LinTree améliore le raisonnement des LLM en représentant explicitement la structure arborescente des traces de recherche. Les chercheurs montrent que l'accès brut à l'historique de recherche ne suffit pas à surpasser la recherche heuristique guidée par LLM. Ajouter des pointeurs parents pour expliciter la structure arborescente améliore les performances sur Blocks World, Navigation et Sokoban.
NumLeak mesure la mémorisation de benchmarks publics dans les LLM frontier. Les modèles rappellent les données Fama-French (r=0.97-0.99), chômage US et température NOAA avec haute fidélité. Sur données récentes non vues, le taux de parsing chute à 21-57% mais r reste ~0.99 pour les mois répondus. Une défense prompt-système bloque 99.8% des attaques.
Étude arXiv sur l'ingénierie de données autonome par agents LLM pour la spécialisation de modèles. GPT-5.2 construit un curriculum d'entraînement qui améliore un modèle étudiant de 57,29% via adaptation itérative des données. Formalise une nouvelle tâche évaluant les LLM comme ingénieurs de données autonomes.
DecomposeR, un framework d'IA pour la recherche approfondie, entraîne un modèle Qwen3-8B via deux étapes de renforcement : planification (graphes acycliques typés) puis exécution. Amélioration de 5,1-8,0 points sur benchmarks long-form grâce à une meilleure décomposition des requêtes et synthèse.
Étude sur les équipes d'LLM jouant à ChGK (quiz de raisonnement collectif). Trois stratégies testées : Vote, Silent Team (capitaine observe réponses), Talkative Team (capitaine observe réponses + justifications). Sur 572 questions 2025, les équipes surpassent les modèles seuls (+20 points). Meilleure équipe : 44,23% accuracy, approchant la performance humaine. La communication des justifications réduit les erreurs.
GRiD, un framework basé sur les modèles de diffusion, génère des règles graph-like pour le raisonnement sur graphes de connaissances. Combine pré-entraînement supervisé et apprentissage par renforcement pour découvrir des règles complexes (cycles, branches) au-delà des chaînes simples. Évalué sur 6 benchmarks avec code open-source.
MAVEN est un système de raisonnement symbolique léger pour améliorer la généralisation des agents LLM dans les tâches d'appel d'outils. Évalué sur BFCL v3, TauBench, Tau2Bench, AceBench et un nouveau benchmark MAVEN-Bench, il augmente la précision de GPT-OSS-120b de 48% à 71% sans entraînement supplémentaire, avec un coût 10× inférieur aux modèles propriétaires.
Des réseaux de neurones non entraînés correspondent mieux au cortex visuel précoce que des réseaux entraînés. Une étude sur 720 images (THINGS) et données fMRI de 3 sujets montre qu'une époque de training réduit l'alignement V1 de 25-90% selon la règle d'apprentissage. La rétropropagation dégrade le plus (Δr = -0.080), tandis que le codage prédictif et STDP préservent mieux l'alignement (Δr ~ -0.04).
Méthode pour générer automatiquement des rubriques d'évaluation fine-grained sans annotation humaine, testée sur quatre benchmarks. Approche sans entraînement initial, puis affinement itératif via signaux de récompense meta-judge. Un générateur 14B affiné surpasse des modèles propriétaires plus grands.
Étude sur l'auto-évolution des harnesses (prompts, skills, mémoires, outils) dans les agents LLM. Analyse deux capacités : harness-updating (produire des mises à jour utiles) et harness-benefit (en bénéficier). Résultats : harness-updating est indépendant de la capacité de base (Qwen3.5-9B rivalise avec Claude Opus), tandis que harness-benefit suit une courbe non-monotone (modèles mid-tier bénéficient le plus).
DisjunctiveNet propose une méthode neuro-symbolique pour intégrer des contraintes logiques et linéaires mixtes directement dans les réseaux de neurones via des couches d'optimisation différentiables. Utilisant des relaxations convexes hiérarchiques, le framework garantit la satisfaction exacte des règles tout en maintenant la performance prédictive sur des données réelles.
Vercel Blob supporte désormais l'authentification OIDC par défaut pour les nouveaux projets. Les tokens OIDC émis par Vercel sont de courte durée et rotatifs, éliminant le besoin de tokens longs durée. Les fonctions Vercel et la CLI reçoivent automatiquement le token.
Vercel AI Chat SDK ajoute le support de Lark et Feishu via un nouvel adaptateur officiel. Les bots peuvent poster, éditer et supprimer des messages, streamer des réponses via l'API cardkit typewriter de Lark, envoyer des cartes interactives et réagir avec des emojis. La connexion utilise le transport WebSocket de Lark.
ComfyUI est une interface graphique modulaire pour les modèles de diffusion, offrant une API et un backend basés sur un système de nœuds et graphes pour la génération d'images.
PolyRange est un benchmark de cybersécurité IA générant dynamiquement des cibles web fraîches pour chaque évaluation, éliminant la contamination de corpus d'entraînement. L'auteur adresse le consensus des labs (Anthropic, OpenAI, DeepMind) : les benchmarks statiques sont saturés et les défenses réelles manquent. MIT-licensed, indépendant du projet commercial de l'auteur.
MiniMax M3, premier modèle de MiniMax avec fenêtre contextuelle de 1M tokens et multimodalité native, est désormais disponible sur Vercel AI Gateway. M3 excelle en ingénierie logicielle, utilisation d'outils en ligne de commande et navigation web agentique, optimisé pour la collaboration multi-tours.
Mudler publie des quantifications APEX GGUF du modèle Qwen3.6-35B-A3B-Claude-4.7-Opus-Reasoning-Distilled avec tête MTP (multi-token prediction) intégrée. Les fichiers activent le décodage spéculatif auto-contenu via llama.cpp sans modèle brouillon séparé. Taille +2,5% vs version non-MTP, tête MTP quantifiée Q8_0 pour précision de draft élevée.
Anthropic publie une documentation détaillée sur ses techniques de sandboxing pour Claude.ai, Claude Code et Cowork. Utilise gVisor (Claude.ai), Seatbelt/Bubblewrap (Claude Code local), et VMs complètes (Cowork). Inclut process sandboxes, limites filesystem et contrôles d'egress pour empêcher l'exfiltration de credentials.
NVIDIA a quantifié le modèle Qwen3.6-35B-A3B d'Alibaba en NVFP4 (4 bits) via Model Optimizer. La réduction passe de 16 à 4 bits par paramètre, divisant par 3,06x la mémoire GPU et l'espace disque. Les benchmarks (MMLU Pro, GPQA Diamond, etc.) montrent une dégradation minimale : 85,6→85,0 sur MMLU Pro.
OpenRouter lève 113 millions de dollars en Series B. La plateforme d'agrégation d'API LLM renforce son financement pour étendre son offre de modèles et ses capacités d'infrastructure.
Une étude à grande échelle (208 000 participants, 26 millions de réponses) montre que l'entraînement rendant les modèles de langage utiles affaiblit leur capacité à reproduire le comportement humain. L'effet s'aggrave à chaque génération. Les profils démographiques (persona trick) n'apportent aucun bénéfice significatif.
OpenAI déploie Codex sur Windows 11 avec une fonction « Computer Use » permettant à l'IA de contrôler autonomement les programmes, tester des applications et détecter des bugs. L'app ChatGPT mobile permet de lancer et surveiller ces tâches à distance.
Anthropic lève 65 milliards de dollars en série H, portant sa valorisation à 965 milliards. Aucun fonds public européen n'a participé au tour de financement.
Claude Code est un outil de codage agentique en ligne de commande qui comprend votre base de code et exécute des tâches routinières, explique du code complexe et gère les workflows Git via des commandes en langage naturel.
Vercel passe à une facturation à l'unité pour les invocations de fonction. Nouveau tarif : $0,0000006 par invocation (anciennement $0,60 par million) pour les clients Pro. Le changement prend effet au prochain cycle de facturation.
Anthropic lève 65 milliards de dollars en Série H, atteignant une valorisation de 965 milliards de dollars. L'une des plus importantes levées de fonds du secteur IA.
Liquid AI publie LFM2.5-8B-A1B, modèle 8B avec contexte 128K, 38T tokens de pré-entraînement et RL large-scale. Vocabulaire doublé pour langues non-latines. Supporte chaînage d'outils et tâches complexes sur laptop d'entrée de gamme.
S3MEM propose un cadre de mémoire épisodique structurée pour les agents interactifs long-horizon. Le système structure les trajectoires en unités mémoire organisées et utilise une récupération sensible aux ancres pour améliorer la réponse aux questions spatiotemporelles. Évalué sur Crafter, Jericho, SciWorld et ALFWorld, S3MEM surpasse RAG vanilla et Graph-NoReader en précision tout en utilisant moins de tokens.
Framework hybride ML-expertise pour évaluer les routes de synthèse organique. Modèle DeepSets entraîné sur distance d'édition d'arbres, affiné avec annotations chimistes. Produit scores quantitatifs et catégories explicables (Good/Plausible/Bad). Corrélation Spearman 0.78, précision top-1 60.2% vs 17.5% baseline.
Étude de la recherche bibliographique à grande échelle : un pipeline Deep Research augmente le recall de 20% à 80% sur RollingEval-Jun25 (250 articles). Analyse critique des listes de références humaines comme ground truth : seulement 51% jugées modérément pertinentes vs 86-88% pour les meilleurs ré-rankers IA. Les humains citent 2,5x plus leurs collaborateurs directs.
Les méthodes d'édition de connaissances ROME et MEMIT modifient les poids MLP des transformers. Les auteurs découvrent qu'elles ciblent un sous-ensemble commun de poids via un masque binaire qui annule 80% des édits en entraînement et 70% en test. Le mécanisme supprime plutôt que réécrit les connaissances, expliquant pourquoi les changements ne se propagent pas aux faits connexes.
Analyse empirique de 11 agents DeFi sur Solana : les treasuries retiennent 30M$ de gains papier tandis que les détenteurs de tokens ont perdu 191,7M$. Le top 1% des portefeuilles capture 81,4% des gains. Les valuations token sont déconnectées des fondamentaux (ratios market-cap/AUM > 10 000x). Les rendements médians sont négatifs sur toutes les plateformes.
Étude de compression textuelle lossy où un encodeur supprime stratégiquement des parties du texte et un LLM reconstruit le contenu original. Benchmark de 6 stratégies de suppression (uniforme, fréquence, entropie, optimisation LP, hybrides) sur BBC News. WordFreq offre le meilleur rapport coût/performance ; les méthodes sémantiques brillent en compression modérée ; QLoRA fine-tuning rivalise avec Gemini 2.0 Flash.
Étude empirique de la reproductibilité comportementale des agents LLM avec tool-calling. Les chercheurs mesurent si un agent sélectionne les mêmes outils, dans le même ordre, avec les mêmes paramètres, lors d'invocations répétées identiques. Focus sur les interfaces structurées avec paramètres typés et effets secondaires.
Les modèles de diffusion masqués (MDMs) avec décodage basé sur la confiance échouent sur les tâches de raisonnement complexe. L'entraînement aligné sur la confiance amplifie les erreurs d'un ordre de magnitude sur l'addition multi-chiffres. Le masquage aléatoire préserve mieux les trajectoires logiques nécessaires au raisonnement.
Étude empirique sur les revues générées par LLM pour articles scientifiques (données ACL Rolling Review 2025). Résultats : alignement limité entre avis LLM et humains, variation substantielle selon les prompts/modèles. Les auteurs peuvent « gamifier » les revues LLM via révisions itératives, augmentant les scores de 35% des articles testés.
Analyse longitudinale de ~12 000 utilisateurs de Microsoft Bing Copilot montrant que les comportements individuels restent stables dans le temps, contrairement aux tendances au niveau population. Les utilisateurs actifs réussissent mieux et utilisent l'IA pour des tâches complexes. WildChat-4.8M sur-représente les utilisateurs expérimentés.
Aryabhata 2 est un modèle de langage spécialisé en raisonnement STEM entraîné par renforcement sur GPT-OSS-20B. Développé par PhysicsWallah, il surpasse son modèle de base sur les examens JEE/NEET tout en réduisant les tokens de sortie de 64%. Évalué sur AIME, HMMT, MMLU-Pro et GPQA.
OmniRetrieval est un framework qui unifie la récupération d'information sur des sources hétérogènes (texte non structuré, tables relationnelles, graphes de connaissances). Il traduit les requêtes en langage naturel en requêtes natives pour chaque source, testé sur 13 datasets et 309 bases de connaissances.
Datasette 1.0a31 ajoute deux fonctionnalités majeures : l'exécution de requêtes d'écriture (INSERT/UPDATE/DELETE) et la sauvegarde de requêtes stockées (privées ou partagées). Les permissions contrôlent l'accès aux opérations sensibles comme CREATE TABLE.