ChaosBench-Logic v2 (arXiv:2605.24305) pose 40 886 questions sur 165 systèmes dynamiques et révèle une fracture nette dans les capacités de raisonnement actuelles : la déduction en logique du premier ordre atteint MCC=0.52, mais le raisonnement sur les transitions de régime reste quasi-aléatoire à MCC=0.05. Autrement dit, les modèles peuvent enchaîner des inférences formelles mais échouent dès qu'il faut détecter un changement qualitatif de comportement dans un système. Qwen 2.5-32B surpasse les modèles propriétaires sur les diagnostics d'indicateurs — signal à surveiller pour les équipes qui évaluent des modèles open-weight sur des tâches scientifiques structurées. Le protocole CARE fourni avec le benchmark est directement réutilisable pour des évals internes.
Dans le même registre scientifique, QUEST (arXiv:2605.24218) montre qu'on peut entraîner des agents de recherche profonde compétitifs avec seulement 8K tâches synthétiques et du RL, sur une gamme 2B–35B. Le résultat sur 8 benchmarks de recherche — égalité ou supériorité face aux systèmes propriétaires en citation et synthèse — est notable parce qu'il valide la thèse que la qualité du signal d'entraînement prime sur le volume. LLM-AutoSciLab complète ce tableau : 67,6% de précision symbolique sur ActiveSciBench (57 tâches enzymatiques + 45 réseaux GRN) avec 2–5x moins d'appels expérimentaux que les baselines. Ces trois papiers convergent vers le même constat : le goulot d'étranglement n'est plus la capacité brute de génération mais la structure du raisonnement et l'efficacité d'exploration.
Deux papiers plus techniques méritent attention pour les équipes produit. Raon-Speech (9B, 1,38M heures d'entraînement) surpasse Qwen2.5-Omni et Fun-Audio-Chat sur 42 benchmarks audio en anglais/coréen, avec une variante SpeechChat full-duplex entraînée sur 119K heures de dialogue — référence utile si vous évaluez des stacks voix multilingues. CSP-Atlas identifie 106 circuits neuronaux dédiés dans un transformateur sparse 8-couches sur code Python : 62,5% des neurones les plus actifs aux couches intermédiaires sont concept-spécifiques pour les construits AST. Ce n'est pas de l'interprétabilité décorative — ça ouvre une voie concrète pour auditer ou contraindre le comportement de modèles de code à grain fin.
ChaosBench-Logic v2 est un benchmark de 40 886 questions évaluant le raisonnement logique de 14 LLM sur 165 systèmes dynamiques. Le protocole CARE révèle des défaillances critiques : le raisonnement sur les transitions de régime reste quasi-aléatoire (MCC=0.05), tandis que la déduction FOL atteint MCC=0.52. Qwen 2.5-32B surpasse les modèles propriétaires en diagnostics d'indicateurs.
LLM-AutoSciLab propose un cadre de découverte scientifique en boucle fermée couplant génération d'hypothèses, sélection d'expériences et raffinement de mécanismes. Évalué sur ActiveSciBench (57 tâches de cinétique enzymatique, 45 réseaux de régulation génique), le système atteint 67,6% de précision symbolique et 2-5x meilleure efficacité d'échantillonnage que les baselines.
Raon-Speech est un modèle de langage parlé 9B multilingue (anglais/coréen) capable de comprendre et générer la parole tout en préservant les capacités textuelles. Entraîné sur 1,38M heures de données, il surpasse 8 modèles audio comparables (Qwen2.5-Omni, Fun-Audio-Chat) sur 42 benchmarks. Raon-SpeechChat ajoute la conversation full-duplex temps réel via 119K heures de dialogue.
QUEST est une famille de modèles open-source (2B à 35B) entraînés comme agents de recherche profonde via une pipeline de synthèse de données et RL. Avec seulement 8K tâches synthétiques, QUEST égale ou surpasse les systèmes propriétaires sur 8 benchmarks de recherche, excelle en citation et synthèse de rapports. Code, données et modèles publiés.
Une étude identifie 106 circuits neuronaux dédiés dans un transformateur sparse 8-couches entraîné sur du code Python. Les circuits se structurent selon des principes computationnels (atomicité, ambiguïté lexicale) plutôt que sémantiques. 62,5% des neurones les plus actifs aux couches intermédiaires sont concept-spécifiques pour les construits AST.