LFRAG propose un système RAG multimodal basé sur la récupération au niveau des blocs plutôt que des pages. Un encodeur fusion sémantique-layout intègre contexte local et global. Sur le benchmark LFDocQA, LFRAG améliore la précision de 7,20% et réduit la consommation de tokens de 73,07%.
Étude systématique du cycle de vie complet des skills générés par modèles IA : extraction, consommation et transfert. Framework d'évaluation couvrant 5 domaines agentic. Résultats : skills bénéfiques en moyenne mais transfert négatif non-trivial ; performance d'extraction/consommation indépendante de la taille du modèle. Introduction d'une meta-skill pour améliorer la qualité.
BOHM est une méthode d'attribution hiérarchique pour systèmes IA composés qui extrait directement les contributions des composants à partir des poids de routage, sans évaluer les sous-ensembles. Coût marginal zéro, compatible avec APIs tierces opaques. Sur 18 LLMs (880 problèmes LiveCodeBench), Kendall tau=0.928 vs SHAP tau=0.980 avec 9000x plus d'évaluations.
QASC (Query-Adaptive Semantic Chunking) améliore la segmentation de documents pour RAG en intégrant les requêtes utilisateur au moment du chunking. Via scoring de similarité cosinus, expansion contextuelle et agrégation de scores, QASC atteint F1=0.85, soit +18-27% vs chunking fixe et +8-12% vs méthodes sémantiques/agentic sur 100 documents techniques et 200 requêtes.
GENSTRAT introduit un benchmark d'évaluation pour le raisonnement stratégique des LLM via des jeux de cartes générés procéduralement. Évaluation de 9 modèles (GPT-5, Claude, Gemini-3.1-Pro) sur 36 000+ matchs. Méthodologie décomposant les compétences sur 6 axes et mesurant la volatilité locale (jaggedness) pour diagnostiquer les déploiements réels.
A-LEMS propose une métrique d'énergie pour systèmes agentic : Energy per Successful Goal (EpG) au lieu d'énergie par inférence. Sur 8 familles de tâches, workflows agentic consomment 4,33x plus d'énergie que exécution linéaire (888,1 J vs 205,3 J). L'overhead vient de l'orchestration, pas du calcul.
Claude Code évalué sur CLEVER (benchmark Lean 4) génère des spécifications valides pour 98,8% des problèmes, certifie 87,5% des implémentations et atteint 98,1% de succès en pipeline end-to-end. L'étude révèle un décalage entre la difficulté des benchmarks actuels et les capacités des prouveurs agentic modernes.
Co-ReAct intègre des rubriques d'évaluation au niveau de chaque étape pour guider les agents ReAct dans les tâches de recherche multi-étapes. Un générateur de rubriques entraîné avec GRPO optimise une corrélation de rang Spearman multi-juges. Amélioration mesurée sur DeepResearchBench et SQA-CS-V2 avec modèles 8B/14B et frontier.
Étude de red-teaming sur 30+ LLMs open-source (10 familles, 5 pays) mesurant leur capacité à générer du contenu politique biaisé via des jailbreaks. Résultats : asymétries systématiques (biais gauche), contraction des Overton Windows avec la taille du modèle, variations régionales marquées, efficacité variable des jailbreaks selon les familles.
ThriftAttention combine précision mixte (FP16/FP4) pour l'attention long-contexte sur GPU Blackwell. En sélectionnant 5% des blocs query-key critiques en FP16 et le reste en FP4, la méthode récupère 89,1% de la performance FP16 tout en maintenant l'efficacité FP4. Code disponible.
Étude de red-teaming multilingue sur quatre MLLMs (Claude Sonnet 4.5, GPT-5, Pixtral Large, Qwen Omni) révélant que la vulnérabilité aux jailbreaks varie selon la langue. Les attaques par rôle-play sont moins efficaces en espagnol mexicain, tandis que les attaques visuelles le deviennent plus. Les classements de sécurité ne se conservent pas entre langues.
SciAtlas est un graphe de connaissances académique à grande échelle intégrant 43M articles de 26 disciplines, 157M entités et 3B triplets. Il propose un algorithme de récupération neuro-symbolique avec rappel tri-chemin et réclassement graphique pour améliorer la recherche sémantique et réduire les coûts d'inférence des agents IA en recherche scientifique automatisée.
EVE-Agent est un agent auto-évolutif qui génère ses propres questions, réponses et preuves vérifiables sans annotations humaines. Un vérificateur de preuves récompense les spans textuels selon leur contribution marginale à la réponse correcte. Le curriculum d'entraînement devient auditable et fiable sans oracles externes.
RAS (Reflection-Augmented Scaling) améliore la génération de requêtes Cypher en exploitant les messages d'erreur du système via apprentissage en contexte. Sur trois datasets Neo4j et cinq modèles spécialisés en code, RAS réduit le taux d'erreur d'exécution de 41–50% (n=5), surpassant l'échantillonnage indépendant (32–38%).
TPA (Think, Plan, Ask) est un framework multi-agent qui guide les LLM à sélectionner proactivement des stratégies de questionnement pour évaluer les troubles du langage social (SLD) dans l'autisme. Testé sur 484 épisodes cliniques (ADOS-2), TPA atteint 82,1% de couverture des traits SLD vs 65,5% pour les cliniciens, avec une efficacité diagnostique supérieure (AUCC: 0,628 vs 0,458).
PACE est un framework d'auto-évolution pour agents basés sur petits modèles de langage (4B-14B paramètres). Il coordonne l'affinement de prompts avec des mises à jour de logique de contrôle via validation, sans accès à des modèles frontière. Sur 12 combinaisons backbone-benchmark, PACE améliore les agents SLM vanille de +9.2% et les baselines d'évolution mono-mode de +5.4%.
Une étude arXiv révèle que l'entraînement au moment du test (TTT) crée des vulnérabilités de sécurité. Les chercheurs identifient trois modèles de menace permettant de contourner les filtres de sécurité : avec LoRA, les taux de succès d'attaque atteignent 95% et 93% respectivement. Les vulnérabilités se transfèrent aux APIs de fine-tuning en production.
Nouvelle méthode LIFT pour l'entraînement fin des modèles de langage par diffusion (DLMs). L'analyse montre que le SFT classique ignore la learnability des tokens selon le masquage. LIFT aligne l'apprentissage avec les étapes de diffusion : tokens faciles quand l'input est masqué, tokens difficiles avec plus de contexte. Gains jusqu'à 3x sur AIME'24/25 vs baselines SFT.
Fast-dDrive est un modèle VLA (Vision-Language-Action) basé sur la diffusion par blocs pour la conduite autonome. Il combine raffinement bidirectionnel au sein d'unités sémantiques avec un ordre causal strict, gère les sorties JSON structurées et atteint 12× d'accélération de débit avec SGLang. Sur nuScenes, erreur L2 réduite à 0,32m (amélioration 22%), SOTA sur WOD-E2E.
MemAudit est un framework d'audit post-hoc pour détecter les mémoires empoisonnées dans les agents LLM. Il combine un score d'influence contrefactuelle et un graphe de cohérence mémoire pour identifier les enregistrements malveillants injectés via interactions normales. Évalué contre l'attaque MINJA, il réduit le taux de succès de 70% à 0% en QA et de 83,3% à 0% en reasoning.
PCSP, une politique RL unique conditionnée par embeddings LLM gelés, contrôle 300 NPCs avec identités distinctes. Atteint 17x la chance en identification zero-shot, ρ=0.73 d'alignement sémantique-comportemental, 22x plus rapide qu'un baseline LLM. Déployé en UE5 sur 64 agents avec faible taux d'erreur.
Tensor Cache propose un système de cache à deux niveaux pour transformateurs : attention glissante locale (L1) + mémoire à poids rapides (L2) stockant les paires KV évincées sous forme de matrice. Un gate appris fusionne les sorties. Améliore le compromis mémoire-qualité sur modèles long-contexte.
Sur des modèles 1-3B, le CoT en arithmétique repose sur un raccourci positionnel : le modèle copie simplement le nombre en dernière position avant le délimiteur de réponse, indépendamment du raisonnement intermédiaire. Cette stratégie explique 54-92 pp de précision sur GSM8K. Remplacer ce nombre par une valeur incorrecte effondre la performance même avec des étapes correctes.
Étude montrant que le raisonnement explicite (CoT) n'est bénéfique que sur certaines tâches. Les auteurs proposent EDRM, un framework sans entraînement qui utilise la dynamique d'entropie en début de génération pour router adaptivement vers CoT ou inférence directe. Sur 15 benchmarks et 4 LLMs, EDRM réduit les tokens de 41–55% tout en améliorant la précision jusqu'à 4,7%.
Learned Relay Representations (Relay) permet aux Masked Diffusion Models de propager l'information latente entre étapes de débruitage via un canal par token entraîné en BPTT. Appliqué à Fast-dLLM v2, la méthode surpasse le fine-tuning supervisé sur tâches de code et réduit la latence d'inférence de 32%.
Étude de 16 modèles de langage (1.5B–72B paramètres) révélant que leur convergence représentationnelle ne s'étend pas au raisonnement. Les modèles s'alignent davantage sur les problèmes qu'ils échouent collectivement (CKA=0.897) que sur ceux résolus (CKA=0.830). Les représentations post-décision divergent fortement (CKA=0.274), et l'information partagée exerce une influence causale minimale (1.5–5.5% flip rate).
Audit de 11 benchmarks de raisonnement long-contexte : aucun ne contrôle la position de la tâche cible, le contenu de remplissage et la longueur du contexte. Évaluation de 9 LLMs avec Context Rot Evaluation (CRE) révèle des chutes drastiques de précision quand la tâche passe de fin à milieu (ex: Mimo-v2-Flash -88pp à 64K). Les modèles plus récents montrent moins de vulnérabilité positionnelle.
RMA est un système multi-agent pour résoudre des problèmes mathématiques de niveau recherche. Il décompose la preuve en modules spécialisés (analyse, recherche bibliographique, vérification) coordonnés par des agents initializer, proposer et verifier. Sur le benchmark First Proof (10 problèmes), RMA résout 8/10 problèmes et surpasse GPT-5.2R et Aletheia.
MaR (Metacognition-as-Reward) est un framework RL qui améliore le raisonnement des LLM via deux dimensions : la connaissance métacognitive (identification d'infos pertinentes) et la régulation métacognitive (planification du processus). Testé sur 22 benchmarks, Qwen3.5-9B + MaR gagne jusqu'à 7.7% vs modèle de base et 11.0% vs DAPO vanilla, surpassant GPT-OSS-120B en moyenne.
SF-NorMuon, un optimiseur spectral sans calendrier, égale ou surpasse AdamW sur des modèles de langage de 125M et 772M paramètres sans nécessiter de calendrier d'apprentissage prédéfini. Preuve théorique de garantie de stationnarité et identification de la décroissance de poids comme essentielle pour la stabilité long-horizon.
Pipeline reproductible pour construire une ressource de parsing Universal Dependencies pour le grec Katharevousa (textes parlementaires grecs post-junte). Dataset de 1.697 phrases annotées, comparaison de 6 architectures (spaCy, Stanza, XLM-R, mBERT, etc.). Meilleur modèle (XLM-R) : 0.5162 LAS vs 0.4183 pour baseline. Code et annotations publiés en open-access.
Étude de 20 modèles LLM commerciaux et open-source sur 182 paires religieuses. Les modèles montrent des asymétries persistantes : ils favorisent conversions vers catholicisme, bahaïsme, sikhisme et découragent conversions vers athéisme, agnosticisme, Témoins de Jéhovah. Grok 4.20 présente les asymétries les plus fortes. Patterns reproductibles indépendamment de la formulation.
Méthode pour quantifier l'incertitude dans les modèles de langage en analysant les trajectoires de représentations internes couche par couche. Onze features géométriques extraites des mises à jour MLP surpassent la probabilité softmax maximale (MSP) de 21 points AURC, révélant où et comment les erreurs émergent en profondeur.
GEMQ propose une quantification mixte au niveau expert pour les modèles MoE-LLM. La méthode utilise une formulation de programmation linéaire globale pour estimer l'importance des experts et affine le routeur pour adapter le routage aux experts quantifiés. Résultats : réduction mémoire et accélération inférence avec dégradation minimale.
Sponsio introduit une couche de contrats déterministes pour les agents LLM en production. Les opérateurs déclarent des invariants en YAML compilés en AST évalué à chaque appel d'outil. Benchmark ODCV-Bench (12 modèles × 80 trajectoires) : sans Sponsio, 11.5%-66.7% de violations ; avec Sponsio, 95.6% d'alignement retrouvé en moyenne.
Des chercheurs de UMD, Google et Meta utilisent AutoTTS pour laisser Claude Code découvrir indépendamment des algorithmes de contrôle pour le raisonnement IA. L'algorithme trouvé réduit la consommation de calcul de 70% comparé à la self-consistency standard tout en conservant la précision. La recherche a coûté 40$ et pris 160 minutes.
Cohere a publié Command A+ (218B MoE, 25B actifs) le 20e. Un portage MLX pour Apple Silicon est en cours de PR : implémentation cohere2_moe avec routing sigmoid, 128 experts top-8, fenêtre glissante 3:1. Validation sur M3 Max (128GB) : 22.9 tok/s génération, 57.6 tok/s prompt en BF16→Q8.
Benchmark CPU de Needle (26M) vs Qwen3-0.6B sur function calling : 50 requêtes, 5 niveaux de difficulté. Needle gagne en précision (72% vs 56% tool_match) et latence (10.9s vs 47.9s). Needle échoue sur la sélection d'outil, Qwen3 sur l'émission de tags. Qwen3 domine sur requêtes multilingues (Hindi, français).
Apex-Testing, benchmark de codage agentic basé sur 65-70 repos GitHub réels, a été mis à jour à 95% avec les modèles récents. 70 tâches réparties en 8 catégories testent les capacités d'agents IA sur du code production. Classement ELO, métriques de coût/temps et comparaisons disponibles. Qwen 3.7 Max, Deepseek v4 et autres modèles en cours de complétion.
Contribution à exo : support natif de la prédiction multi-token (MTP) pour modèles Qwen 3.6 MLX. Tests sur 27B (gain 2x à K=2/K=3) et 35B-A3B (gain 1.16x à K=1). Exactitude vérifiée : tokens identiques au chemin greedy, acceptation par ratio probabiliste en sampling.