CooT est un framework multi-agent utilisant l'in-context learning pour adapter en temps réel un agent à des partenaires inconnus. Évalué sur Overcooked et Google Research Football, il surpasse les méthodes population-based, fine-tuning gradient et Meta-RL, sans mise à jour de paramètres.
CardioThink, un framework MLLM inspiré par la pratique médicale, structure le diagnostic ECG en étapes explicites (rythme, conduction, morphologie, impression) pour améliorer l'interprétabilité. L'optimisation Structured Set Policy Optimization (SSPO) aligne le raisonnement clinique sans annotations manuelles, surpassant les approches directes sur plusieurs benchmarks ECG.
Étude arXiv évaluant la cohérence du codage de données de communication par ChatGPT selon les groupes démographiques (genre, race). Les auteurs adaptent un cadre d'évaluation automatisée et testent ChatGPT sur trois types de tâches collaboratives. Résultat : le codage ChatGPT montre une cohérence comparable aux annotateurs humains entre groupes.
Modélisation de la difficulté d'items sans réponses pour questions à choix multiples via transformers fine-tunés. Approche end-to-end sur le texte des items éliminant l'ingénierie manuelle des features. Variante multi-tâche avec objectif auxiliaire QA améliore significativement les petits échantillons.
Étude arXiv évaluant comment les modèles de langage et de raisonnement jugent les jeux de plateau. Sur 100+ jeux et 450 jugements humains, les modèles de raisonnement s'alignent mieux aux humains que les LLM classiques pour évaluer l'équité et le plaisir des jeux. Paradoxe : plus les modèles approchent l'optimalité théorique des jeux, moins ils correspondent aux préférences humaines.
Template Infilling (TI) est une méthode de conditioning pour les Diffusion Language Models qui aligne des ancres structurelles sur l'ensemble de l'espace de réponse, remplaçant le prefix prompting. Évaluée sur raisonnement mathématique, génération de code et planification, TI améliore les performances de 9,40% et accélère la génération multi-token.
QE-Catalytic-V2 est un modèle multimodal graph-texte unifié pour les matériaux catalytiques. Il intègre prédiction de propriétés et conception inverse dans un même espace de représentation, éliminant les décalages de distribution entre modèles découplés. Démontre des performances supérieures sur prédiction d'énergie et conception inverse.
CAREBench est un benchmark évaluant la compréhension émotionnelle des LLMs via le raisonnement d'appraisal cognitif. Testé sur 6 modèles avec annotations complètes de chaînes inférentielles (perspectives première/troisième personne), il révèle que les modèles forts égalent les humains sur certaines tâches mais échouent sur le raisonnement d'appraisal et la reconnaissance d'émotions positives.
Nouvel article arXiv proposant CSDI (content-style differential independence) pour identifier les facteurs de contenu et style dans les modèles génératifs multi-domaines. Relaxe les conditions d'indépendance statistique antérieures via une contrainte d'orthogonalité sur les sous-espaces jacobiens. Démontre l'identifiabilité même avec contenu/style dépendants et jacobien dense.
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.
Des agents de réseaux de neurones peu profonds maîtrisent le jeu de cartes Schnapsen via apprentissage par renforcement. RLBot, entraîné par mises à jour Monte Carlo asynchrones, surpasse MLPBot (imitation supervisée) et bat significativement RdeepBot, un baseline basé sur la recherche. La combinaison d'une fonction de valeur apprise avec une recherche plus profonde en jeu améliore les performances.
LISTEN est un framework agentic basé LLM pour sélectionner parmi plusieurs options avec objectifs conflictuels. Deux algorithmes itératifs : LISTEN-U affine une fonction d'utilité paramétrique, LISTEN-T utilise des tournois sur petits lots. Évalué sur réservations de vols, shopping, planification d'examens. Code disponible.
Étude de 130 882 images issues de 368 « remix parties » sur Artbreeder (13 mois). Les images convergeaient vers des attracteurs thématiques communs (steampunk, architecture alien) en devenant plus simples. Paradoxe : les parents novateurs produisaient des enfants plus complexes et appréciés, mais les utilisateurs préféraient remixer des images moins novatrices.
GraphMind combine GNN et LLM pour le raisonnement multi-étapes en mathématiques. Le framework modélise le processus de raisonnement comme un graphe hétérogène évolutif où nœuds (conditions, théorèmes, conclusions) et arêtes (dépendances logiques) permettent la sélection dynamique de théorèmes et la génération itérative de conclusions. Résultats améliorés sur benchmarks QA.
Méthode de découverte automatique d'heuristiques via optimisation continue dans un espace latent. Un encodeur mappe des programmes discrets en embeddings continus, un modèle de substitution différentiable prédit les performances, et un flux de normalisation invertible régularise la trajectoire d'optimisation. Évaluation sur TSP, CVRP, KSP et Online Bin Packing avec résultats compétitifs aux baselines évolutionnaires.
ECC, un algorithme de clustering de requêtes, calibre les embeddings sémantiques via comparaisons de modèles pour aligner la sémantique de surface avec les capacités latentes des LLM. Utilisant un modèle Bradley-Terry, il améliore le classement des capacités de 17,64 points vs baselines humaines et 18,02 points vs embeddings, avec applications au routage de requêtes.
Étude systématique de la logicité dans le raisonnement scientifique des LLM. Les auteurs développent une méthodologie enrichie incluant des critères d'évaluation et des méthodes d'échantillonnage pour l'entraînement guidé par la logicité. Expériences sur trois LLM différents avec données de physique extraites de littérature académique. Code disponible.
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.
Étude de la réorganisation de piles d'objets en environnement tabulaire via des actions non-préhensiles (toppling). Un gadget graphique abstrait modélise l'intercalage de pick-and-place et topple. Benchmarks en simulation IsaacSim montrent réduction significative du temps d'exécution comparé aux seules actions pick-and-place.
Étude évaluant 8 modèles multimodaux (Gemini-2.5-Pro, o3, etc.) sur leur robustesse face aux biais cognitifs dans des vidéos courtes chinoises contenant de la désinformation. Dataset de 200 vidéos annotées manuellement couvrant 4 domaines sanitaires. Gemini-2.5-Pro obtient 71.5/100, o3 35.2. Les modèles sont vulnérables aux indices sociaux comme les IDs de chaînes autoritaires.
Framework d'annotation pour distiller les connaissances expertes d'un LLM multilingue (Llama3.1) afin d'entraîner des classifieurs BERT pour le tagging médical en polonais. DistilBERT atteint F1 > 0.80 sur 5 catégories cliniques (Radiologie, Oncologie, Cardiologie, Hypertension, Pathologie) avec 500× moins de paramètres et 300× moins de VRAM qu'un LLM.
RAGA est un agent autonome basé LLM pour construire des graphes de connaissances et augmenter la génération. Il combine opérations CRUD, une boucle ReAct avec contrainte Read-Search-Verify-Construct, et synchronisation KG-vecteur pour récupération hybride. Tests sur QASPER montrent gains en qualité de réponse et preuve.
COMPACT, un framework de distillation CoT multi-enseignants, fusionne adaptativement les supervisions de plusieurs LLMs vers des modèles compacts. Il pondère dynamiquement les gradients des enseignants via trois métriques : consensus basé graphe, adaptabilité par information mutuelle, et difficulté basée perte. Résultats SOTA sur plusieurs benchmarks sans oubli catastrophique.
Les grands modèles de raisonnement (LRM) génèrent des traces alignées avec les temps de réaction humains, mais cet alignement persiste indépendamment du budget de raisonnement en inférence. Étude sur GPT-OSS-20B et GPT-OSS-120B : trois niveaux d'effort, six tâches cognitives. L'allocation de tokens suit les patterns de difficulté humains et reflète une structure figée à l'entraînement, non modulée en temps réel.
Chercheurs présentent un framework pour l'écriture créative à l'échelle du livre. À partir de romans du domaine public, ils construisent un échafaudage multi-résolution (résumé → chapitres → scènes → texte complet) et entraînent un modèle long-contexte sur des trajectoires prompt-to-book. L'objectif : générer de la prose littéraire humaine plutôt que du texte générique assisté.
Étude du réarrangement d'objets densément empilés sur table avec des pinces parallèles. Introduit une primitive de « knock » (coup) pour contourner l'infaisabilité des prises directes. Formule le problème knock-pick optimal et propose des abstractions avec appariement parfait de poids maximal pour calculer en temps polynomial un plan minimisant le nombre d'actions. Validé en simulation (IsaacSim).
Étude comparative sur la capacité des humains et des LLM à distinguer les phrases anomales des phrases véritablement non-sensiques. Analyse de cinq datasets sémantiquement déviants avec et sans contexte. Résultat : la plupart des phrases jugées anomales peuvent être interprétées avec contexte ; les LLM génèrent efficacement des contextes plausibles.
DriveSafe est un framework pour la détection de risques dans les scénarios de conduite autonome. Il génère des descriptions spatiales enrichies (mouvement, profondeur) puis évalue les risques via un adaptateur fine-tuné sur des paires caption-risque. Résultats SOTA sur le benchmark DRAMA.
Étude arXiv montrant que l'alignement IA échoue sur les cas limites : conflits de valeurs, désaccords multi-parties, ambiguïté épistémique. Les récompenses scalaires et évaluations moyennes masquent ces défaillances. Les auteurs proposent « Edge alignment » : détection, évaluation et gouvernance pour surfacer ces cas critiques. Test sur 91 cas limites et 4 modèles contemporains.
Pipeline automatisé basé LLM pour générer et étiqueter des composants de connaissances (KC) sur des problèmes de programmation. Le framework KCGen-KT utilise ces KC générés pour le knowledge tracing. Évaluation sur deux datasets réels : surpasse les méthodes existantes et les KC écrits par humains pour prédire les réponses futures des étudiants.
Prompt2Fingerprint propose un framework pour l'empreinte digitale des LLM via génération de paramètres. Au lieu de fine-tuner chaque modèle séparément, un générateur spécialisé mappe des descriptions textuelles à des incréments de paramètres low-rank en un seul passage, éliminant les coûts de réentraînement.
Les LLM présentent des représentations internes hautement anisotropes avec des activations massives. Au lieu de les traiter comme des artefacts, les auteurs les identifient comme des unités fonctionnelles interprétables via un critère basé sur la magnitude. Le steering appliqué à ces dimensions critiques surpasse le steering conventionnel en adaptation de domaine et jailbreaking.
PA-BDM améliore les Block Diffusion Models pour la reconnaissance documentaire en remplaçant le débruitage bidirectionnel par un débruitage causal préfixe-suffixe. Avec perte structurelle contrôlée par confiance et engagement progressif du préfixe, le modèle 3B atteint +71,6% de débit inférence vs MinerU-Diffusion 2.5B.
MR-SLAM est un système de réalité mixte utilisant un Meta Quest 3 pour téléopérer trois robots TurtleBot3 en SLAM collaboratif. L'opérateur voit le monde réel en passthrough avec des panneaux d'information ancrés spatialement. Trois instances SLAM Toolbox fusionnent leurs grilles d'occupation en temps réel via ROS 2, atteignant 94,7% de cohérence inter-robots et 8,83 Hz de scan.
Nouvel algorithme pour la décidabilité en orthologic (approximation de la logique classique) sans phase de prétraitement coûteuse, complexité O(n²(1+|A|)). Benchmarks SAT synthétiques basés sur encodage Tseitin : instances difficiles pour solveurs SOTA mais résolues efficacement par orthologic. Normalisation orthologic améliore temps de résolution sur problèmes durs.
PCFJudge, une méthode d'inférence, évalue la factualité en relançant un prompt listwise sur plusieurs ordres de candidats et agrège les scores. Sur RewardBench 2 Factuality, avec K=7 permutations, la précision passe de 86% à 91,33% (GPT-5.4) et 86,33% à 89,67% (Claude Sonnet 4.6).
Nouvelle méthode DSKD-CMA-GA pour la distillation de connaissance entre LLMs avec vocabulaires différents. Utilise l'apprentissage adversarial pour aligner les distributions clé-requête. Gains ROUGE-L modestes mais constants (+0.37 en moyenne sur données hors-distribution).
Vision-OPD propose une auto-distillation régionale-globale pour améliorer la compréhension visuelle fine des MLLMs. Le framework transfère la perception privilégiée du modèle sur des crops centrés sur les preuves vers sa politique pleine image, via minimisation de divergence KL entre distributions de tokens. Résultats compétitifs sur benchmarks de compréhension visuelle fine sans modèles externes ni labels.
Étude EEG sur 27 participants analysant les mécanismes neuraux de détection des hallucinations IA. Les chercheurs ont enregistré l'activité cérébrale lors de vérification de descriptions d'images générées par un MLLM. Les résultats montrent que les hallucinations mal jugées ne déclenchent pas le processus standard de vérification de faits.
NGM est un module mémoire sans entraînement pour LLM qui utilise un encodeur N-gram causal et un injecteur mémoire à porte cosinus. Testé sur Qwen3 (0.6B-14B), il améliore les performances de 0.5-1.2 points en moyenne, avec gains notables en génération de code (+3.0 LiveCodeBench) et tâches knowledge-intensive (+3.03 GPQA).