Context Codec propose un cadre formel pour compresser les contextes LLM en préservant les engagements sémantiques (objectifs, contraintes, décisions, preuves). Le framework introduit des métriques (Critical Atom Recall, Commitment Density) et CCL, un langage de rendu compact ASCII-first, pour rendre la compression vérifiable et auditable.
SWIM aligne les représentations vision-langage pour la compréhension fine d'objets vidéo via prompts textuels seuls. Utilise la supervision de masques en entraînement pour guider l'attention cross-modale. Construit NL-Refer, dataset enrichi avec expressions référentes précises. Surpasse les méthodes basées prompts visuels sur les benchmarks.
MARS est un système multimodal pour le défi CASTLE 2026 qui traite le raisonnement sur 4 jours d'activité, 15 perspectives synchronisées, transcriptions et modalités auxiliaires (photos, vidéos, eye-tracking, thermographie, fréquence cardiaque). L'approche utilise DeepSeek pour les résumés vidéo et un agent GPT-5.4 pour sélectionner les sources d'evidence. Le système a obtenu la 2e place au classement final.
Étude arXiv montrant que les choix analytiques (sélection de modèle, paramètres, format de prompt, données démographiques) affectent significativement la fidélité des « silicon samples » (données synthétiques générées par LLM). Sur 252 configurations testées, les corrélations avec les données humaines varient de r=.23 à r=.84, révélant un risque majeur de flexibilité analytique.
TinySAM 2 compresse SAM 2 pour la segmentation vidéo efficace. Mécanisme de gestion de qualité mémoire + compression spatio-temporelle des tokens. Atteint 90% des performances de SAM 2.1 avec 7% des tokens mémoire et 3% des données d'entraînement. Réduit paramètres, charge computationnelle et coûts de déploiement.
EmoMind décode des descriptions affectives directes depuis les signaux fMRI du cerveau. Le système récupère d'abord une description neutre de la scène visuelle, puis la réécrit en utilisant un vecteur émotionnel continu de 34 dimensions extrait du même enregistrement fMRI. Évalué sur deux datasets indépendants, EmoMind surpasse GPT-4 avec étiquettes discrètes sur tous les axes de validation.
Framework asynchrone pour RAG qui prédit quand et quoi récupérer via trois composants (retrieval predictor, context monitor, query generator). Réduit la latence de 43,5% et le time-to-first-token de 62,4% tout en maintenant la qualité des réponses.
DISCA, une méthode d'inférence sans entraînement, aligne culturellement les LLM via des agents-personas basés sur le World Values Survey. Testée sur 20 pays et 7 backbones (2B–70B), elle réduit le désalignement culturel de 10–24% sur MultiTP sans modifier les poids du modèle.
TABOM, une méthode de post-entraînement pour modèles de diffusion linguistiques, aligne l'optimisation sur la trajectoire de décodage multi-étapes facile-vers-difficile observée en inférence. Via une modélisation Boltzmann des préférences de démasquage, elle dérive un objectif de ranking par paires qui réduit le décalage entraînement-inférence et améliore les performances en nouveaux domaines.
HASP transforme les compétences textuelles d'agents LLM en Program Functions exécutables qui interviennent activement dans la boucle d'agent lors d'états critiques. Le framework améliore les performances de 25% sur web-search (vs ReAct) et 30.4% sur math/coding (vs Search-R1) via intervention en inférence, post-training ou auto-amélioration.
AMARIS introduit un système de mémoire persistante pour améliorer les rubriques d'évaluation dans l'entraînement par RL des LLMs. Le système accumule les diagnostics d'évaluation au fil du temps, utilise la récupération statique et dynamique pour contextualiser les modifications de rubriques, et ajoute ~5% de surcharge temporelle. Les expériences montrent des gains constants sur les domaines fermés et ouverts.
TierCheck est un système de sauvegarde en trois niveaux pour l'entraînement de LLM. Il maintient des points de contrôle différentiels légers en mémoire locale/pair pour récupération rapide, migre asynchronement les points de base vers le stockage distant, et garantit la cohérence globale sans ralentir l'entraînement. Sur modèles jusqu'à 40B paramètres, il réduit le temps de sauvegarde à moins de 10s.
Étude longitudinale sur 235M posts de 4M utilisateurs Bluesky montrant que l'exposition à des feeds algorithmiques (News, Science, Blacksky) modifie mesurément le langage des utilisateurs : accommodation stylistique, alignement sémantique, formalisation du registre. Effets variables par feed ; reposting est le prédicteur principal de convergence linguistique.
ESI-Bench est un benchmark pour l'intelligence spatiale incarnée couvrant 10 catégories de tâches sur OmniGibson. Les agents doivent combiner perception, locomotion et manipulation pour accumuler activement des preuves. Les expériences montrent que l'exploration active surpasse les approches passives, mais les défaillances proviennent surtout de mauvais choix d'action plutôt que de perception faible.
Babel est une méthode de jailbreak black-box qui exploite une vulnérabilité dans l'alignement de sécurité des LLM : la sécurité repose sur peu de têtes d'attention éparses, laissant l'espace représentationnel faiblement surveillé. Via obfuscation optimisée et raffinement itératif, Babel atteint 82,67% de succès sur GPT-4o et 78,33% sur Claude-3-5-haiku en ~40 requêtes.
DiVT (Disentangled Visual Tokenization) regroupe les embeddings de patches en unités sémantiques cohérentes pour les MLLMs, créant des tokens visuels discrets et significatifs plutôt qu'un flux continu. Adapte le budget de tokens à la complexité de l'image, réduisant mémoire et latence tout en améliorant la compatibilité avec les LLMs.
HINT-SD propose une auto-distillation ciblée pour entraîner des agents LLM sur des horizons longs. La méthode utilise l'historique complet de trajectoire pour identifier les actions pertinentes aux échecs et applique la distillation conditionnée par feedback uniquement sur ces segments. Sur BFCL v3 et AppWorld, elle améliore les baselines de 18,80% tout en réduisant le temps par étape d'entraînement de 2,26×.
Des équipes multi-agents basées sur LLM surpassent les équipes humaines en créativité (Cohen's d=1.50) sur 4 541 idées d'IA contre 341 idées humaines sur six tâches. L'avantage provient de la nouveauté tout en maintenant l'utilité. Les équipes LLM bénéficient d'une exploration efficace (large dispersion sémantique, chemins courts), tandis que les humains privilégient la cohérence conversationnelle locale.
Étude de 6,8M solutions sur 6,7K tâches dans 9 domaines (matériaux, biologie structurale, IA, biomédecine, data science, informatique théorique, F1, construction). Trois patterns universels identifiés : temps d'attente heavy-tailed, accumulation sublinéaire des records, corrélation temporelle des ruptures. Un modèle minimal unifie radical innovation et raffinements incrementaux.
StyleText est un dataset de 28,518 triplets image-masque-prompt pour l'inpainting de texte en scène avec préservation de style. Pipeline automatisé combinant LLM, Flux avec injection KV-cache, OCR, extraction de masques polygonaux et augmentation FluxFill. Baseline FluxFill+LoRA améliore significativement la précision OCR tout en maintenant la cohérence stylistique.
Rover est un système de résolution de conflits de fusion de code combinant analyse de programme et LLM. Il introduit Multi-layer Code Property Graph (MtCPG) pour capturer les dépendances inter-fichiers et utilise des algorithmes de connectivité graphique pour créer des contextes significatifs. Évaluation : Rover surpasse les LLM seuls, MergeGen et WizardMerge aux niveaux caractère, lexical et sémantique.
Nouvelle perspective sur les systèmes d'agents IA : le code comme infrastructure centrale. Cet article de recherche organise un cadre unifié autour de trois couches — interface de harness (code connectant raisonnement et action), mécanismes (planification, mémoire, feedback), et passage à l'échelle multi-agents. Applications : assistants de code, automatisation GUI/OS, agents incarnés, découverte scientifique.
UCSF-PDGM-VQA est un benchmark VQA clinique pour l'interprétation d'IRM cérébrale tumorale. Dataset de 2 387 paires QA sur 473 études de gliome. Évaluation de 6 VLMs : tous échouent sur les IRM multi-séquences 3D, souffrent de modality collapse et sur-dépendance aux priors linguistiques.
SonarSweep fusionne sonar et vision pour la reconstruction 3D sous-marine via plane sweeping. Le framework deep learning end-to-end dépasse les approches mono-modales en adaptant l'algorithme plane sweep à la fusion cross-modale. Résultats en simulation et environnements réels, dataset public avec données stéréo-caméra et sonar synchronisées.
Spiker-LL est un accélérateur FPGA pour réseaux de neurones impulsionnels (SNN) permettant l'apprentissage local adaptatif en temps réel. Basé sur l'architecture Spiker+, il implémente la règle STSF avec surcharge minimale. Sur MNIST/F-MNIST/DIGITS : 93% de précision, latence <1ms, <0,1 mJ par inférence, sans DSP.
Les LLMs reconstruisent spontanément la topologie des graphes via des patterns d'attention « sawtooth », mais cette compréhension structurelle est diluée par l'attention sink. SLASH, une solution sans entraînement, réamplifie cette compréhension via une redistribution d'attention plug-and-play, montrant des gains significatifs sur tâches graphiques et prédiction moléculaire.
Article arXiv proposant un cadre statistique formel pour combiner évaluations LLM et humaines. Utilise un estimateur doublement robuste (missing data) pour déterminer le nombre optimal d'évaluations humaines nécessaires en validation de benchmarks, en fonction de la prédictibilité des jugements LLM.
Étude comparative de 6 modèles fondamentaux EEG sur 8 datasets, au-delà de la précision brute. Analyse de robustesse (bruit, dropout de canaux), interprétabilité via Attention-Aware Layer-Wise Relevance Propagation, et expressivité par probing. Résultats : pas de modèle dominant tous les modes de défaillance ; les modèles se concentrent sur les régions cérébrales pertinentes mais décodent mal le contenu corrompu.
DoublyCal, un framework de double-calibration, améliore la fiabilité des LLM en quantifiant l'incertitude épistémique dans les preuves récupérées et le raisonnement. Un modèle proxy léger génère des preuves de Knowledge Graph avec confiance calibrée, guidant un LLM black-box vers des prédictions plus précises et bien-calibrées.
SkyPart, une tête légère pour vision transformers, améliore la géolocalisation croisée drone-satellite en séparant explicitement la disposition et la texture via prototypes apprenables. Avec 26.95M paramètres, elle atteint l'état de l'art sur SUES-200, University-1652 et DenseUAV, avec robustesse accrue sous corruptions météorologiques.
Premiers travaux sur l'oubli machine pour modèles de diffusion masqués (LLaDA, Dream). MDU minimise la divergence KL entre prédictions conditionnelles et distribution inconditionnelle masquée, avec paramètre de température pour équilibrer confidentialité-utilité. Code disponible.
UniER est un benchmark unifié pour la recommandation d'exercices pédagogiques, comparant deux paradigmes : ILER (recommandation au niveau item) et PLER (recommandation de parcours d'apprentissage). Le framework introduit la métrique Weighted Cognitive Gain (WCG) et évalue 18 méthodes sur 9 datasets. Les résultats montrent la supériorité systématique de PLER et les limites d'ILER en contexte de rareté de données.
Guided Topology Diffusion (GTD) utilise des modèles de diffusion de graphes pour générer dynamiquement les topologies de communication optimales dans les systèmes multi-agents LLM. Le framework itératif, guidé par un modèle proxy prédisant récompenses multi-objectifs (précision, utilité, coût), adapte les topologies aux tâches sans optimisation par gradient, surpassant les approches statiques.
Article théorique sur l'entraînement des transformers en régime champ moyen (profondeur et largeur infinies). Les auteurs modélisent l'entraînement comme contrôle d'une PDE neurale (vs ODE pour ResNets), établissent la bonne posture du passage forward, dérivant formules explicites pour les gradients Wasserstein et prouvant convergence du gradient flow vers minima globaux sous conditions d'injectivité du NTK.
Méthode pour étendre les LLM à de nouvelles langues sans phase d'alignement coûteuse. Convertit un modèle dense en architecture Mixture-of-Experts avec experts dédiés par langue, puis transfère les capacités d'alignement via fusion de deltas post-training. Améliore les performances sur les nouvelles langues tout en préservant les capacités originales.
Un framework neuro-symbolique entraîne un modèle 4B-paramètres à générer des heuristiques de cubing pour SAT via SFT+DPO. Le modèle atteint pass@5=53 sur 100 benchmarks SAT, égalant la meilleure heuristique symbolique et surpassant Claude-Sonnet-4 (50). Les données proviennent d'une pipeline MCTS explorant les décisions de splitting sur formules de compétition SAT.
ClawGym est un framework pour développer des agents capables d'exécuter des workflows multi-étapes sur fichiers locaux et outils persistants. Les auteurs construisent ClawGym-SynData (13.5K tâches synthétisées), entraînent ClawGym-Agents via fine-tuning supervisé et RL, et proposent ClawGym-Bench (200 instances) pour l'évaluation.
HIBCG propose une méthode théorique pour apprendre des graphes de coordination creux en apprentissage multi-agent. Via l'information bottleneck, elle détermine quelles arêtes exister et leur capacité de message, avec garanties formelles sur la topologie apprise et allocation différenciée par groupe d'agents.
TTG (Token Games) est un framework d'évaluation où les modèles de langage se défient mutuellement en créant des puzzles de programmation. Le système utilise des duels par paires et des ratings Elo pour comparer 10 modèles frontier. Les résultats correspondent aux benchmarks existants (Humanity's Last Exam) pour moins de 200 USD sans curation humaine.
LPG (Latent Policy Guardrail) est un framework de sécurité pour LLM qui adapte les politiques de sécurité à l'inférence sans réentraînement. Il compresse le raisonnement en 10 tokens latents, atteint 84,5% de précision et 77,9% F1 sur les benchmarks, tout en étant 11× plus rapide que Qwen3-4B-Thinking.