COSMO-Agent, un framework RL augmenté d'outils, entraîne des LLM à orchestrer des processus CAD-CAE itératifs. Le système apprend à générer de la géométrie paramétrique, résoudre des simulations et réviser les designs sous contraintes multiples. Dataset industriel de 25 catégories de composants. Les petits LLM entraînés surpassent les modèles fermés en faisabilité et stabilité.
ConTact décompose explicitement la conception de CDR d'anticorps en trois étapes : empreintes de complémentarité, prédiction des contacts CDR-antigène, et injection de caractéristiques pondérées. Sur CHIMERA-Bench, le modèle améliore la qualité structurale de 7% (RMSD), la conscience épitopique de 10% (F1), avec AAR 0.38 en récupération de séquence.
ScenePilot génère des scénarios critiques pour tester les systèmes de conduite autonome via apprentissage par renforcement multi-objectif. Le framework combine une mesure de faisabilité physique (RSS) avec un prédicteur de risque pour cibler les scénarios à la limite : physiquement possibles mais causant des défaillances. Résultats : +6,2 points de collision sur SafeBench tout en préservant la validité physique.
ArabDiscrim est un corpus de 293K posts Facebook arabes (2014-2024) sur le racisme et la discrimination. Il inclut 200 termes curatés avec familles morphologiques (13+ inflexions), 20 axes de discrimination, et signaux d'engagement natifs (réactions, partages, commentaires). Licence recherche restreinte pour conformité éthique.
Token-weighted DPO (TwDPO) et AttentionPO proposent une optimisation des préférences qui pondère les tokens selon leur importance. AttentionPO utilise l'attention du modèle lui-même pour estimer les poids, sans modèle de récompense séparé. Résultats : amélioration sur AlpacaEval, MT-Bench, ArenaHard.
ACC convertit les trajectoires d'agents (recherche, ingénierie logicielle, requêtes BD) en paires QA long-contexte pour l'entraînement SFT. Élimine le masquage des réponses d'outils et crée une supervision explicite sur les dépendances distantes. Qwen3-30B-A3B atteint +18.1 sur MRCR et +7.6 sur GraphWalks, comparable à Qwen3-235B.
Étude sur 6,620 exécutions montrant que Claude Haiku compresse 10 modifieurs d'intensité anglais en 5 sorties distinctes. Le contexte d'état système domine l'effet lexical (variance expliquée : 0,782 vs 0,079). Près des limites opérationnelles, le modèle adopte trois modes : petits ajustements pour mots faibles, abstention pour mots forts, plafonnement pour « drastically ».
OGCaReBench est un benchmark de retrieval pour évaluer les LLMs sur des questions cliniques hors-guideline, extraites de cas médicaux publiés. GPT-5.2 atteint 56% sans retrieval, 82% avec articles médicaux récupérés. Les modèles spécialisés plafonnent à 42%.
RankJudge est un générateur de benchmark pour évaluer les LLM utilisés comme juges sur des conversations multi-tours ancrées dans des documents de référence. Le système crée des paires de conversations avec une faille injectée dans un tour, permettant un étiquetage sans ambiguïté. Évaluation de 21 juges LLM frontier avec classement via le modèle Bradley-Terry sur ML, biomédecine et finance.
Sem-Detect détecte les avis de relecture générés par IA en analysant les caractéristiques textuelles et sémantiques au niveau des affirmations. La méthode compare un avis cible à plusieurs avis générés par IA du même article, exploitant la convergence des modèles IA versus la diversité des reviewers humains. Sur 20 000+ avis ICLR/NeurIPS, Sem-Detect améliore la baseline de 25,5% en TPR@0.1% FPR.
Étude arXiv sur les lois de scaling des données : la couverture progressive d'un spectre latent de contributions prédictives (via automate de suffixes) corrèle fortement avec l'exposant de scaling empirique. Sur 12 corpus réels, log K(N) suit une relation quasi-linéaire avec log N (R²≈0.96), suggérant que l'entraînement avance une frontière effective à travers un spectre d'états prédictifs.
DeepWeb-Bench est un benchmark de recherche profonde évaluant 9 modèles frontière sur des tâches exigeant collecte massive d'evidence, réconciliation cross-source et dérivation multi-étapes longue. Les erreurs proviennent surtout de la dérivation et calibration (>70%), pas de la retrieval (12-14%). Les modèles forts et faibles échouent différemment : dérivation incomplète vs hallucination de précision.
SpecHop accélère les agents multi-hop utilisant outils externes (recherche web, retrieval) en maintenant plusieurs threads spéculatifs parallèles avec des outils plus rapides mais moins fiables. Le framework vérifie asynchroniquement les prédictions et valide/annule les branches, réduisant la latence jusqu'à 40% sans changer la trajectoire finale du modèle.
PALS est un système d'optimisation de l'inférence LLM intégré à vLLM qui traite les limites de puissance GPU comme un paramètre de contrôle ajustable. En combinant modèles de puissance-performance hors ligne et contrôle par rétroaction, il améliore l'efficacité énergétique jusqu'à 26,3% et réduit les violations QoS de 4x à 7x sur modèles denses et MoE.
AutoRPA distille la logique décisionnelle d'agents LLM (paradigme ReAct) en fonctions RPA robustes via un pipeline traducteur-constructeur et génération augmentée par récupération. Sur tâches GUI répétitives, les fonctions générées réduisent l'usage de tokens de 82–96% tout en maintenant la performance.
Anthropic loue Colossus 1, le supercalculateur de xAI, pour 1,25 Md$/mois jusqu'en mai 2029 (40+ Md$ total). Le contrat plafonne à 11% de la capacité du cluster, limitant l'accès d'Anthropic à une fraction des ressources disponibles.
Benchmark WebVoyager sur 720 tâches d'agents navigateur : MiniMax M2.5 coûte 2,3× moins cher par tâche réussie que Gemini 2.5 Flash. GLM-5 atteint 57,1% d'accuracy, Kimi K2.5 affiche 0% d'erreurs de parsing. Les modèles open-weight surpassent Gemini non par intelligence mais par fiabilité. Le coût réel dépasse le prix au token une fois les retries comptabilisés.
Tencent lance Hy-MT2, famille de modèles de traduction multilingue en trois tailles (1.8B, 7B, 30B-MoE) supportant 33 langues. Le modèle 1.8B compressé à 440 MB via quantization 1.25-bit surpasse les APIs commerciales Microsoft/Doubao. Les 7B et 30B dépassent DeepSeek-V4-Pro et Kimi K2.6. Benchmark IFMTBench et intégration WMT26 inclus.
Les modèles de diffusion masqués (MDLMs) surpassent les LLMs autorégressifs comme modèles du monde pour l'RL agentic. Fine-tuning sur SDAR-8B et WeDLM-8B montre +4x sur BLEU-1/ROUGE-L/MAUVE. GRPO training atteint +15% de succès sur ScienceWorld, ALFWorld, AppWorld avec Qwen3, Mistral, LFM2.5 en zéro-shot.
FusionCell prédit les performances des cellules standard en fusionnant la géométrie du layout (via DeiT) et la topologie du netlist (via graph transformer). Entraîné sur 19.5k cellules 7nm (ASAP7), le modèle atteint 0.92% MAPE sur délai/puissance et accélère la caractérisation de plusieurs ordres de magnitude vs simulation.
TabPFN-MT étend les Prior-Data Fitted Networks au multitâche en contexte pour données tabulaires. Entraîné sur synthétiques multi-cibles, le modèle capture les dépendances inter-tâches et réduit l'inférence de O(T) à O(1) passages. Sur 344 datasets (<1000 samples), il atteint le rang 4.89 en précision multitâche, compétitif avec les ensembles single-task.
Étude de 6 233 MedGPTs et 10 modèles open-source déployés sur le web. 25-30% présentent une faible précision factuelle, 33.6-54.3% violent les seuils opérationnels, 57% des modèles avec Actions manquent de divulgations de confidentialité. Les auteurs introduisent MedGPT-HEval pour détecter les hallucinations et publient HAA-MedGPT, un dataset structuré.
Framework de diagnostic corpus-centrique pour analyser les benchmarks de reconnaissance d'entités nommées (NER) et de liaison d'entités (EL) en biomédical. Appliqué à 9 corpus, révèle que des propriétés substantiellement différentes peuvent masquer des tâches apparemment identiques. Code open-source et dashboard interactif fournis.
CSA (Conformal Selective Acting) est un wrapper de déploiement pour LLMs fine-tunés en RLVR qui garantit un contrôle du risque par round sans pooling entre déploiements. Testé sur 480 streams spécialisés et 10,300 rounds en Expert-Iteration avec LoRA, CSA maintient une e-process de Ville par seuil et atteint une borne de risque sélectif R_T^act ≤ α+O(N_T^{-1/2}) avec validité pathwise anytime.
FlowLM transforme des modèles de langage par diffusion pré-entraînés en modèles de flux via fine-tuning efficace. En réalignant les trajectoires courbes en lignes droites, FlowLM génère du texte haute qualité en quelques étapes, rivalisant avec 2000 étapes de diffusion. La saturation des performances est atteinte en moitié moins d'epochs d'entraînement.
Étude arXiv montrant que les lois de scaling des données réelles sont gouvernées par la couverture progressive d'un spectre latent de contributions prédictives, au-delà des seules queues de fréquence. Via une représentation d'automate de suffixes, les auteurs définissent un spectre global-KL et démontrent une corrélation forte (R²≈0.96) entre la pente du spectre et l'exposant empirique de scaling sur 12 corpus.
Mix-Quant propose une quantification différenciée pour les agents LLM : FP4 en phase de prefilling (3x plus rapide) et BF16 en decoding. Cette approche phase-aware réduit le goulot d'étranglement computationnel des workflows agentic tout en préservant la qualité des réponses sur benchmarks long-context.
Étude sur le conflit entre suivi d'instructions et complétions de motifs dans 13 LLMs. Quand une instruction utilisateur entre en conflit avec N tours d'assistant montrant un motif opposé, les taux de suivi d'instructions varient de 1% à 99%. La transition est universelle mais dépendante du modèle. La diversité des outputs et l'alignement avec les valeurs entraînées modulent la robustesse.
SCRIBE est un framework de diagnostic pour l'ASR en langues indiennes qui décompose les erreurs en catégories (lexicales, ponctuation, numéraux, entités) au lieu d'utiliser le WER. Alignement tolérant aux sandhi avec injection de vocabulaire domaine. Modèles open-weight pour hindi, malayalam et kannada.
Étude arXiv sur l'impact du Chain-of-Thought (CoT) sur les biais de genre dans les LLM. Les chercheurs combinent évaluation benchmark, interprétabilité mécanistique et analyse des chaînes de raisonnement. Résultat : CoT ne réduit pas systématiquement les biais ; les améliorations observées proviennent de mémorisation plutôt que d'une compréhension genuine, les biais restant ancrés dans les représentations cachées.
Geometry-Lite est une sonde de sécurité compacte qui analyse la géométrie des représentations cachées à travers les couches de LLMs (1.2B–70B). Elle mappe les marges de chaque couche via trois méthodes (centroïde, voisinage local, frontière linéaire) et montre que la détection de prompts non-sûrs repose principalement sur la géométrie persistante des marges, non sur le mouvement inter-couches.
GROW adapte GRPO (Group Relative Policy Optimization) aux agents VLM en décomposant les trajectoires en échantillons état-action pour éviter les contextes trop longs. Testé sur 800+ tâches Minecraft, la méthode atteint SOTA en RL multi-tour pour agents open-world.
OmniISR propose un cadre unifié pour l'apprentissage centralisé et fédéré via supervision intermédiaire et régularisation. Le framework utilise l'information mutuelle pour aligner les décalages de covariables internes et la négative-entropie pour régulariser les prédictions. Convergence O(1/sqrt(T)) garantie théoriquement; réduction de l'écart CL-FL de 22,60% en expériences.
MTR-Suite est un framework pour évaluer et synthétiser des benchmarks de retrieval conversationnel. Il comprend MTR-Eval (auditeur basé LLM), MTR-Pipeline (système multi-agent générant des dialogues à 1/400e du coût humain), et MTR-Bench (benchmark général). Code et données publics.
Traduction directe entre langues des signes (ASL, CSL, DGS) via modèle MBART entraîné sur paires synthétiques générées par back-translation. Approche directe signe-à-signe surpasse la cascade (20% meilleure MPJPE, 50% meilleur BLEU-4) avec 2.3× accélération.
HRM-Text remplace les Transformers standard par un modèle récurrent hiérarchique (HRM) découplant calcul stratégique lent et exécution rapide. Un modèle 1B entraîné sur 40B tokens et $1,500 atteint 60.7% MMLU, 81.9% ARC-C, 82.2% DROP, 84.5% GSM8K, 56.2% MATH — 100-900x moins de tokens et 96-432x moins de calcul que les baselines.
Pipeline deux étapes pour captionner des images culturelles en langues autochtones : Qwen2.5-VL génère une caption intermédiaire en espagnol, puis Gemini 2.5 Flash produit la caption cible via retrieval-augmented prompting. Amélioration de 164,1% (Bribri), 131,7% (Guaraní), 122,6% (Nahuatl Orizaba) sur la baseline. Gagnant du shared task AmericasNLP 2026.
Étude d'experts (45 scientifiques, 469 heures) évaluant 2,960 critiques de 82 articles Nature. GPT-5.2 surpasse le meilleur reviewer humain (60,0% vs 48,2%), mais les IA montrent 16 faiblesses récurrentes (connaissance limitée du sous-domaine, gestion faible du contexte long). Les IA complètent plutôt qu'elles ne remplacent les humains.
DIVE compresse les embeddings de LLM via des adaptateurs légers avec perte triplet auto-limitante et contrastive NT-Xent. Surpasse Matryoshka-Adaptor, Search-Adaptor et SMEC sur 6 datasets BEIR à tous les ratios de compression. Implémentation open-source 14M paramètres.
Nouvelle métrique d_NTP pour évaluer la qualité des task vectors en ICL en mesurant l'alignement des distributions de probabilités. Méthode Linear Task Vector (LTV) minimise d_NTP via régression linéaire fermée, améliore la précision de 9,2% sur 8 benchmarks et 5 LLMs, réduit la latence. Task vectors transférables entre modèles de tailles différentes (+6,4% pour petit modèle).