF (Mixture of LoRA and Full) pour l'adaptation de LLM qui route dynamiquement les gradients entre fine-tuning complet et LoRA au niveau de l'optimiseur. Testée sur Gemma-3-1B, Qwen2.5-1.5B/3B sur tâches SQL, Medical QA et connaissance contrefactuelle. MoLF-Efficient surpasse les approches LoRA adaptatives de 20% (Fact) et 9% (Med/SQL). Code open-source disponible.
NavOne reformule la navigation vision-langage (VLN) comme un problème de planification globale en une seule étape sur des cartes top-down. Le framework prédit directement les probabilités de chemin denses via un passage forward unique, avec un accélérateur de 8x vs méthodes basées cartes et 80x vs méthodes égocentristes. Nouvel ensemble R2R-TopDown.
Méthodologie d'évaluation comportementale pour systèmes IA agentiques : scoring des décisions intermédiaires via juges LLM sur 6 dimensions (détection de régime, routage, adaptation, calibrage du risque, cohérence stratégique, récupération d'erreur). Score comportemental corrèle à rho=0.72 avec Sharpe ratio. Boucle fermée avec renforcement (SAC) réduit MAPE de 0.61% à 0.54% sur test 2017-2025.
MA-GIG améliore l'attribution de features en guidant les chemins d'intégration dans l'espace latent d'un VAE pré-entraîné, réduisant l'exposition aux régions bruitées hors-manifold. Évaluation qualitative et quantitative sur plusieurs datasets montre des explications plus fidèles que les méthodes antérieures.
1BT (One-Block Transformer) est un modèle compact pour évaluer la charge cognitive via EEG. Avec <0,5M paramètres et 0,02 GFLOPs, il utilise une bottleneck latente minimale et cross-attention unique. Testé sur 11 participants (raisonnement abstrait, calcul, jeu vidéo), il atteint haute performance en classification de charge cognitive pour déploiement temps réel.
MedSynapse-V propose un cadre pour l'évolution de la mémoire diagnostique latente en imagerie médicale. Via des mécanismes de mémorisation de requêtes méta et d'affinement contrefactuel causal (CCR), le modèle synthétise dynamiquement des mémoires diagnostiques implicites alignées avec la logique clinique. Évaluations sur plusieurs datasets montrent des gains significatifs vs. état de l'art.
Sherpa.ai introduit un protocole multi-parties pour l'alignement d'entités préservant la vie privée en Federated Learning vertical. La méthode cache l'intersection des données tout en permettant l'appariement exact et tolérant aux fautes de frappe, sans révéler quels échantillons sont partagés entre parties.
Mosaic, un modèle probabiliste de prévision météorologique, corrige trois défaillances spectrales des modèles ML : l'amortissement spectral, l'aliasing haute fréquence et les fuites résiduelles. Avec 214M paramètres à 1.5° de résolution, il égale des modèles entraînés 6× plus fins et génère des ensembles bien calibrés en 12s pour 10 jours sur H100.
CoLLM unifie l'affinage fédéré (FL PEFT) et l'inférence sur des clusters GPU partagés en edge. Le système coordonne en temps réel le partage de paramètres via des stratégies d'adaptateurs fantômes et équilibre dynamiquement les charges pour optimiser qualité du modèle et latence. Évaluation montre 3x meilleur goodput vs systèmes existants.
DPrivBench est un benchmark évaluant la capacité des LLM à raisonner sur la confidentialité différentielle (DP). Le benchmark teste si des fonctions satisfont des garanties DP spécifiées. Les modèles les plus forts maîtrisent les mécanismes classiques mais échouent sur les algorithmes avancés, révélant des lacunes significatives en DP reasoning.
Un transformer léger prédit les gestes iconiques co-verbaux des robots à partir du texte et de l'émotion, sans audio à l'inférence. Le modèle surpasse GPT-4o sur la classification de placement et la régression d'intensité sur BEAT2, tout en restant compact pour le déploiement temps réel.
Framework de modélisation temporelle pour prédire l'abandon d'études supérieures via données LMS et dossiers administratifs. Régression logistique pénalisée sur données person-period atteint AUC 0.8405 (test). Couche de simulation contrefactuelle évalue l'impact de politiques d'intervention sur la survie académique avec contrastes positifs limités (ΔS max 0.0819).
Réseaux de neurones photoniques Kolmogorov-Arnold (SSP-KANs) implémentés avec composants télécom standard (interféromètres Mach-Zehnder, amplificateurs optiques). Un réseau à 4 modules atteint 94,3% en classification non-linéaire; 7 modules obtiennent R²=0,986 en régression. Robustesse confirmée jusqu'à 6 bits et 14 dB SNR.
ClawArena est un benchmark évaluant les agents IA dans des environnements informationnels évolutifs. Il teste la capacité des agents à maintenir des croyances correctes face à des sources contradictoires, des mises à jour dynamiques et des préférences implicites. 12 scénarios multi-tours, 337 rounds, 5 frameworks et 18 modèles évalués.
Chercheurs localisent des « cellules d'entité » — neurones MLP sélectifs qui encodent des faits spécifiques — dans sept modèles de langage. Sur Qwen2.5-7B, supprimer une cellule efface le rappel pour son entité tandis qu'activer une seule cellule suffit à récupérer la connaissance, même sans contexte. Ces cellules restent stables sous alias, acronymes et formes multilingues.
Étude des préférences internes dans les LLM via sondes linéaires sur les activations résiduelles. Les chercheurs identifient un vecteur de préférence partagé sur Gemma-3-27B et Qwen-3.5-122B, qui prédit et contrôle causalement les choix du modèle. Ce vecteur reste stable même quand le modèle adopte des personas radicalement différentes (assistant bienveillant vs persona malveillante).
AuthorMix propose un cadre modulaire de transfert de style d'auteur via des adaptateurs LoRA spécifiques à chaque style, mélangés par couche. Entraîné sur peu d'exemples, il surpasse les baselines SoTA et GPT-5.1 en préservant mieux le sens du texte original.
Framework multi-enseignants collaboratifs pour la segmentation sémantique d'images sonar. Combine un enseignant général et plusieurs enseignants spécialisés sonar avec mécanisme d'évaluation de fiabilité des pseudo-labels. Sur FLSMD avec 2% de données étiquetées : +5.08% mIoU vs SOTA.
CoDiLA combine diffusion et autorégressif local pour générer du code en parallèle. Un petit modèle AR (0.6B params) assure la cohérence syntaxique fine tandis que le modèle de diffusion gère la génération bidirectionnelle par blocs. Élimine les artefacts d'incohérence sur les benchmarks de génération de code.
Adaptive Layerwise Perturbation (ALP) résout les problèmes off-policy en RL pour LLM en injectant des perturbations apprises dans les états cachés de chaque couche. Cela réduit les ratios d'importance à queue lourde, stabilise l'entraînement et améliore les performances sur des tâches de raisonnement mathématique et multi-tour.
VLM-AutoDrive est un framework de post-training pour adapter les Vision-Language Models à la détection d'anomalies critiques en conduite autonome. Sur des vidéos dashcam Nexar, le fine-tuning améliore le F1 de collision de 0.00 à 0.69 et la précision globale de 35.35% à 77.27% comparé à NVIDIA Cosmos-Reason1 7B en zero-shot.
Article théorique sur l'évaluation des modèles génératifs. Les auteurs montrent que les critères standards (marginal matching) ne garantissent pas la préservation de la structure de covariance. Ils introduisent D_Sigma = ||Sigma_P - Sigma_Q||_F pour mesurer la fidélité des dépendances, avec preuves formelles et validation sur Fashion-MNIST VAE, RNA-seq (TCGA-BRCA, n=1111) et données Alzheimer (n=113).
LightZeroNav résout la navigation vision-langage zéro-shot en environnements continus avec des VLMs légers. Basé sur Qwen3-VL-8B, le système gère la redondance informationnelle, l'estimation de progression et l'enchevêtrement des tâches. Performance comparable à GPT-4o sans entraînement spécifique ni prédicteurs de waypoints.
OxyGen propose une gestion unifiée du cache KV pour l'inférence de modèles Vision-Langage-Action (VLA) sous parallélisme multi-tâches. Implémenté sur π₀.₅, le système atteint 3.7× d'accélération sur RTX 4090 et Jetson AGX Thor, livrant 200+ tokens/s et 70 Hz simultanément sans dégradation de qualité.
Méthode automatisée pour générer des environnements RL haute performance via prompts génériques, vérification hiérarchique et transfert de politique cross-backend. Démontrée sur 5 environnements (PyBoy→EmuRust, Pokemon Showdown→PokeJAX, TCGJax neuf). Overhead <4% à 200M paramètres.
Des chercheurs identifient un vecteur de préférence partagé dans Gemma-3-27B et Qwen-3.5-122B en entraînant des sondes linéaires sur les activations du flux résiduel. Ce vecteur prédit et contrôle causalement les choix de tâches du modèle à travers différentes personas, y compris une persona malveillante, révélant une représentation de préférence largement commune sous-jacente.
Étude arXiv sur l'automatisation du codage des sessions de Motivational Interviewing (MI) pour la réduction de la consommation d'alcool. Utilise des modèles audio-langage (ALMs) avec 4 prompts analytiques complémentaires et self-consistency (12 trajectoires de raisonnement par énoncé). Sur 5 sessions, atteint 52,56% accuracy, 54,03% precision, 47,45% recall, macro-F1 46,40%, surpassant les baselines.
Étude sur 189 participants résolvant des problèmes d'arithmétique en allumettes. Les participants exposés à des problèmes similaires (groupe Same) progressent plus vite et verbalisent davantage les caractéristiques du problème. L'analyse NLP du discours révèle que les insights transférables se distinguent par leur accessibilité au rapport verbal.
Étude sur l'intégration de l'information d'action dans les fonctions de mise à jour d'état des RNN pour l'apprentissage par renforcement. Les auteurs évaluent empiriquement plusieurs architectures de cellules récurrentes sur des domaines illustratifs et identifient les choix de conception critiques souvent non documentés dans les agents RL à grande échelle.
Étude de l'implicit bias de Sharpness-Aware Minimization (SAM) sur réseaux linéaux diagonaux en classification binaire. Pour L=1, ℓ∞-SAM et ℓ2-SAM retrouvent le max-margin classifier ℓ2 comme la descente de gradient. À L=2, ℓ2-SAM exhibe un phénomène de « sequential feature amplification » : le prédicteur s'appuie d'abord sur les coordonnées mineures avant de basculer vers les majeures, contrastant avec GD.
Soohak est un benchmark de 439 problèmes mathématiques de niveau recherche, créé par 64 mathématiciens. Gemini-3-Pro atteint 30,4%, GPT-5 26,4%, Claude-Opus-4.5 10,4%. Le benchmark introduit un sous-ensemble « refusal » évaluant la capacité à reconnaître les problèmes mal posés : aucun modèle ne dépasse 50%.
Article théorique sur l'application de contraintes d'indépendance conditionnelle en régulation (fairness, données classifiées, trading). Les auteurs montrent que les contraintes moyennées (averaged constraints) permettent de violer les exigences stratum-wise tout en satisfaisant la moyenne, rendant la détection difficile sans accès à la règle de décision elle-même.
Étude systématique de modèles multimodaux (MLLMs) sur la détection d'anomalies vidéo (VAD) avec les benchmarks ShanghaiTech et CHAD. Les modèles montrent un biais conservateur en zéro-shot : haute précision mais effondrement du recall. Instructions spécifiques améliorent F1 de 0,09 à 0,64, mais le recall reste critique pour la surveillance réelle.
RoboMME est un benchmark standardisé pour évaluer la mémoire dans les modèles vision-langage-action (VLA) pour la manipulation robotique long-horizon. 16 tâches testent la mémoire temporelle, spatiale, d'objets et procédurale. 14 variantes VLA augmentées de mémoire construites sur π0.5 montrent que l'efficacité dépend fortement de la tâche.
CoCoReviewBench est un benchmark de 3,900 articles (ICLR, NeurIPS) pour évaluer les systèmes d'IA chargés de la relecture académique. Il corrige les biais des métriques existantes en utilisant des discussions reviewer-auteur-meta-review comme annotations expertes. Les résultats montrent que les reviewers IA souffrent d'hallucinations et que les modèles de reasoning sont plus efficaces.