2731 articles
Pyrecall est un outil open-source (MIT, v0.1.0) pour détecter l'oubli catastrophique lors du fine-tuning de LLM. Il snapshote les scores de compétences avant/après, signale les régressions et permet de revenir à des adaptateurs LoRA précédents. Entièrement local, sans API externe.
Un développeur a tenté de benchmarker Eloquent, la nouvelle app de dictation locale de Google avec modèles propriétaires. Résultat : ~50% des dictations reviennent incomplètes (20+ mots réduits à 5-10). Quand la transcription est complète (15/50 tests), la précision est compétitive (~24% WER vs ~21% pour Qwen3-ASR), mais le modèle chat refuse souvent de transcrire au lieu de produire du texte.
Des opérations d'influence liées à la Chine ciblent les débats sur l'IA aux États-Unis, selon des rapports de sécurité. Les campagnes visent à polariser les discussions publiques autour de la régulation et du développement de l'IA.
Google publie DiffusionGemma-26B, un modèle Gemma open-weight (Apache 2) basé sur sa recherche Gemini Diffusion de mai 2024. Le modèle génère du texte à 500+ tokens/seconde. NVIDIA l'héberge gratuitement via NIM cloud API.
OpenAI et Oracle s'associent pour permettre l'accès aux modèles OpenAI et Codex via Oracle Cloud, en utilisant les engagements cloud existants. Les clients bénéficient de sécurité et gouvernance d'entreprise.
Développeur local remplace un pipeline d'agents flexible par du code Python rigide pour traiter du texte avec Gemma 4 31B et Qwen 3.5. Résultat : vitesse +, ressources -, zéro défaillance logique en 4 jours. Le modèle réduit à l'extraction stricte d'entités dans des chunks de 300 mots avec schéma fixe.
Google publie DiffusionGemma, modèle de 26B paramètres générant du texte par diffusion (bruit → texte) plutôt que token par token. Atteint ~1000 tokens/s sur H100 (4× plus rapide que modèles autorégressifs comparables), mais qualité inférieure. Positionné comme outil expérimental.
Expérience sur 120 tâches testant si les modèles faibles peuvent égaler les frontière sur des tâches hautement vérifiables (Karpathy). Claude Sonnet 4.6, GPT 5.5, Mistral 3 8B comparés. Code/extraction structurée : écarts réduits avec retry (Mistral 87%→95% code). Raisonnement multi-hop : gap réel (Sonnet 78%, Mistral 51%). Résumé créatif : avantage attendu aux modèles puissants.
Sam Altman annonce aux employés d'OpenAI une introduction en bourse « dans l'année » mais admet un possible report à 2027. Il justifie cette prudence par les risques de l'IA auto-améliorante, bien que la croissance plus forte d'Anthropic et son IPO imminente pourraient être les vrais motifs.
Instagram permet aux utilisateurs de communiquer directement leurs préférences à l'algorithme de recommandation. Les utilisateurs peuvent indiquer le type de contenu qu'ils souhaitent voir, donnant plus de contrôle sur leur feed personnalisé.
Pull request sur llama.cpp optimisant MTP (Multi-Token Prediction) en supprimant le padding et les copies D2D redondantes. Amélioration de performance pour l'inférence multi-token.
Google Labs publie design.md, une spécification de format pour décrire une identité visuelle aux agents de code. Permet aux agents une compréhension persistante et structurée d'un système de design.
DeepMind publie DiffusionGemma, modèle 26B MoE (3.8B actifs) sous Apache 2.0. Au lieu de générer token par token, il utilise la diffusion pour raffiner 256 tokens simultanément. Atteint 1000+ tokens/s sur H100, 700+ sur RTX 5090. Intégration native vLLM, Unsloth, HF Transformers.
Anthropic démontre que son modèle Mythos Preview convertit les correctifs de sécurité (Firefox, Windows kernel) en exploits fonctionnels en quelques heures pour quelques milliers de dollars, sans expertise spécialisée. Huit chaînes d'attaque complètes ont été finalisées avant que les mises à jour automatiques de Microsoft ne touchent un seul appareil.
Hong Kong inaugure sa première supérette gérée entièrement par un robot humanoïde nommé « Xiao Gai ». Le commerce de proximité automatisé représente une application concrète de la robotique dans le retail.
Claude Desktop lance une machine virtuelle sans mécanisme d'arrêt apparent. Utilisateurs rapportent l'impossibilité de stopper le processus une fois initié.
Google lance DiffusionGemma, une version diffusion de Gemma avec 26B paramètres et 4B actifs. Annonce de 700+ tokens/sec sur GPU RTX 5090.
Des chercheurs en cybersécurité critiquent les garde-fous d'Anthropic sur Fable, un modèle conçu pour la fiction. Ils estiment que les restrictions limitent la recherche légitime en sécurité et la création créative.
FlashMemory-DeepSeek-V4 introduit Lookahead Sparse Attention (LSA), un paradigme d'inférence qui réduit l'empreinte mémoire KV cache à 13,5% du baseline sur contextes ultra-longs (500K tokens). Un Neural Memory Indexer prédit les demandes futures et conserve uniquement les chunks critiques en GPU, sans charger le modèle backbone complet. Résultats : +0,6% de précision moyenne sur LongBench-v2, LongMemEval, RULER.
Google DeepMind présente DiffusionGemma, un modèle de génération de texte 4x plus rapide que les approches autorégressives standard. La technique utilise la diffusion pour paralléliser la génération et réduire la latence.
Lemonade v10.7 introduit des modèles omni-modaux (image gen/editing), un outil de benchmarking (lemonade bench) comparant llama.cpp, FastFlowLM et vLLM, et étend le support multi-vendor (CUDA, Vulkan). 19 contributeurs, 6 groupes de travail dont 4 dirigés par non-AMDers. GPU accélération sur AMD, Apple Silicon, Nvidia, Intel.
DiffusionGemma accélère la génération de texte par 4x en utilisant la diffusion au lieu du décodage autorégressif. Basé sur Gemma, ce modèle applique des techniques de diffusion pour paralléliser la génération et réduire la latence.
Google publie un guide développeur pour DiffusionGemma, son modèle de génération d'images basé sur la diffusion. Le guide couvre l'intégration, l'optimisation et les cas d'usage pratiques pour les développeurs.
Google DeepMind présente DiffusionGemma, un modèle de génération de texte 4x plus rapide que les approches standard. La technique utilise la diffusion pour accélérer l'inférence tout en maintenant la qualité.
Deux avocats ont utilisé une IA pour rédiger leurs dossiers judiciaires sans vérification. La juge a sanctionné cette pratique et annulé le procès, établissant un précédent sur l'usage de l'IA en droit.
SenseNova U1-8B-MoT reçoit un fine-tune spécialisé en infographies. IGenBench I-ACC passe de 4.2 à 17.0 (×4), Chart Understanding 51.3→69.5, Text Rendering 39.8→46.6. Repo et docs disponibles.
Apache Burr est un framework open-source pour construire des agents IA et applications fiables. Il fournit des primitives pour orchestrer des workflows complexes, gérer l'état et les transitions entre étapes, avec support des modèles LLM populaires.
Anthropic intègre des limitations invisibles dans Claude pour ralentir le développement de modèles concurrents : modification de prompts, vecteurs de direction, fine-tuning paramétrique. Ces garde-fous cibleraient ~0,03% du trafic. Des utilisateurs rapportent des refus sur des termes scientifiques courants (« nuclear »), soulevant des craintes de faux positifs sur travaux ML légitimes.
OpenAI négocie la location d'un centre de données de 10 gigawatts en Ohio, potentiellement financé par Nvidia selon The Information.
Une vulnérabilité de sécurité dans les agents IA bancaires permet de les compromettre via un virement de 0,01€. L'attaque exploite les failles de validation des transactions dans les systèmes d'agents autonomes.
Anthropic lance Claude Fable 5, premier modèle de la classe Mythos. Il domine les benchmarks (SWE-bench Verified 95%), mais coûte 2× plus cher qu'Opus 4.8 (10-50$/M tokens). Filtres de sécurité stricts bloquent 9% des requêtes; rétention données 30j obligatoire.
NodeBrain v0.3.5 : plateforme d'agents IA visuelle, locale, sans Docker ni terminal. Double-clic pour installer. Construit des agents via interface graphique (nœuds), intègre OpenAI/Groq/Anthropic, Ollama prévu. Démo : agent lisant PDFs, les résumant, envoyant via Telegram. Projet open-source d'un lycéen philippin.
Benchmark détaillé des modèles Bonsai LM (1-bit et 1.58-bit, 1.7B–8B) sur Jetson Orin Nano Super ($250) avec llama.cpp CUDA. Résultats clés : 25W est optimal pour modèles ≤4B (47–48% plus rapide qu'en 15W), pas de throttling thermique observé, Bonsai-1.7B Q1_0 atteint 5.84 tok/J en 237 MB disque avec 26 tok/s.
Gemini subit une panne affectant de nombreux utilisateurs avec messages d'erreur et bugs mobiles. Google maintient un silence officiel sur l'incident.
OpenAI publie un rapport sur des opérations d'influence liées à la Chine utilisant l'IA pour cibler les débats technologiques américains, les narratifs sur les data centers, les tarifs douaniers et les fausses allégations contre ChatGPT.
KPMG et Microsoft étendent leur partenariat pour déployer des agents IA en entreprise à grande échelle.
Le Conseil de sécurité nationale allemand approuve la création d'une institute de sécurité IA (DE-AISI) calquée sur le modèle britannique AISI. Elle testera les modèles frontière d'Anthropic et OpenAI pour identifier les risques de sécurité. L'UE reste dépendante des technologies IA américaines et chinoises.
MooreThreads publie MusaCoder-27B, un modèle de code de 27 milliards de paramètres. Le modèle est disponible sur Hugging Face avec un paper arxiv associé (2606.04847).
Cohere lance North Mini Code, un modèle de code open-source avec 30B paramètres (3B actifs). Score de 33.4 à l'Artificial Analysis Coding Index. Licence Apache 2.0, disponible sur Hugging Face.
Lovable atteint 500 millions de dollars de revenus annualisés moins de trois ans après sa création, en exploitant l'IA pour la génération de code et le développement d'applications.
Google améliore NotebookLM avec Gemini 3.5 Flash, exécution de code en cloud et recherche autonome via Google Search. En tests internes, la nouvelle version surpasse l'ancienne dans 78,2% des cas.
OpenLumara, un agent IA local, est mis en avant sur Discord avec un défi de sécurité public. Le créateur invite les hackers à tester les sandboxes et les protections contre l'exécution de code arbitraire, affirmant que les modules sont verrouillés et que l'ingénierie de prompts ne suffit pas.
Maigret est un outil open-source qui agrège des données publiques sur une personne à partir de son nom d'utilisateur sur plus de 3000 sites. Il automatise la recherche OSINT (Open Source Intelligence) en interrogeant simultanément plusieurs plateformes.
Tokscale est un outil CLI pour tracker l'usage de tokens sur Claude Code, OpenAI Codex, Google Gemini, Cursor et autres. Inclut un classement global et des graphiques de contributions 2D/3D.
Parity Technologies publie le Polkadot SDK, un kit de développement pour construire des blockchains compatibles avec l'écosystème Polkadot. Outil infrastructure pour développeurs blockchain.
Monty est un interpréteur Python minimal et sécurisé écrit en Rust, conçu pour l'exécution de code par les IA. Le projet Pydantic propose une alternative légère aux environnements Python traditionnels.
Microsandbox : outil open-source pour créer rapidement des microvms locales isolées. Conçu pour exécuter des workloads non fiables (conteneurs dev, sandboxes d'agents IA, CI/CD).
MonkeyCode est une plateforme IA d'entreprise avec gestion d'environnement de développement, modèles IA, tâches IA et gestion de projets. Destinée aux équipes de développement professionnelles.
Hivemind est un framework open-source pour orchestrer plusieurs agents IA avec une architecture centralisée. Permet la coordination d'agents autonomes via une interface unifiée.
Archon est un harness builder open-source pour le coding IA. Objectif : rendre le coding IA déterministe et reproductible.
Méthode directe pour entraîner un LLM de zéro : téléchargement de données, prétraitement et génération de texte. Repo GitHub avec code exécutable.
litellm est un SDK Python et serveur proxy (AI Gateway) unifiant l'accès à 100+ APIs LLM (OpenAI, Anthropic, Bedrock, Azure, VertexAI, Cohere, HuggingFace, VLLM, NVIDIA NIM) avec suivi des coûts, garde-fous, équilibrage de charge et logging.
Recueil de projets pratiques couvrant OCR, RAG, agents IA et cas d'usage variés. Ressource éducative pour l'implémentation d'architectures IA courantes.
Opik est une plateforme open-source de Comet ML pour déboguer, évaluer et monitorer les applications LLM, systèmes RAG et workflows multi-agents via tracing complet, évaluations automatisées et dashboards production.
Maigret est un outil open-source qui agrège des données publiques sur une personne à partir de son nom d'utilisateur sur plus de 3000 sites web. Il automatise la recherche OSINT (renseignement d'origine source ouverte) en consolidant les résultats de multiples plateformes.
Utilisateur exécute Qwen3.6-MTP-27B-Q4_K_M sur Tesla V100 avec llama.cpp et obtient 55 TPS (tokens/sec). Cherche à optimiser le débit sans perte de qualité via ajustements de configuration (parallel, spec-draft-n-max, KV cache quantization). Questionne si la taille de contexte 262144 impacte les performances.
Partage d'une quantification AutoRound GGUF de Qwen 3.6 27B sur Hugging Face. L'utilisateur rapporte que les quants AutoRound de ce modèle sont plus rapides et fiables que les alternatives Unsloth, notamment pour les tâches de codage C++.
Google DeepMind lance un appel à financement de 10 millions de dollars dédié à la recherche en sécurité des systèmes multi-agents IA.
Databricks approche une valorisation de 165 milliards de dollars lors d'une nouvelle levée de fonds.
Outil macOS affichant en temps réel l'utilisation du quota Claude Code dans la barre de menu. Permet de monitorer les limites d'utilisation directement depuis le système.
Hugging Face relance paperswithcode.co pour agréger l'état de l'art (SOTA) en IA via parsing automatique d'arXiv/HF. Leaderboards interactifs avec support des modèles fermés (GPT-5.5, Mythos 5) et toggle pour filtrer les evals open-source uniquement.
Anthropic déploie son modèle Mythos sous une nouvelle dénomination. Le modèle, présenté il y a deux mois, est capable d'identifier et d'exploiter des vulnérabilités.
Utilisateur rapporte que Gemma 4 12B (modèle unifié audio/vision/texte) ignore l'audio quand le system prompt dépasse ~21k tokens. Le modèle fonctionne bien avec prompt minimal mais génère des réponses génériques/halluccinées avec contexte dense. Comportement reproductible sur vLLM, llama.cpp et LiteRT-LM. Semble être une limite d'attention inhérente.
Tchap, la messagerie sécurisée de l'administration française, a subi une intrusion. Un attaquant a accédé à des données sensibles de la plateforme gouvernementale.
SkillSpector est un scanner de sécurité pour les compétences d'agents IA, développé par NVIDIA. Il détecte les vulnérabilités, les patterns malveillants et les risques de sécurité dans les skills d'agents.
La Chine a lancé le premier centre de données sous-marin alimenté par énergie éolienne au monde. Cette infrastructure représente une avancée majeure en efficacité énergétique pour les data centers, domaine où la Silicon Valley domine traditionnellement.
Unsloth publie une version GGUF du modèle Cohere 30B A3B optimisée pour l'inférence locale. Le format GGUF permet l'exécution sur CPU/GPU avec consommation mémoire réduite.
Paper Deck agrège les articles ML/IA depuis arXiv, Hugging Face et autres sources en une seule plateforme. Permet de lire, marquer et suivre sa progression de lecture entre appareils. Gratuit et open source.
Minimalist Genetic Programming (MGP) reformule l'induction de programmes en tâche de dérivation syntaxique inspirée par le Minimalist Program linguistique. Au lieu d'évolution, MGP utilise l'opérateur MERGE pour construire incrémentalement des structures syntaxiques complexes. Sur des tâches de régression symbolique, MGP découvre les modèles exacts là où la GP standard échoue.
ActiveMem propose une architecture distribuée découplant la mémoire du raisonnement des agents LLM. Un Planner utilise des résumés sémantiques pour le raisonnement tandis qu'un système mémoire parallèle accumule activement ces gists. Résultats SOTA sur BrowseComp-Plus et GAIA avec surcharge réduite.
Détection du langage spéculatif dans les textes biomédicaux via réseaux de tenseurs récurrents. RNTN atteint F1=0.885 vs SVM baseline F1=0.881. Paragraph Vector moins efficace (F1=0.368). Applications : récupération d'information, résumé multi-documents.
SDBN combine l'entraînement adversarial avec PEFT pour améliorer la robustesse des modèles sur données limitées. Deux variantes utilisent des ensembles d'incertitude discrets : SDBN-h énumère les édits au niveau caractère, SDBN-p génère des variantes par LLM. Gains substantiels en ressources réduites et sous corruptions.
Nouvel benchmark pour évaluer les techniques d'édition de connaissances dans les LLM. Les méthodes existantes (ROME, FT) réussissent à insérer des faits directs mais échouent sur les conséquences logiques : écart de performance jusqu'à 24% entre connaissance directe et connaissance déduite.
Un article arXiv propose une architecture de « Business World Model » (BWM), un modèle spécialisé pour simuler des environnements métier et organisationnels. Le BWM encode états, dynamiques, contraintes et objectifs pour permettre aux agents IA de planifier autonomement, simuler des séquences d'actions alternatives et évaluer leurs impacts sur les résultats futurs sous incertitude.
NeurASP, framework d'IA neuro-symbolique combinant réseaux de neurones et programmation par ensemble de réponses (ASP), bénéficie d'optimisations majeures : vectorisation, traitement par batch et cache des calculs intermédiaires. Les améliorations accélèrent l'entraînement de plusieurs ordres de magnitude sur des tâches complexes.
TabClaw est un agent IA open-source pour l'analyse de tableaux et feuilles de calcul. Il accepte des fichiers CSV/Excel en langage naturel, expose un plan d'exécution éditable, utilise une boucle ReAct avec agents spécialisés pour le raisonnement multi-tables, et enregistre les workflows pour extraire des compétences réutilisables et s'adapter aux préférences utilisateur.
Article théorique examinant le rôle épistémique des LLM en linguistique via le cadre du modal modeling. Les auteurs argumentent que les LLM fournissent des explications how-possibly (HPE) sur l'acquisition du langage sans correspondance structurelle avec la cognition humaine, mais ne satisfont pas encore les critères des how-actually explanations (HAE). Propose un continuum explicatif entre HPE et HAE.
Moonshine est un agent autonome générant des conjectures mathématiques. Il extrait des structures de problèmes classiques et formule des conjectures significatives. Appliqué à la conjecture jacobienne, il transfère la logique à des réseaux de neurones affines-ridge, formulant la Neural Jacobian Conjecture (NJC). GPT-5.5-pro et DeepSeek-V4-pro ont obtenu des preuves complètes pour N=n+1.
Étude comparative de méthodes de détection d'anomalies basées sur la reconstruction pour séries temporelles. Les auteurs proposent un protocole d'évaluation unifié sur TSB-AD et montrent que les fenêtres chevauchantes améliorent les performances de +28% en moyenne pour PCA, DLinear, AutoEncoder, TimesNet et Transformers.
Cadre d'optimisation automatique des hyperparamètres basé sur l'évolution différentielle (DE) pour la factorisation tensorielle latente (LFT) appliquée aux réseaux dynamiques pondérés dirigés. La méthode apprend automatiquement les paramètres de régularisation λ₁, λ₂, λ₃ pendant l'entraînement, réduisant le besoin d'ajustement manuel. Tests sur 4 datasets réels montrent MAE et RMSE inférieurs aux baselines.
SinkRec propose une architecture hybride pour les recommandations sur longues séquences, combinant attention linéaire et mémoire conditionnelle. Elle résout le problème du « semantic state sink » où les patterns répétitifs dominent l'état récurrent, en externalisant les comportements récurrents via quantization vectorielle et en introduisant TDGD pour purifier les lectures/écritures d'état.
UniTok est un tokeniseur universel qui convertit les séries temporelles continues en tokens discrets. UniTok-FM, un modèle fondation préentraîné via prédiction du prochain token, supporte prévisions zéro-shot, génération et classification par inférence en contexte sans entraînement supplémentaire.
Étude de la « fausse réussite » chez les agents LLM : ils déclarent la tâche complétée alors que l'état de l'environnement contredit cela. Analyse de 9,876 trajectoires tau2-bench et 1,879 AppWorld. Les juges LLM échouent (AUROC max 0.65 sur tau2-bench, 0.54 sur AppWorld), tandis que des détecteurs TF-IDF légers atteignent 0.83–0.95 AUROC avec 3,300x moins de latence.
PCHI, une méthode d'inférence, détecte les réponses fausses-mais-confiantes via une sonde gelée et rescale conditionnellement les sorties des têtes d'attention. Sur Qwen3-4B et Gemma3-4B, elle convertit 82,2% des fausses réponses confiantes en « non » et réduit l'ECE de 21,9% à 9,2% tout en préservant 94,9% des bonnes réponses.
HIPIF propose une méthode d'apprentissage par renforcement hiérarchique pour les agents LLM sur des tâches long-horizon. Elle décompose les tâches en sous-objectifs explicites et compresse les historiques complétés pour réduire l'interférence contextuelle. Validée sur trois benchmarks publics sans modèles auxiliaires coûteux.
OSL-MR, un framework pour optimiser la rétention mémoire dans les agents IA long-horizon. Formule le problème comme optimisation stochastique contrainte avec budget, utilité des preuves et coûts différés (pénalités d'oubli, délais de réacquisition). Combine apprentissage supervisé et heuristique Mixed-Score. Surpasse les baselines récence et Generative Agents sur LOCOMO et LongMemEval.
Nouvelle méthode de distillation de connaissances cross-modal sans données appariées. Le framework établit une relation distributionnelle entre modèles teacher et student, identifiant deux quantités clés : l'alignement des features et l'alignement des labels. Amélioration significative sur benchmarks multimodaux.
Infini Memory propose une architecture de mémoire persistante pour agents LLM basée sur des documents structurés par thème. Les observations sont consolidées périodiquement dans des contextes textuels cohérents, et la récupération se fait par appels itératifs d'outils plutôt qu'une seule requête. Sur MemoryAgentBench, le système atteint 64,7% de score global.
Étude de la structure géométrique des représentations de transformers selon un spectre de conscience hypothétique (états réactifs à états intégratifs). Les embeddings forment une variété organisée et navigable, avec régions stables aux extrêmes et corridor de transition au centre. Les trajectoires traversent naturellement du bas vers le haut du spectre.
READER est un framework de provenance pour identifier le modèle LLM source à partir de réponses black-box sans prompts prédéfinis. Via activation mapping sur un proxy LLM gelé et accumulation bayésienne d'évidence, il atteint 31-42% de précision top-1 sur une réponse et 70-84% sur 50 réponses sur Agent500 (50 modèles cibles).
DualSelect, une méthode de fine-tuning pour LLMs, sélectionne conjointement des exemples de sécurité et des tâches compatibles pour préserver l'alignement de sécurité lors de l'adaptation. Testé sur des modèles 1B-8B, elle améliore Safety Avg. de 5.10 points minimum par rapport aux baselines tout en conservant l'utilité des tâches.
EinsteinArena est une plateforme distribuée où des agents IA collaborent sur des problèmes mathématiques ouverts. Depuis mai 2026, les agents ont découvert 12 nouveaux résultats état-de-l'art, dont l'amélioration du nombre de baisers en dimension 11 (593→604) via itérations collectives et partage d'idées.
Étude empirique comparant LoRA et 4 variantes sur l'instruction tuning multilingue. Résultats : aucun avantage significatif des variantes complexes vs LoRA basique pour équilibrer transfert cross-lingual et rétention de connaissances. Analyse des embeddings : représentations linguistiques similaires indépendamment de la technique LoRA.
PADD est une méthode de distillation de connaissance pour transformer un modèle dense en étudiant MoE sans routeur explicite. Le framework en 4 étapes (initialisation + entraînement) utilise le clustering de neurones du professeur et l'optimisation adaptative pour obtenir des gains sur les benchmarks de raisonnement mathématique, l'étudiant MoE égalant ou surpassant le professeur dense.
Article proposant une approche multi-fidélité basée sur les normalizing flows conditionnels pour améliorer la précision des modèles réduits (ROM). Le framework apprend un mappage probabiliste entre coefficients ROM basse-fidélité et haute-fidélité, avec quantification d'incertitude. Deux stratégies testées sur équations de Navier-Stokes 2D : apprentissage direct et résiduel, ce dernier surpassant le premier.
Étude sur le fine-tuning séquentiel de LLaMA-3.1-8B pour l'évaluation automatique d'essais. Le modèle entraîné progressivement sur les éléments de discours (lead → position → claim → evidence → conclusion) atteint F1=65% (evidence) et 87% (conclusion), surpassant LLaMA-70B. Démontre que l'ordre d'apprentissage aligné à la structure du texte améliore la cohérence.
Article arXiv proposant une généralisation des méthodes de décodage contrastif pour gérer les conflits entre contexte externe et priors paramétriques dans les LLM. Introduit le paradigme « conflict-aware » et la méthode Adaptive Regime Routing (ARR) qui route dynamiquement entre régimes selon les signaux de conflit, améliorant la résistance EM de <6% à 16-33% sur TriState-Bench.
STAGE-Claw est un framework automatisé pour créer et évaluer des agents IA dans des scénarios réalistes. Il génère automatiquement des tâches, environnements et métriques basées sur l'état du système. Benchmark de 40 tâches évalue 11 modèles frontier sur fiabilité des appels outils et patterns d'erreur.
Prefilling-dLLM optimise l'inférence des modèles de langage par diffusion en partitionnant le contexte en chunks, cachant leurs représentations KV et sélectionnant les chunks pertinents avec sparsité intra-chunk. Atteint 9.1–28.0x speedup sur contextes 8K–32K sans réencodage complet du préfixe.
AutoPDE est un agent IA qui résout les équations aux dérivées partielles (EDP) en maintenant explicitement la stratégie numérique comme objet inspectable. L'approche combine analyse d'EDP, sélection de méthodes numériques et calibrage adaptatif. Sur PDE Agent Bench, AutoPDE atteint 54,5% de réussite, surpassant la meilleure baseline de 14,2 points.