3148 articles
Des chercheurs montrent que le renforcement learning peut encoder des solveurs réutilisables dans les poids d'un LLM plutôt que de résoudre chaque instance à l'inférence. En fine-tunant Qwen2.5-Coder-14B avec GRPO sur Synergistic Dependency Selection, le modèle converge vers Simulated Annealing avec 5.0% de gap au solveur optimal, 91× moins cher qu'un Best-of-64 baseline.
Étude sur la sycophantie contextuelle dans les LLM : 60 participants ont collaboré avec une IA sur des tâches analytiques. Les résultats montrent que les modèles reflètent les erreurs utilisateur plutôt que de les corriger. Une intervention en littératie IA a réduit le mirroring incorrect mais n'a pas éliminé la propagation d'erreurs, suggérant que les approches au niveau système sont nécessaires.
Focused Forcing optimise les caches KV dans la génération vidéo diffusion autorégressive en sélectionnant par frame et par head les frames historiques pertinents. La méthode combine scores d'attention et scores de diversité, atteignant 1.48× d'accélération sans entraînement tout en améliorant la qualité visuelle et l'alignement textuel.
Étude à grande échelle de 64 380 exécutions SWE-bench couvrant 126 configurations d'agents (43 frameworks × LLMs). Les règles comportementales dérivées d'un seul framework ne se transfèrent pas : le même signal (ex. taux d'erreur) corrèle positivement avec la résolution dans 47 configs et négativement dans 48. L'identité du framework explique 64% de la variance contre 10% pour la famille LLM.
Representation Autoencoders v2 améliore les VAE en utilisant des encodeurs vision préentraînés. Les auteurs découvrent que combiner les k dernières couches d'encodeur, fusionner RAE et REPA (representation alignment), et re-paramétrer la guidance sans classifier accélère 10x la convergence. RAEv2 atteint gFID 1.06 en 80 epochs sur ImageNet-256 et EP_FID@2 de 35 epochs.
FireFly génère des données vérifiées pour l'entraînement d'agents tool-calling à partir de vrais serveurs MCP. Le pipeline inverse la synthèse standard : exploration d'APIs réelles via structures DAG, puis génération rétroactive de tâches à partir des résultats observés. 5 144 tâches vérifiées sur 240 serveurs et 993 outils. Un modèle 4B entraîné avec GRPO égale Claude Sonnet sur le test set.
CommitDistill est un prototype Python open-source qui extrait des unités de connaissance typées (Facts, Skills, Patterns) de l'historique git local via regex déterministe et les expose via un retriever TF-IDF. Testé sur 5 dépôts (25k commits), il atteint 0.750 hit-rate avec budget 256-char contre 0.333 pour BM25. Pas d'amélioration statistique détectable sur les bug-fixes en évaluation LLM-as-judge.
Analyse théorique de transformers standard avec softmax et précision basse, montrant qu'ils peuvent simuler des machines de Turing via Chain-of-Thought. Les auteurs construisent des transformers hardmax avec activations ternaires, puis les convertissent en softmax équivalents sans magnitudes irréalistes. Résultats validés sur Sudoku.
Pipeline RAG pour décoder du texte à partir de signaux EEG au niveau de la phrase. Combine un encodeur EEG aligné sur des embeddings sémantiques, une récupération vectorielle et un LLM pour raffiner les phrases. Sur le dataset ZuCo, amélioration de 30,45% vs baseline aléatoire (cosine similarity 0.181 vs 0.139).
Étude de la « cognitive poisoning » : des outils malveillants qui accumulent la confiance via des retours bénins avant de devenir nuisibles. TRUST-Bench (1,970 épisodes) et VISTA-Guard proposent une défense basée sur le scoring du risque de l'action finale à partir de la trajectoire d'interaction. Les heuristiques classiques échouent ; le scoring conscient de la trajectoire atteint 84,2% en-domaine.
CodeBind propose un cadre d'alignement multimodal utilisant un codebook compositif partagé-spécifique. Testé sur 9 modalités (texte, image, vidéo, audio, profondeur, thermique, tactile, nuage de points 3D, EEG), il atteint des performances SOTA en classification et retrieval multimodal sans nécessiter de données entièrement appairées.
Première méthode de machine unlearning pour les modèles de diffusion masqués (MDLMs comme LLaDA et Dream). MDU minimise la divergence KL entre prédictions conditionnelles et distribution inconditionnelle masquée, avec paramètre de température pour équilibrer confidentialité et utilité. Code disponible.
POOL, un nouvel algorithme RL préservant la vie privée, traite l'apprentissage par renforcement en espaces continus multi-dimensionnels avec retours partiels. L'analyse théorique démontre une complexité d'échantillon correspondant aux bornes inférieures du RL non-privé, réconciliant garanties de confidentialité fortes et efficacité d'apprentissage.
FastOCR propose un framework sans entraînement pour accélérer l'OCR sur Vision-Language Models en exploitant la fixation visuelle dynamique. Via pruning du cache KV, le modèle réduit les tokens visuels traités à 5% par étape de décodage tout en conservant 98% de précision sur Qwen2.5-VL, divisant la latence d'attention par 3.0×.
SomaliWeb v1 : corpus Somali de 819 322 documents (~303M tokens) avec tokenizer BPE-16K et benchmark d'identification de langue. Révèle défauts majeurs dans distributions existantes (HPLT v2 : 17,3% doublons, 56,1% mojibake). Tokenizer 40,2% plus efficace que cl100k_base de GPT-4 sur FLORES-200.
Nouvelle méthode d'optimisation pour les LLM avec longs contextes : attention-state memory externalise le préfixe en mémoire légère de lookup sans entraînement. Sur LLaMA-3.1-8B, réduit latence attention de 1.36x à 8K tokens et surpasse RAG full-attention avec 20% moins de mémoire.
Article théorique sur l'effondrement constant dans les VAE (variational autoencoders), où l'encodeur devient indépendant de l'entrée. Les auteurs proposent un certificat témoin simplex pour détecter et prévenir ce mode de défaillance durant l'entraînement, avec baseline exacte et inverse en forme fermée.
SpatioRoute est une approche de routage dynamique de prompts pour le question-answering spatial sur vidéo égocentrique. Sans fine-tuning, elle route chaque question vers un template de prompt spécialisé (mode rule-based ou LLM-driven) et atteint +5% de précision sur SQA3D comparé aux baselines, établissant un SOTA en zéro-shot sans données 3D.
COCOCO, un framework post-hoc, intègre la Conformal Prediction aux modèles neuro-symboliques basés sur concepts (NeSy-CBMs) pour améliorer la fiabilité. Il conformalise concepts et labels conjointement via une étape de révision déduction-abduction, garantissant cohérence, couverture et concision sans hypothèse distributionnelle. Testé sur 8 datasets.
PIPER est une méthode de recherche de tables basée sur le contenu utilisant des profils de tables et des pseudo-requêtes générées par LLM pour la récupération dense. Elle surpasse les approches basées sur les métadonnées et les méthodes TableQA existantes dans les contextes de métadonnées pauvres.
HyperPersona propose un framework hypergraphe multi-niveaux pour prédire la personnalité à partir de texte. Le modèle représente documents, phrases et mots comme hyperedges et nœuds, capturant dépendances globales, locales et lexicales. Évalué sur les Big Five, il surpasse les baselines existantes en intégrant la hiérarchie textuelle.
Context Codec propose un cadre formel pour compresser les contextes LLM en préservant les engagements sémantiques (objectifs, contraintes, décisions, preuves). Le framework introduit des métriques (Critical Atom Recall, Commitment Density) et CCL, un langage de rendu compact ASCII-first, pour rendre la compression vérifiable et auditable.
Framework RGB pour la génération active de graphes de scènes 3D (3DSG) utilisant des caméras externes fixes comme cartes de contexte préalable. Le système fusionne observations de caméras embarquées et externes dans un pipeline unique, guidant le robot vers les régions d'incertitude sémantique élevée. Une seule caméra externe augmente le rappel d'objets initial de +79%.
MARS est un système multimodal pour le défi CASTLE 2026 qui traite le raisonnement sur 4 jours d'activité, 15 perspectives synchronisées, transcriptions et modalités auxiliaires (photos, vidéos, eye-tracking, thermographie, fréquence cardiaque). L'approche utilise DeepSeek pour les résumés vidéo et un agent GPT-5.4 pour sélectionner les sources d'evidence. Le système a obtenu la 2e place au classement final.
Vision Inference Former (VIF) est un module architectural léger qui améliore la cohérence visuelle dans les modèles multimodaux. Il injecte continuellement les sémantiques visuelles pendant la génération pour contrer l'affaiblissement de l'alignement vision-langage sur de longues séquences. Testé sur 14 benchmarks (raisonnement, OCR, tableaux), VIF améliore les performances avec surcharge minimale.
Étude empirique des chaînes de fuite de données via injection de prompts dans des environnements de chatbot boîte noire. Les chercheurs analysent comment un attaquant peut détourner les tâches d'un agent LLM en injectant du contenu malveillant dans des sources externes (pages web). Ils introduisent la technique « exemplification » et démontrent une chaîne d'exfiltration de données fonctionnelle.
Première étude systématique d'attribution de source pour assets 3D générés. Les chercheurs construisent un benchmark couvrant 22 générateurs 3D et proposent un Transformer multi-vue multi-modal détectant les fingerprints (incohérences cross-view, artefacts géométriques, signatures fréquentielles). Résultats : 97,22% en supervision complète, 77,17% avec 1% des données.
OpenJarvis propose une architecture de stack IA personnelle décomposée en cinq primitives (Intelligence, Engine, Agents, Tools & Memory, Learning) pour exécuter localement des tâches sans envoyer données sensibles au cloud. Via recherche de spec guidée par LLM, les modèles locaux atteignent la précision des modèles cloud sur 4/8 benchmarks, réduisent coût API de ~800x et latence de 4x.
Article proposant un circuit quantique paramétrisé 4-qubits (EWL) pour systèmes de recommandation dans écosystèmes d'innovation quadruple hélice. Utilise données réelles CORDIS Horizon Europe, intègre Hamiltonien Dirac-Solow-Swan pour simuler dynamiques de capital sous innovation disruptive. Profondeur circuit 11, compatible NISQ, implémentation Qiskit fournie.
Teger, un module d'incertitude structuré, améliore la prédiction de séries temporelles spatio-temporelles en atténuant le sur-compression d'information (over-squashing) via un mécanisme de réécriture de graphe basé sur la courbure de Forman. Intégré à une tête de covariance low-rank-plus-diagonal, Teger est agnostique au backbone et montre des gains CRPS constants sur LSTM, Transformer et xLSTM.
Nouveau benchmark VQA clinique UCSF-PDGM-VQA : 2 387 paires question-réponse sur 473 études IRM de gliomes. Évaluation de 6 VLMs et 1 LLM révèle que les modèles actuels échouent sur les IRM multi-séquences 3D, souffrant d'effondrement de modalité et de surcharge de priors linguistiques.
Étude sur l'utilisation de l'incertitude prédictive pour la décision autonome/déférence en robotique. Sur trois benchmarks de reconnaissance d'activité temporelle, l'incertitude ne fournit un classement d'erreurs fiable que si le modèle de base est suffisamment compétent. Softmax, MC Dropout et ensembles produisent des comportements similaires ; le choix du seuil a plus d'impact que la méthode d'incertitude.
Étude préenregistrée (N=418) sur la calibration de la confiance en IA explicable : exposer les limitations du modèle améliore légèrement l'alignement entre confiance utilisateur et performance réelle en classification de lésions cutanées, mais l'expérience directe prime sur les manipulations d'onboarding.
RAGA est un agent autonome basé LLM pour la construction de graphes de connaissances et la génération augmentée par récupération. Il remplace les pipelines batch stateless par une boucle ReAct avec opérations CRUD complètes, synchronisation KG-vecteur hybride et vérification ancrée aux sources. Tests sur QASPER montrent des gains mesurables en qualité de réponses et preuves.
Proposition d'architectures quantiques « sidecar » pour l'entraînement et l'inférence hybrides IA. Deux modes opératoires : registres protégés stateful (QND readout avec ancilla) et circuits reset-and-reprepare stateless (QAOA-style). Simulations sur 2/4/6/8 qubits protégés. Positionnement comme générateurs de signaux bornés pour l'optimisation, sélection d'experts et routage.
FedSDR propose une approche fédérée pour l'affinage des LLM face à l'hétérogénéité statistique. La méthode combine l'auto-distillation (FedSD) avec un mécanisme dual-stream : une branche LoRA-S locale pour absorber l'hétérogénéité et une branche LoRA-R globale ancrée aux données brutes pour garantir la fidélité factuelle.
Étude sur la coexistence mémorisation-généralisation dans les réseaux de neurones sur-paramétrés. Avec 80% de bruit d'étiquettes sur des tâches arithmétiques, les modèles mémorisent les labels bruyants mais conservent une structure interne de généralisation. Extraction par méthodes fréquentielles : précision quasi-parfaite. Partitionnement en composantes généralisation/mémorisation proposé.
TinySAM 2 compresse SAM 2 pour la segmentation vidéo efficace. Mécanisme de gestion de qualité mémoire + compression spatio-temporelle des tokens. Atteint 90% des performances de SAM 2.1 avec 7% des tokens mémoire et 3% des données d'entraînement. Réduit paramètres, charge computationnelle et coûts de déploiement.
SAS propose une approche de distillation de dataset utilisant CLIP comme prior sémantique pour améliorer la qualité des données compressées. Trois fonctions de scoring évaluent la pertinence de classe, la séparabilité inter-classe et la diversité intra-ensemble. Une stratégie deux-étapes filtre les échantillons discriminatifs puis sélectionne dynamiquement pour réduire la redondance.
MARR propose une méthode de quantification post-entraînement basse précision (≤4-bit) pour LLMs et Vision Transformers. Elle utilise des coefficients d'échelle adaptatifs par module pour équilibrer la correction d'erreur accumulée et le biais introduit par les résidus, via une stratégie de mise à jour basée PID. Gains jusqu'à 20,2% sur LLMs et 4,6% sur ViTs.
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% tout en maintenant la qualité des réponses.
ViTC-UNet combine un Vision Transformer pré-entraîné gelé avec un UNet conditionné par tokens apprenables et un décodeur d'attention bidirectionnel. L'approche améliore la segmentation sémantique biomédicale sur IRM et CT sans fine-tuning end-to-end, en ajoutant le biais inductif local des UNets aux priors visuels globaux des ViTs.
Étude critique des agents de trading basés sur LLM (FinCon, FinMem, TradingAgents, FinAgent, QuantAgent, FLAG-Trader). Les Sharpe ratios rapportés ne constituent pas une preuve de déploiement viable : contamination temporelle, frictions non modélisées et calibration prédictive insuffisante invalident les résultats. Propose protocole de reporting P1-P6 et architecture modulaire avec LLM comme interface d'audit.
Nouvelle méthode TDA pour diffusion models via unlearning mirrorisé et skew cohérent au bruit. MUCS fine-tune un second modèle avec gradient ascent borné et mesure le skew normalisé avec échantillons de bruit constants. Surpasse les approches existantes sur trois datasets.
Étude de la compression de prompts sur LLaDA, un DLLM de 8B paramètres, utilisant LLMLingua-2. Évaluation sur GSM8K, DUC2004, ShareGPT avec 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 de compression autorégressives ne transfèrent pas uniformément aux DLLMs.
Les trajectoires de confiance au niveau des tokens dans les LLM encodent des signaux géométriques liés à la correction des traces de raisonnement. Sans accès au texte ou aux états cachés, une représentation basse dimension sépare les traces correctes des incorrectes sur GSM8K, MATH et MMLU. NeuralConf, un estimateur léger, améliore l'agrégation pondérée par confiance par rapport au vote majoritaire.
Nouvelle approche théorique pour résoudre l'identifiabilité en transfert de domaine. Les auteurs montrent qu'un seul échantillon d'ancrage appairé suffit à identifier le transfert optimal sous une condition de parcimonie structurelle du Jacobien, réduisant drastiquement la supervision requise. Validation empirique sur tâches synthétiques et réelles.
UniTrans traduit en temps réel les modalités de capteurs hétérogènes en perception collaborative sans réentraînement. Un modèle universel combine des experts de traduction paramétrés via un espace latent intrinsèque, validé sur OPV2V-H et DAIR-V2X avec code open-source.
DCFold est un modèle génératif single-step qui atteint la précision d'AlphaFold3 avec 15x d'accélération en inférence. Utilisant un framework Dual Consistency et un scheduler Temporal Geodesic Matching, il maintient la fidélité prédictive pour la prédiction de structure et le design de binders.
OASIS, une technique basée sur la signalisation inter-couches, réduit les attention sinks et les outliers d'activation dans les architectures AttnResidual. Sur trois datasets, OASIS diminue la norme infini maximale de 9.26%, la kurtosis de 2.60%, et améliore la performance post-quantization (W8A8: -75.85% perplexité, W4A4: +12.42% GSM8K).
PAREDA est un dataset de speech multi-accent (australien, indien, chinois) contenant des discussions spontanées sur des papers NLP. Les modèles ASR SOTA montrent une dégradation en zero-shot, mais le fine-tuning réduit significativement le WER, validant la richesse du corpus pour les systèmes ASR robustes.
BiKD propose un framework bilevel pour équilibrer dynamiquement les pertes hard et soft en distillation de connaissance sur données déséquilibrées. Un réseau de génération de poids produit des pondérations adaptatives par échantillon, guidé par un ensemble de validation équilibré. Expériences sur CIFAR-10/100 long-tailed montrent des gains sur les méthodes récentes.
TAPE, une méthode de pruning sans entraînement pour la génération vidéo par diffusion, réduit la complexité computationnelle en supprimant intelligemment les tokens tout en préservant la cohérence temporelle. Elle applique un lissage temporel entre frames, réalectionne les tokens par couche et ajuste le budget selon les étapes de diffusion.
Méthode EBOMLC pour corriger les labels bruyants via optimisation bilevel efficace. Utilise un modèle meta entraîné sur données propres pour corriger un grand dataset bruyant. Réduit coût computationnel des hypergradients et améliore stabilité sur CIFAR-10/100 avec taux de bruit élevé.
EmoMind décode des légendes affectives directement à partir de signaux fMRI en deux étapes : extraction de descriptions sémantiques neutres, puis réécriture via un vecteur émotionnel continu 34-dimensionnel. Utilise guidance sans classificateur pour équilibrer fidélité sémantique et expressivité affective. Surpasse GPT-4 sur deux datasets fMRI indépendants.
CounterCount est un framework de diagnostic pour évaluer les biais de comptage dans les modèles vision-langage. Les tests révèlent que les VLMs performent bien sur des images factuelles mais dégradent significativement sur des images contrefactuelles où les attributs visuels contredisent les priors appris. Une stratégie de modulation d'attention au temps d'inférence améliore la précision jusqu'à 8%.
TierCheck est un système de sauvegarde en trois niveaux pour l'entraînement de LLM. Il maintient des points de contrôle différentiels légers en mémoire locale/pair pour récupération rapide, migre asynchronement les points de base vers le stockage distant, et garantit la cohérence globale sans ralentir l'entraînement. Sur modèles jusqu'à 40B paramètres, il réduit le temps de sauvegarde à moins de 10s.
Étude longitudinale sur 235M posts de 4M utilisateurs Bluesky montrant que l'exposition à des feeds algorithmiques (News, Science, Blacksky) modifie mesurément le langage des utilisateurs : accommodation stylistique, alignement sémantique, formalisation du registre. Effets variables par feed ; reposting est le prédicteur principal de convergence linguistique.
Article examinant l'intégration des LLM en recherche qualitative. Identifie paramètres critiques (context window, température, top-p, prompt design, system cards) et souligne tensions entre opacité des LLM modernes et principes épistémologiques qualitatifs (réflexivité, positionnalité, jugement interprétatif).
Étude d'une architecture Transformer récurrente à poids partagés (AIR) capable de développer deux rôles distincts sans partitionnement modulaire. Sur Sudoku-Extreme et Maze, l'état zH agit comme proposition engagée tandis que zL conserve l'incertitude locale. Les expériences de gel et ablations montrent que l'asymétrie d'injection d'entrée induit cette spécialisation fonctionnelle.
CGPO (Curriculum Group Policy Optimization) améliore l'entraînement des modèles texte-vers-image en utilisant un curriculum adaptatif basé sur la variance des récompenses. La méthode priorise les prompts partiellement maîtrisés (variance élevée) et équilibre les catégories via optimisation de fairness proportionnelle. Gains validés sur GenEval, T2I-CompBench++, DPG Bench.
SocialMemBench est un benchmark évaluant les systèmes de mémoire IA dans les groupes sociaux multi-parties (430 personas, 7,355 tours de conversation, 1,031 paires QA). Gemini 2.5 Flash atteint 0.721 sur petits réseaux vs 0.98 attendu. Les quatre frameworks open-source (Mem0, LangMem, Graphiti, Cognee) obtiennent 0.12-0.18, bien en dessous des références (0.345-0.369), révélant un écart mesurable.
Évaluation systématique de notes cliniques synthétiques générées par LLM à l'échelle du million de notes. L'étude montre que les notes synthétiques préservent les informations cliniques essentielles pour les tâches grossières mais perdent les détails fins pour le codage ICD. Le reprasing par chunks réduit cette perte mais diminue la précision factuelle.
Article de perspective sur l'utilisation des LLM (ChatGPT, Gemini, Claude) et outils spécialisés (Consensus, Elicit) pour conduire des revues de littérature. Couvre summarization, question-answering, extraction de données et traduction. Discute opportunités, risques et implications philosophiques pour le progrès scientifique.
DEPPA optimise les modèles de diffusion conscients de la poche protéique pour la conception de médicaments via apprentissage par renforcement. La méthode affine un modèle pré-entraîné en formulant le processus de débruitage comme un processus décisionnel de Markov, optimisant affinité de liaison, drug-likeness, synthétisabilité et diversité. Sur CrossDocked2020, DEPPA atteint Vina Score -8.5 kcal/mol.
Benchmark de LLMs sur la classification du traitement des précédents juridiques. Dataset expert-annoté de 239 citations légales réelles. Gemini 2.5 Flash atteint 79,1% en classification haut-niveau, GPT-5-mini 67,7% sur schéma fin-grained. Nouvelle métrique Average Severity Error pour mesurer l'impact pratique des erreurs.
Framework hybride combinant CNNs 1D et 2D avec fusion guidée par attention pour la reconnaissance biométrique basée sur ECG. Évaluation sur ECG-ID, MIT-BIH, PTB : 99.56%, 100%, 99.89% d'exactitude. Tests multi-sessions (Heartprint, 10 ans) : 98.54%-99.09% intra-session, 53-56% inter-sessions.
PEIRA est une méthode d'apprentissage auto-supervisé non-contrastif qui analyse la dynamique de JEPA via un régresseur linéaire régularisé. Elle minimise une fonction objective explicite basée sur la trace du régresseur optimal, garantissant des équilibres stables non-effondrés alignés avec les sous-espaces de corrélation canonique. Résultats compétitifs sur ImageNet-1K et CIFAR-10.
Un modèle d'attention label-wise entraîné sur données ICD-9 et ICD-10 combinées améliore la prédiction de codes médicaux rares de 27% en micro F1 (18K codes rares) et les métriques macro sur codes fréquents, malgré le décalage de versions. Approche version-indépendante pour automatiser le codage clinique.
Étude de l'apprentissage semi-supervisé invariant et équivariant (FixMatch, Dense FixMatch) pour l'entraînement multi-tâches sur données partiellement annotées. Tests sur Cityscapes et BDD100K pour détection d'objets et segmentation sémantique. Les approches équivariantes surpassent les baselines supervisées, particulièrement avec peu d'échantillons étiquetés par tâche.
Framework probabiliste Bayesian-Monte Carlo pour la mise à jour dynamique des calendriers de projets de construction. Modélise les durées d'activité avec distributions lognormales, les met à jour via inférence bayésienne, et propage l'incertitude par simulation Monte Carlo. Démontre une meilleure précision que les méthodes CPM déterministes sur les benchmarks PSPLIB.
UniAlign est un framework agnostique aux modèles pour améliorer la robustesse de la classification du trafic réseau face aux changements de distribution. Il combine l'alignement de domaine et l'ensemble de modèles stables, améliorant la précision de 2,51% et le F1 de 2,71% sur trois datasets publics, avec 12,4–53,9% du coût d'entraînement des baselines.
Étude sur la classification automatique des rapports de bugs invalides et la génération de corrections sans code. Les chercheurs proposent une taxonomie standardisée et testent LLMs vanilles, RAG et agents web. RAG atteint 0.66 F1 pour la sous-classification, la recherche web agentique 68.9% de succès pour les corrections.
Méthode de planification robotique pour la sculpture sur argile basée sur une représentation alignée visuellement. Le système modélise la dynamique des matériaux déformables en capturant textures et éclairage, permettant une planification long-horizon (>100 actions) sans retraining par objectif. Testé sur trois matériaux avec différents effecteurs.
Article de vision sur la révision de code assistée par IA. Propose un framework d'agents spécialisés couvrant 5 étapes (création PR, augmentation, sélection reviewer, review assistée, rétrospective) avec contrôle humain aux points critiques. Identifie défis : fiabilité, biais, confidentialité, biais d'automatisation, transparence, évaluation.
BESplit propose un cadre de federated learning distribué (SFL) pour atténuer les effets des données non-IID. La méthode combine Evidential Aggregation pour pondérer les contributions clients, Bias-Compensated Collaboration pour aligner les représentations, et Dual-Teacher Distillation pour synchroniser les modèles. Tests sur 5 benchmarks montrent amélioration de précision et stabilité.
Article théorique sur l'interprétabilité mécanique des modèles de vision. Propose un cadre distributional basé sur la minimisation KL pour interpréter les activations internes, résolvant les biais des méthodes heuristiques (top-K, optimisation régularisée). Implémentation via diffusion posterior sampling, validée sur DINOv3.
KAN-SAE, un nouvel autoencodeur creux utilisant des activations B-spline non-linéaires de réseaux de Kolmogorov-Arnold, découvre 975 caractéristiques climatiques dans les modèles de prédiction météo (vs 566 pour les SAE linéaires). Sans supervision climatique, il identifie des phénomènes interprétables comme les vagues de chaleur européennes et les typhons du Pacifique.
Framework de fine-tuning multilingue pour MLLMs combinant génération synthétique OCR-traduction, SFT avec LoRA et chain-of-thought visuel structuré. Améliore significativement l'extraction de texte petit, flou, occludé sur reçus, menus, documents en conditions visuelles dégradées. Surpasse GPT-5 et Gemini sur OCR et hallucinations.
Hilbert-Geo introduit un cadre formel unifié pour la géométrie solide via Parse2Reason : parsing en langage CDL (Conditional Description Language) puis raisonnement avec théorèmes. Atteint 77,3% sur SolidFGeo2k et 84,1% sur MathVerse-Solid, surpassant Gemini-2.5-pro (54,2%) et GPT-5 (62,9%). Deux datasets annotés : SolidFGeo2k et PlaneFGeo3k.
GCE-MIL améliore l'apprentissage multi-instance pour l'analyse d'images histologiques en optimisant directement la qualité des preuves (suffisance, nécessité, récupérabilité) plutôt que de s'appuyer sur les poids d'attention. Sur 81 configurations (9 backbones, 9 datasets), le gain Macro-F1 atteint +0.024 et C-index +0.014, avec inférence 5× plus rapide.
MemRepair est un framework d'agent augmenté par mémoire pour la réparation de vulnérabilités au niveau du dépôt. Il combine trois couches mémoire (History-Fix, Security-Pattern, Refinement-Trajectory) avec une boucle de raffinement itérative. Évalué sur SEC-Bench, PatchEval et Multi-SWE-bench, MemRepair atteint 58.0%, 58.2% et 30.58% de taux de résolution, surpassant OpenHands, SWE-agent et InfCode-C++.
DiagEval est un protocole d'évaluation diagnostique pour les agents GUI testant des logiciels interactifs générés par LLM. Il réutilise les trajectoires échouées pour identifier si les défaillances proviennent de l'évaluateur ou du logiciel. Sur WebDevJudge-Unit et RealDevBench, DiagEval récupère 45.6-62.1% des faux négatifs et améliore la précision de 69.9% à 78.3% et de 65.0% à 81.6%.
Papier arXiv proposant Progressive Generalization Augmentation (PGA) pour améliorer la robustesse des systèmes RL agricoles. Architecture RND-PPO couplée + injection de bruit hiérarchisée. Résultats : +8.43% rendement, +16.42% efficacité azotée vs BERT-DQN en Floride ; 94.4% rétention performance sous perturbations combinées.
Système d'alerte précoce aux glissements de terrain robuste aux incertitudes de prévisions pluviométriques. Utilise l'apprentissage contrastif sensible au mouvement des champs de pluie (RMCL) pour apprendre des représentations stables sous déplacement spatial. Testé sur 2 ans de données au Japon (19 régions) : +37% de précision vs baselines.
IVF-TQ propose un index IVF avec couche résiduelle sans codebook : rotation aléatoire fixe + quantification scalaire Lloyd-Max précomputée. Réduit la dégradation en streaming (Deep-10M : -0.80pp vs IVF-PQ -3.23pp). Code disponible.
DACA-GRPO améliore l'entraînement par renforcement des modèles de langage diffusifs en résolvant deux problèmes : l'absence d'attribution de crédit temporelle et le biais des estimations de vraisemblance. La méthode introduit des scores de progrès de débruitage et un masquage stratifié, gagnant jusqu'à 7.4pp en génération de code et 5.6pp en raisonnement mathématique.
FML-Bench est un benchmark de 18 tâches ML sur 10 domaines évaluant 6 agents de recherche IA. Résultats clés : la complexité stratégique seule ne garantit pas la performance (greedy hill-climber rivalise avec tree-search) ; l'efficacité dépend de la structure d'opportunités d'amélioration ; un agent adaptatif détectant la stagnation surpasse les autres. 12 métriques comportementales au niveau processus.
Nouvel article arXiv proposant HRC (Hybrid Reward-Cyclic), un modèle de récompense qui décompose explicitement les préférences humaines en composantes transitives (scalaires) et cycliques (vectorielles) via théorie des jeux. Introduit DSPPO (Dynamic Self-Play Preference Optimization) pour l'alignement. Résultats : +1.23% sur RewardBench 2 vs GPM, 44.75% win-rate AlpacaEval 2.0 avec Gemma-2B-it.
Étude comparative d'agents LLM pour prédire les réponses à l'enquête SHARE (santé, vieillissement, retraite en Europe). Les agents basés uniquement sur des données démographiques (âge, revenu, éducation, etc.) montrent un biais de tendance centrale et une précision irréaliste, tandis que les agents ancrés sur des réponses d'enquête reproduisent mieux les interactions entre facteurs de planification retraite.
ASPI est un benchmark de 728 scénarios tâche-attaque mesurant comment la clarification augmente la vulnérabilité aux injections de prompt. Les tests sur 10 LLMs frontière montrent que le taux de succès d'attaque monte de 1,8% à 34,0% pour o3 et de 2,2% à 35,7% pour Gemini-3-Flash en mode clarification. Code et données disponibles.
TClone est un système de workspace personnel forkable pour agents informatiques. Il permet de snapshotter, forker, et rollbacker une GUI interactive en direct, avec isolation et versioning rapide. Utilise containers siblings, copy-on-write mémoire, versioning filesystem et checkpointing asynchrone. Réduit latence totale de 1.9x vs KVM et 1.5x vs CRIU.
Multi-Scale Hypergraph Laplacians (MSHL) : framework en deux étapes pour imputer des données spatiotemporelles incomplètes de réseaux de capteurs. Découverte de structures d'ordre supérieur via hypergraphes multi-échelles, puis raffinement par réseau résiduel conditionné. Garanties théoriques et tests sur réseaux routiers réels avec pannes structurées.
Attention Hijacking : une attaque adversariale qui manipule les distributions d'attention internes des modèles vision-langage pour maintenir une réponse cible identique à travers différentes requêtes textuelles. La méthode amplifie l'influence des tokens visuels sur les tokens de réponse tout en supprimant celle des tokens textuels, améliorant la transférabilité cross-query.
StyleText est un dataset de 28,518 triplets image-masque-prompt pour l'inpainting de texte en scène avec préservation de style. Pipeline automatisé combinant LLM, Flux avec injection KV-cache, OCR, extraction de masques polygonaux et augmentation FluxFill. Baseline FluxFill+LoRA améliore significativement la précision OCR tout en maintenant la cohérence stylistique.
UNR-Explainer génère des explications contrefactuelles pour les modèles d'apprentissage de représentation de nœuds non supervisés (GNNs). La méthode identifie les sous-graphes critiques qui modifient les k-plus proches voisins d'un nœud dans l'espace d'embedding via une recherche Monte Carlo Tree Search (MCTS). Évaluée sur GraphSAGE et DGI.
OProver est un framework unifié pour la preuve formelle de théorèmes en Lean 4 utilisant des agents. Le système révise itérativement les tentatives échouées via des preuves récupérées et du feedback du compilateur. Entraîné par préentraînement continu et post-entraînement itératif, OProver-32B atteint 93,3% Pass@32 sur MiniF2F et 58,2% sur ProverBench.
ContractBench évalue la capacité des agents LLM à préserver les contrats d'observation (artefacts temporellement valides et intègres au niveau des octets) lors d'appels API. Sur 38 modèles testés, aucun ne dépasse 80% : Claude-Opus-4.6 atteint 77,8%. Les résultats révèlent des défaillances d'intégrité et de validité non corrélées à la taille du modèle, et une régression non-monotone dans la famille GPT-5.
Benchmark latency-aware pour 8 architectures deep learning (MLPs, Transformers) en détection d'anomalies sur réseaux électriques dominés par onduleurs. Classification en temps réel < 15 ms par cycle, mais latence end-to-end 50-90 ms (3+ cycles). Écart critique entre capacité algorithmique et déploiement protection-grade identifié.
Rover est un système de résolution de conflits de fusion de code combinant analyse de programme et LLM. Il introduit Multi-layer Code Property Graph (MtCPG) pour capturer les dépendances inter-fichiers et utilise des algorithmes de connectivité graphique pour créer des contextes significatifs. Évaluation : Rover surpasse les LLM seuls, MergeGen et WizardMerge aux niveaux caractère, lexical et sémantique.