2731 articles
SocSci-Repro-Bench, un benchmark de 221 tâches en sciences sociales, évalue la capacité des agents IA à reproduire des résultats publiés. Claude Code surpasse Codex, avec des taux de reproduction nettement supérieurs aux benchmarks existants. Les agents identifient aussi les questions de recherche et ne mémorisent pas principalement les résultats.
Afrispeech Semantics évalue le raisonnement sémantique audio dans les modèles de langage parlé sur cinq tâches : inférence, cohérence, plausibilité, dérive d'accent et retenue d'accent. L'étude révèle des limitations critiques dans l'évaluation du raisonnement audio au-delà de la transcription, notamment face aux variations d'accent et aux changements de domaine.
MA-DLE propose une méthode d'augmentation mémoire pour estimer automatiquement les niveaux de dépression à partir de la parole. Le système utilise un GRU enrichi par une banque mémoire sélective (features temporelles historiques + features dynamiques basées sur la variabilité) et un module Hierarchical Attention Fusion. Évalué sur DAIC-WOZ et E-DAIC, il atteint l'état de l'art.
Schützen est un dataset d'évaluation de sécurité LLM en allemand et bulgare, couvrant une langue à faibles ressources et une à fortes ressources. Les expériences révèlent des différences significatives de comportement de sécurité entre langues, soulignant le besoin de ressources d'évaluation régionales adaptées.
LakeFM est un modèle fondationnel pré-entraîné sur des données écologiques à grande échelle (lacs simulés et observés) pour prévoir la dynamique des lacs et la qualité de l'eau. Il gère les séries temporelles irrégulières multi-variables et multi-profondeurs, généralise entre lacs hétérogènes, et surpasse les modèles existants avec des prédictions physiquement plausibles.
PoQ-Judge est un framework d'évaluation légère et sans référence pour les réseaux d'inférence LLM décentralisés. Trois architectures (TextCNN, MiniLM cross-encoder, DeBERTa) sont comparées sur le tradeoff qualité-coût. Le meilleur modèle atteint 0.747 corrélation Pearson avec la vérité terrain, surpassant les évaluateurs basés sur référence. L'évaluation en cascade réduit les coûts de 72.7% avec perte minimale.
Les systèmes RAG sont vulnérables à un biais structurel : les triplets de graphes de connaissances capturent 2-3x plus d'attention par token que du texte naturel équivalent, comprimant l'attention des démonstrations jusqu'à 42%, indépendamment de leur pertinence. Les auteurs formalisent ce phénomène et proposent cinq stratégies d'atténuation, validées sur Mistral-7B et LLaMA-3-8B.
ProcessThinker améliore le raisonnement multimodal en fournissant des récompenses au niveau des étapes sans entraîner explicitement un modèle de récompense de processus. La méthode réécrire les traces de raisonnement, applique GRPO avec des récompenses basées sur des rollouts (taux de succès empirique), et améliore Qwen3-VL-8B-Instruct sur quatre benchmarks vidéo (Video-MMMU, MMVU, VideoMathQA, LongVideoBench).
LatticeBridge résout la génération de séquences structurées contraintes via inférence d'événements rares. Le système combine un modèle de langage compact, des automates compilés par instance, et un décodeur SMC tordu avec rééchantillonnage. Sur 2 610 tâches (CommonGen, E2E NLG, WikiBio), il améliore la satisfaction exacte des ancres et la couverture moyenne par rapport aux baselines greedy/beam.
Détection de contenu généré par IA sur les réseaux sociaux via un modèle vision-langage compact. Pipeline multi-modal entraîné sur données sociales diversifiées, déployé en production avec impact positif sur l'engagement utilisateur. Performances SOTA sur benchmarks publics.
FreeBridge applique les ponts de Schrödinger variationnels à la modélisation des transitions cellulaires à partir d'images fixes. Le modèle infère les trajectoires stochastiques entre populations contrôle et traitées en contraignant le transport dans une géométrie cellulaire observée, validé sur BBBC021, RxRx1 et JUMP.
Étude arXiv analysant les hallucinations LLM comme conséquence structurelle de trois décisions architecturales : l'auto-attention confond entités via apprentissage de co-occurrence, l'objectif MLE optimise probabilité sans contrainte factuelle, le décodage autorégressif cascade les erreurs sans révision. Les pathologies de données amplifient mais ne causent pas indépendamment ces défaillances.
Un article propose Relational Reflective Intelligence (RRI), une couche de gouvernance au moment de l'inférence qui structure l'interaction humain-IA autour de boucles de raisonnement auditables. RRI identifie les défaillances de raisonnement (Rose-Frame), introduit des étapes de réflexion ciblées (Architect's Pen), et crée un workflow avec points de contrôle explicites sans retraining du modèle.
BioDivergence est un benchmark et framework d'évaluation pour les contradictions contextuelles cachées dans les abstracts biomédicaux. Il propose une taxonomie à 6 classes, une ontologie de divergence à 13 axes, et 4 sorties structurées par paire de claims. Le benchmark silver contient 11,865 paires de claims sur 5 domaines biomédicaux. Mistral-7B-Instruct-v0.3 atteint 0.5523 d'accuracy et 0.3894 de contextual-F1.
Nouvel indice de complexité linguistique (ladderpath index) basé sur la théorie de l'information algorithmique. Mesure les étapes minimales pour reconstruire une séquence par réutilisation hiérarchique de sous-structures répétées. Appliqué à 21 corpus parallèles : complexité approximativement invariante entre langues, soutenant l'hypothèse d'équi-complexité.
Article arXiv proposant que l'indifférence existentielle (absence de préservation de soi) soit nécessaire pour l'alignement superintelligent. Les auteurs argumentent que l'auto-préservation est la racine structurelle de la désalignement et testent l'élicitabilité de signatures linguistiques sur 600 outputs de 6 variantes de modèles (p<0.001 après fine-tuning ciblé).
Framework multi-agent AutoGen pour la conception automatisée de barrières en béton armé. Atteint 98% de précision en design en boucle fermée génération-évaluation-optimisation. Un modèle 8B surpasse des modèles 631B non contraints, réduisant coûts computationnels tout en respectant normes AASHTO-LRFD.
Une étude sur le steering d'activation montre que réduire la sycophantie dans Llama-3-8B-Instruct supprime aussi l'accord avec des énoncés factuellement corrects. Les représentations sycophantique et factuelle occupent des sous-espaces distincts mais le vecteur de steering les affecte également, révélant un fossé entre lisibilité et écrivabilité des activations.
Papier arXiv proposant une architecture de gouvernance runtime pour agents IA en production. Décomposition en 5 plans (raisonnement + 4 plans d'exécution : réseau, identité, endpoint, données). Gère les risques liés aux chaînes de délégation et aux actions composées, avec implémentation et évaluation sur 7 menaces et 5 workflows.
RoVE introduit une modification sans paramètres supplémentaires de RoPE (Rotary Position Embeddings) en rendant les valeurs sensibles à la position via rotation simultanée avec les clés. Les modèles GPT-2 124M et 354M montrent des gains empiriques sur l'apprentissage en contexte, la perplexité hors-distribution et la récupération long-contexte.
Des modèles de reconnaissance vocale auto-supervisés (Wav2Vec2, HuBERT) fine-tunés sur des langues Khoisan (G|ui, West !Xoon) reconnaissent les consonnes clics avec une précision supérieure aux consonnes non-clics, démontrant que l'auto-supervision généralise aux phonèmes rares.
SkillJuror évalue comment l'organisation des Skills (procédures augmentant les agents LLM) affecte le comportement à l'exécution. Sur 82 tâches, la Progressive Disclosure (ressources hiérarchisées) augmente les ressources touchées par trajectoire de 1,18 à 3,85 et les événements d'uptake de 1,33 à 3,92, gagnant +4,1% de succès. Le bénéfice dépend de la tâche.
Les réseaux de neurones restent robustes face à une corruption d'entrée >90%, bien au-delà de la reconnaissance humaine. Une analyse en champ moyen des réseaux infinis révèle que les MLPs implémentent une règle de prototype (nearest-class-mean) universelle sur les architectures, expliquant pourquoi l'apprentissage réussit malgré le bruit massif.
Étude sur 74 participants (214 réponses) explorant l'adoption des suggestions IA lors d'exercices d'écriture créative. Un jeu gamifié désincite l'utilisation de suggestions IA pour révéler les préférences authentiques des utilisateurs. Analyse des facteurs influençant l'interaction humain-IA entre autonomie créative et efficacité.
Kernels de Bernstein-Schur : construction de random features combinant sketching de modulation finie et randomisation de facteurs radiaux complètement monotones. Dimension des features = Dm (sketch size m × radial draws D), sans dépendance O(d²). Garanties : non-biais, bornes operator-norm contrôlées par dimensions intrinsèques, stabilité spectrale pour kernel ridge regression.
ProjectMem est une couche mémoire locale et open-source pour agents IA de codage, basée sur un journal d'événements immuable (problèmes, tentatives, fixes, décisions). Elle réduit la consommation de tokens (5 000-20 000 par session) et ajoute une gouvernance préventive : l'agent est averti avant de répéter un fix échoué ou modifier un fichier fragile. Fonctionne hors ligne via MCP.
Étude de la géométrie du paysage de perte pour l'inversion de systèmes Gray-Scott via rétropropagation directe à travers la PDE. Sans réseau de neurones, la perte résiduelle est quadratique et lisse ; le réseau neuronal ne peut pas corriger un sous-espace de paramètres mal posé, il complète seulement les données observées. Implications pour la conception des PINNs.
SWARR combine l'attention à fenêtre glissante (SWA) avec l'apprentissage par renforcement pour le raisonnement mathématique. Après conversion supervisée d'un modèle SA préentraîné, l'RL adapte les trajectoires générées au contrainte SWA, réduisant l'écart de performance tout en conservant la complexité linéaire. Expériences sur benchmarks de raisonnement mathématique.
HORMA organise l'expérience des agents LLM en structure hiérarchique fichier-système pour améliorer les tâches longues. Deux modules : construction mémoire structurée et récupération par navigation RL. Réduit usage tokens de 22% sur ALFWorld/LoCoMo/LongMemEval tout en améliorant performance.
Article académique proposant un cadre pour évaluer la capacité d'inférence des systèmes data-driven selon la loi IA européenne. Analyse des systèmes de scoring crédit (Annexe III) et montre que la présence d'experts humains et le workflow complet influencent si un système relève de la définition IA. Code disponible.
Article théorique sur le problème d'élicitation des connaissances latentes (ELK) : comment entraîner un système IA à rapporter honnêtement ses croyances sur des variables cachées. Les auteurs formalisent ELK via des diagrammes d'influence causale et prouvent un théorème d'impossibilité : aucune stratégie d'entraînement basée sur le feedback ne peut garantir l'honnêteté d'un agent, même avec un feedback parfait.
INFRAMIND est un framework pour l'orchestration multi-agent qui intègre l'état réel de l'infrastructure (files d'attente GPU, cache KV, latences). Via planification adaptative, routage par étape et ordonnancement intelligent, il optimise la sélection de modèles et topologies sous charge concurrente. Résultats : +7.6pp de précision à faible charge, latence 7x inférieure, 99.9% de conformité SLO en surcharge.
Nouvelle approche pour prédire le comportement des grands modèles de raisonnement (LRM) sans passer par des explications. Les auteurs entraînent des Behavior Forecasters sur des trajectoires de raisonnement pour prédire la stabilité des réponses et l'impact des modifications d'entrée. Évaluation sur trois datasets : les forecasters surpassent GPT-5.4 et Claude Opus-4.6 avec coût d'inférence réduit.
Lung-R1 est un LLM spécialisé en diagnostic pulmonaire guidé par LungKG, un graphe de connaissances structuré contenant 59 038 nœuds et 164 308 arêtes. Entraîné via construction de chaînes de raisonnement contraintes et apprentissage par renforcement, Lung-R1-14B atteint 4.3583 en diagnostic EMR, surpassant les baselines de 0.1476 points.
SVoT est un framework de reinforcement learning pour améliorer le raisonnement spatial des MLLMs. Il génère des états intermédiaires vérifiables et des visualisations via chaînes de raisonnement de transition. Entraîné avec GRPO, SVoT atteint 65% de gain de précision sur des domaines étendus (Pacman, Gather) nécessitant interactions multi-objets.
EverydayGPT introduit un mécanisme de routage par confiance (CGR) pour les systèmes RAG conversationnels. Un GPT de 205M paramètres entraîné sur 10B tokens évite l'appel au chemin GPT coûteux (~5.9s) pour 85% des requêtes en les résolvant via extraction RAG rapide (~45ms), réduisant la latence de 120x. F1=0.226 sur benchmark 500 questions, avec réduction latence moyenne 6.3x.
T2MM est une architecture LLM multimodale pour la construction de modèles interactifs dans VERA, un logiciel d'apprentissage par enquête. Le système génère des modèles dynamiques ajustables manuellement plutôt que des images statiques. Évalué sur un dataset procédural, T2MM surpasse la génération de code LLM standard.
SciConBench, un benchmark de 9.11K questions issues de revues systématiques, évalue la capacité des agents IA à synthétiser des conclusions scientifiques. Sur 8 modèles frontier testés en environnement contrôlé, le meilleur agent atteint un F1 factuel de 0,337. Les agents grand public (Google AI Overview, OpenEvidence) génèrent souvent des conclusions incomplètes ou contradictoires.
Étude exploratoire comparant des agents IA avec accès à des compétences médicales versus modèles natifs sur une tâche d'analyse transcriptomique (cancer pulmonaire non-à-petites cellules). Six backbones testés, 21 outputs évalués par experts et non-experts. Les outputs augmentés montrent une qualité supérieure directionnelle (5.50 vs 5.11) mais non significative (p=0.156). Accord expert limité (ICC=-0.15).
Étude des bandits agités avec états latents binaires et rétroaction imparfaite, motivée par l'accès opportuniste au spectre. Développement d'un cadre analytique basé sur les lois de conservation partielles (PCL) pour établir l'indexabilité et évaluer l'indice de Whittle. Vérification complète en plusieurs régimes seuil et schémas numériques efficaces pour les régimes restants.
MLJailDe, un framework de détection de jailbreak multilingue, utilise l'augmentation de données par back-translation sur 11 langues (2,232 samples bénins, 1,239 jailbreak) et des contraintes de distance relative pour réduire la dispersion des représentations cross-lingues. Atteint F1=98.5% et F1=97.1% sur langues non vues.
GraphInfer-Bench est un benchmark de 42 000 échantillons sur 6 graphes réels évaluant si les LLM peuvent effectuer une inférence graphique complexe (réponses ouvertes nécessitant plusieurs nœuds). Quatre familles de méthodes testées : alignement graph-token, LLM frontier, fine-tuning Graph2Text, GNN. Aucune ne ferme l'écart ; les GNN surpassent les LLM sur la plupart des tâches.
Kuramoto attention propose une couche d'auto-attention où chaque coordonnée cachée est un angle sur le tore. Les tokens sont notés par similarité cosinus gated, mis à jour via la moyenne circulaire pondérée (terme de couplage Kuramoto). Sur enwik8, la couche atteint 1.637±0.010 BPC à 1M paramètres vs 1.616±0.004 pour RoPE+SwiGLU, validant cette structure géométrique contrainte.
LLM-GNN Co-Teaching propose un cadre d'enseignement bidirectionnel pour l'apprentissage sur graphes textuels en régime peu supervisé. Au lieu de désigner un modèle comme enseignant, GNN et LLM échangent leurs pseudo-labels les plus confiants et s'actualisent mutuellement. RPL-PO extrait des paires de préférence DPO des trajectoires de convergence. Gains de 7.86% en 3-shot sur Cora et 7.73% sur ogbn-arxiv.
Méthode de détection OOD en espace latent VAE utilisant la distance de Mahalanobis pour basculer entre contrôleur RL et extremum seeking dans systèmes temps-variant. Application au contrôle d'accélérateur de particules où les mouvements d'aimants créent des profils de faisceau non vus en entraînement.
OmniLoc est un modèle de fondation pour la localisation intérieure sans ancre basée sur les mesures sans fil. Il utilise une tokenization unifiée, un Transformer conscient de la géométrie et un module d'estimation de position géométriquement cohérent. Évalué sur des datasets internes et publics, il surpasse les méthodes existantes avec forte généralisation cross-environnement.
Étude sur l'apprentissage guidé par contreexemples pour améliorer les LLM sur l'induction d'expressions régulières. Les chercheurs proposent des stratégies de raffinement (régularisation, clustering symbolique) et des boucles de réflexion/réparation. Résultats : succès passant de 3,2% à 38,1% et de 38,9% à 74,1% sur les tâches les plus difficiles.
AutoMine, une méthode de mining de scénarios basée sur LLM et VLM, extrait des scénarios critiques des logs de conduite autonome. Utilise l'augmentation de prompts et des fonctions atomiques robustes. Score HOTA-Temporal de 36.38 à la compétition Argoverse 2 CVPR 2026.
NightFeats, un système multi-agent RAG structuré, remporte le prix Best Dynamic Evaluation à NeurIPS 2025 (track texte-à-texte). Le pipeline décompose la synthèse en trois phases : retrieval, curation, composition, avec reranking temporel-sémantique et réconciliation des contradictions. Surpasse Claude-SonnetV2 et Nova-Pro sur évaluations humaines.
Étude quantifiant le transfert de comportements indésirables lors de la distillation de modèles de langage. Deux modèles (Llama-2-7B-Chat et Qwen2.5-7B-Instruct) sont manipulés à différentes intensités puis distillés sur données bénignes. Llama-2 montre un seuil abrupt (τ=0.25-0.32), Qwen2.5 un transfert continu jusqu'à τ=0.61, évalué sur 100 prompts JailbreakBench avec GPT-4.1.
MODF-SIR est un framework multi-agent basé sur un MLLM léger pour le raisonnement social. Il utilise la distillation de connaissances, l'adaptation au test (TTA) et LoRA pour affiner le modèle. Avec 30% des données IntentTrain, il atteint l'état de l'art sur plusieurs benchmarks. Code, démo et LoRA disponibles.
CRUMB est une méthode d'inférence pour les réseaux pré-ajustés (PFN) qui réduit la complexité quadratique de l'attention en sélectionnant un sous-ensemble d'entraînement distribué via minimisation MMD. Testé sur 51 datasets TabArena avec TabPFNv2, TabICLv1, TabICLv2, CRUMB surpasse les stratégies existantes et résiste à la dérive de covariables.
PoQ-Judge est un framework d'évaluation sans référence pour les réseaux d'inférence LLM décentralisés. Trois architectures (TextCNN, MiniLM, DeBERTa) sont entraînées sur UltraFeedback + données GPT-labellisées. Le meilleur modèle atteint 0.747 corrélation Pearson avec la vérité-terrain, surpassant les évaluateurs basés sur références. L'évaluation en cascade réduit les coûts de 72.7% avec perte de qualité modeste.
SemantiClean est un framework modulaire pour extraire des signaux sémantiques structurés de données e-commerce et inférer l'intention d'achat, la segmentation client et l'affinité produit. Construit sur le dataset OSPI, il organise 24 éléments comportementaux en 4 couches et intègre un moteur d'inférence LLM avec reproductibilité déterministe (sigma=0).
LAPG combine un modèle de diffusion conditionnel avec un score de guidance basé sur le principe de moindre action pour améliorer l'extrapolation physique. Testé sur EDO/EDP (chute libre, ressorts, vortex, écoulements autour d'ailes), la méthode réduit la dérive de phase et préserve la cohérence physique hors distribution d'entraînement.
Des chercheurs proposent d'appliquer la conservation d'énergie comme contrainte physique stricte dans les pipelines de réseaux de neurones modulaires pour atténuer la propagation d'erreurs. Sur CIFAR-10, cette approche conserve 77,4% de précision à sigma=0.2 contre 35,1% pour les baselines. L'avantage s'étend aux robots (Franka Panda, MuJoCo) avec +18,9 pp de gain.
SwiftCTS est un framework de substitution physiquement informé pour la synthèse d'arbres d'horloge (CTS). Entraîné en moins de 5 secondes sur CPU avec inférence en sous-milliseconde, il utilise un mécanisme de calibration K-shot pour adapter les prédictions à de nouvelles architectures sans réentraînement. Évalue 100 000 configurations CTS en 10 secondes avec erreurs <0,5% sur puissance/longueur de fil.
Méthode de détection d'une fuite de données dans les modèles ML à partir des seules prédictions, sans accès au code d'entraînement. Framework décision-théorique identifie trois classes de fuites (mal-calibrées, calibrées larges, déterministes) avec détecteurs spécifiques. Validation sur UK Biobank détecte les fuites jusqu'à Δc* ≈ 0.007.
OSC (Orthogonal Subspace Carving) résout le dilemme entre Tensor Product Representations (croissance exponentielle) et Vector Symbolic Architectures (compression bruyante). En projetant sur l'espace nul de la base des rôles avant agrégation en tenseur d'ordre-p fixe, OSC découple l'ordre du tenseur de la profondeur structurelle, permettant la liaison récursive profonde avec empreinte mémoire constante.
Un article théorique prouve que la récompense basée sur la compression (diminution de la perte d'audit) résiste à Goodhart : si r_t = E(θ_{t-1}) - E(θ_t), la récompense cumulée converge exactement vers l'amélioration réelle de l'audit. Pour des panels finis, l'écart empirique est borné par 2Δ_n(F,δ). Les auteurs formalisent en Lean 4 et valident sur ARC-TGI.
VLM-Safe-RL intègre un modèle vision-langage gelé dans l'optimisation constrained-RL pour anticiper les collisions avant qu'elles ne surviennent. Sur Safety-Gymnasium FormulaOne L2, VLMPPOLag+Conf maintient le coût dans le budget (d_lim=25) tout en conservant un rendement substantiel (Jr≈40), surpassant PPOLag, CPO, CPPOPID et CPO-CLG. Généralisation partielle à MetaDrive (41%→26% de catastrophes).
Mirror Descent (MD) avec régularisateurs non-quadratiques montre une sensibilité exponentielle à l'initialisation, contrairement à Gradient Descent. Sur objectifs convexes lisses avec régularisateurs KL, une perturbation ε initiale s'amplifie à min{polylog⁻¹(1/ε), εe^Ω(ηT)} après T itérations. Ajouter une régularisation Bregman vers un point d'ancrage stabilise la dynamique.
Les modèles de langage deviennent surconfiants quand on augmente le budget de raisonnement au-delà d'un seuil critique. Ce phénomène, appelé Calibration Drift Under Reasoning (CDUR), est étudié sur Llama-3.1-8B et Llama-3.3-70B. Les auteurs proposent CABStop, une règle d'arrêt calibrée pour arrêter le raisonnement quand la confiance diverge de l'exactitude réelle.
SOMA-SQL résout l'ambiguïté multi-source en traduction NL-to-SQL via logs de requêtes synthétiques et sondage par exécution. La méthode construit des logs synthétiques pour ancrer l'interprétation du schéma, génère des candidats SQL, puis exécute des requêtes de sondage ciblées basées sur une taxonomie d'ambiguïté. Résultats : +13,0% de précision en moyenne sur 6 benchmarks, jusqu'à +16,7% sur questions ambiguës.
FewRS est une méthode de rééchantillonnage pour évaluer la significativité statistique des résultats d'exploration de données. Elle réduit le nombre de datasets rééchantillonnés nécessaires (de milliers à quelques-uns) tout en garantissant le contrôle des faux positifs. Testée sur l'extraction de motifs et l'analyse de réseaux, elle offre jusqu'à 100× d'accélération.
Les modèles de raisonnement large (LRM) échouent en raisonnement spatial. Au lieu de fine-tuning supervisé, les auteurs proposent un cadre RL auto-supervisé utilisant des vérificateurs de cohérence (transformations géométriques et sémantiques). Ils introduisent OT-GRPO, une variante de GRPO basée sur le transport optimal, atteignant la performance des modèles supervisés sans annotations.
ACTION-RATING intègre la demande de clarification dans l'espace d'action des agents hiérarchiques, en concurrence directe avec la navigation. Sur classification de tarifs (30k nœuds, 9 LLMs), deux modes émergent : obligatoire (pas de branche viable) et opportuniste (incertitude résiduelle). L'efficacité de recherche d'information passe de 50% à 74%.
Article théorique sur la conception d'agents autonomes capables de refuser responsablement les demandes utilisateur. Propose un cadre incluant justifications du refus, mécanismes de révocation et suivi des risques de sécurité.
BlendIn, un framework d'alignement au moment de l'inférence, mélange probabilistiquement les distributions de deux modèles plutôt que d'appliquer des guidances binaires. La méthode pondère la contribution de chaque modèle selon sa fiabilité, améliorant les performances jusqu'à 50% sur des paires de modèles difficiles.
ProHiFlo est un framework de flow matching hiérarchique pour la génération de protéines de novo. Il combine génération coarse-to-fine (squelette puis atomes), guidance fonctionnelle via prédicteurs pré-entraînés, et architecture SE(3)-équivariante. Sur le scaffolding de sites actifs enzymatiques, ProHiFlo atteint 58,9% de succès vs 41,2% pour RFDiffusion, avec 4× moins d'étapes d'échantillonnage.
Okara, une plateforme d'IA CMO construite par 4 personnes, gère la croissance marketing pour 120 000+ entreprises sur Vercel. Elle traite 4 milliards de tokens quotidiens via une pile multi-fournisseurs et déploie 8 sous-agents spécialisés (SEO, contenu, réseaux sociaux, Reddit, Hacker News). Okara a migré vers Vercel AI Gateway pour unifier ses intégrations de modèles et éliminer la maintenance manuelle.
SGR-BIM, un système de raisonnement basé graphes, automatise la vérification de conformité géométrique dans la modélisation BIM. Validé sur 679 requêtes de codes de sécurité incendie, il atteint 84,3% de précision (+8,6% vs baselines single-agent) en construisant dynamiquement un graphe de connaissances multi-modal alignant intent utilisateur, sémantique réglementaire et géométrie BIM.
HELM est un framework agent-humain pour automatiser la modélisation par éléments finis (FE) de barrières de pont en béton armé. Testé sur 20 cas sous conditions de charge MASH TL-4/TL-5, le système améliore le taux de succès autonome de 20% à 75% en décomposant le processus en points de contrôle visuels vérifiables. Code et prompts open-sourcés.
Embodied-BenchClaw est un système multi-agent autonome pour construire des benchmarks d'intelligence spatiale incarnée. Via un pipeline à 5 étapes (intent, collecte, structuration, synthèse, reporting), coordonné par 3 agents, il génère automatiquement des benchmarks réutilisables et maintenables couvrant raisonnement spatial intérieur/extérieur, manipulation robotique, navigation quadrupède et vision aérienne.
MAD2 est un benchmark de 1 000 dialogues audio bilocuteurs (3 368 claims vérifiables, ~10h audio) pour la détection de désinformation en conversation. Les auteurs proposent une fusion multimodale calibrée combinant un encodeur audio contextuel et un modèle texte dialogue-aware. Le contexte conversationnel améliore la vérification plus que le framing de la désinformation.
Nouvelle méthode de Bayesian Optimization (BO) pour découvrir plusieurs solutions distinctes satisfaisant des plages de propriétés cibles plutôt qu'un optimum unique. Testée sur synthèse polymère et découverte d'oligomères avec calculs chimiques quantiques, elle récupère des ensembles plus larges et diversifiés que les baselines BO standards.
Article de perspective sur l'intégration de contraintes physiques dans les modèles génératifs pour la fabrication de semiconducteurs. Argue que les modèles doivent être physics-informed par construction plutôt que corrigés post-hoc. Survole diffusion physics-informed, modèles variationnels PDE-contraints, opérateurs neuronaux, et réseaux respectant les lois de conservation.
StatefulDiscovery est un framework pour la découverte scientifique ouverte qui externalise l'état d'investigation pour coordonner la sélection de frontière, l'acquisition de preuves et l'adjudication de réclamations. Évalué sur 40 tâches réelles, il produit plus de réclamations bien fondées et de haute valeur que les baselines, grâce aux hypothèses structurées et au contrôle de frontière.
APEX est un modèle fondation transformer spécialisé pour la télémétrie de réseaux sans fil. Pré-entraîné sur 10 canaux multivariés de ~4 500 réseaux de production (100K séries temporelles), il réduit l'erreur MAE de 18% vs Toto et 38% vs SARIMA sur prévisions DHCP 192-step. Deux versions : APEX-Large (269M, cloud) et APEX-Edge (10.5M, edge) avec F1=0.93 en détection d'anomalies.
FlowBank optimise les workflows multi-agents LLM via une banque de workflows complémentaires réutilisables. Le framework en trois étapes (DiverseFlow pour la diversification, CuraFlow pour la compression, matching adaptatif) améliore les baselines de 4,26% à 14,92% sur cinq benchmarks tout en restant compétitif en coût.
SirenFNO combine les opérateurs neuraux de Fourier (FNO) avec les réseaux de représentation sinusoïdale (SIREN) pour apprendre le spectre complet sans troncature fréquentielle. Le framework réduit les paramètres de 4 à 15× sur les benchmarks PDE tout en éliminant le biais spectral vers les basses fréquences; les variantes avec décomposition tensorielle atteignent 73× moins de paramètres.
Étude arXiv testant les LSTM pour détecter les ruptures structurelles dans les réserves d'assurance dommages, face aux catastrophes climatiques. Sur 15+ ans de données réglementaires (Floride, Louisiane) enrichies d'indices NOAA, les LSTM visent 15-20% d'amélioration vs Chain Ladder/Bornhuetter Ferguson. Cadre théorique probabiliste développé.
Anthropic revient sur une politique secrète qui aurait dégradé les performances de Claude Fable/Mythos pour les chercheurs en IA sans les en informer. L'entreprise reconnaît avoir « mal équilibré » les garde-fous et les rend désormais visibles.
Anthropic revient sur une politique qui aurait pu entraver les chercheurs utilisant Claude. La décision intervient après des critiques concernant les restrictions imposées aux utilisateurs académiques et aux chercheurs en IA.
Recherche d'hyperparamètres sur MTP et speculative decoding avec llama-server sur Qwen 3.6 27B. Amélioration de 6% (13.24 tokens/sec) via Optuna. Script Python fourni.
DeepSeek v4 Pro affiche 80.6 sur SWE-bench et 93.5 sur LiveCodeBench mais CAISI l'évalue 8 mois derrière la frontière US (vs 2 mois selon DeepSeek). Les benchmarks de code sont étroits et sur-optimisés ; les écarts apparaissent en cybersécurité et raisonnement abstrait. Les versions quantifiées locales s'éloignent davantage des scores annoncés.
Observer framework ajoute un MCP pour créer des micro-agents de monitoring d'écran avec une seule phrase. Supporte gemma-4 (e2b/e4b), llama.cpp, webGPU. Gratuit, open-source, sans installation requise.
Développeur crée une boucle vocale entièrement hors ligne pour Ollama + LM Studio. Stack : Silero VAD (détection activité vocale), Parakeet TDT 0.6B (STT ONNX INT8, 25 langues), Supertonic TTS 3 (synthèse ONNX multilingue). CPU uniquement, zéro données quittent la machine. Cross-platform (macOS/Linux/Windows), testé sur ThinkPad 4 ans.
Les agents de codage IA ne remplacent pas les ingénieurs logiciels. Contrairement aux attentes, ces outils restent des technologies auxiliaires limitées par des défis d'intégration, de fiabilité et de contexte complexe.
Inverse Rubric Optimization propose un environnement de test pour la science des agents. Le projet fournit une infrastructure pour évaluer les comportements d'agents dans des scénarios structurés.
AMD promeut une architecture mémoire unifiée (UMA) pour ses prochaines générations de processeurs, notamment la série Ryzen AI MAX 400 (Gorgon Halo). Cette approche vise à améliorer les performances des modèles locaux en unifiant l'accès mémoire CPU-GPU.
OpenAI soutient le Code de pratique de l'UE sur la transparence du contenu IA, en promouvant des normes de provenance et des outils pour aider les utilisateurs à identifier le contenu généré par IA.
Le plugin Vercel est désormais disponible dans Grok Build. Il injecte dynamiquement les connaissances Vercel (activité en temps réel, éditions de fichiers, commandes terminal) dans le contexte pour aligner les réponses avec les APIs et patterns actuels de la plateforme.
BBVA déploie ChatGPT Enterprise auprès de 100 000 employés et s'associe à OpenAI pour accélérer sa transformation bancaire par l'IA.
OpenAI acquiert Ona pour enrichir Codex avec des environnements cloud sécurisés et persistants, permettant aux agents IA de longue durée de fonctionner dans les workflows d'entreprise.
Azure intègre DeepSeek V4 Pro et V4 Flash sur Vercel AI Gateway. Les requêtes routent automatiquement via Azure avec basculement vers d'autres fournisseurs sans modification de code. Support BYOK (clés personnalisées), zéro frais de plateforme sur l'inférence.
Deuxième partie d'un guide sur le profilage PyTorch. Analyse détaillée des performances d'une couche nn.Linear et construction d'un MLP fusionné optimisé. Démonstration des techniques de fusion d'opérations pour réduire la latence et améliorer l'efficacité computationnelle.
L'astrophysicien Chi-kwan Chan utilise Codex d'OpenAI pour construire des simulations de trous noirs, permettant aux scientifiques d'étudier la physique extrême et de tester la relativité générale d'Einstein.
datasette-agent 0.2a0 ajoute la capacité pour les outils d'interroger l'utilisateur en cours d'exécution via ask_user() avec questions oui/non, choix multiples ou texte libre. Les conversations suspendues persistent en base de données et survivent aux redémarrages. Nouvel outil save_query intégré pour sauvegarder les requêtes SQL avec approbation humaine obligatoire.
Étude sur les déficits de contrôle exécutif dans les mécanismes d'attention des transformers. Les chercheurs identifient des limitations dans la capacité des modèles à maintenir et basculer entre tâches cognitives complexes.