Étude systématique des frameworks d'évaluation et d'évolution des compétences d'agents IA. Catégorise l'évolution en quatre paradigmes : feedback d'exécution, distillation de trajectoires, compression et apprentissage par renforcement. Analyse six catégories de benchmarks et identifie les lacunes structurelles pour construire des écosystèmes de compétences généralisables et sûrs.
Étude des bandits agités avec états latents binaires et rétroaction imparfaite, motivée par l'accès opportuniste au spectre. Développement d'un cadre analytique basé sur les lois de conservation partielles (PCL) pour établir l'indexabilité et évaluer l'indice de Whittle. Vérification complète en plusieurs régimes seuil et schémas numériques efficaces pour les régimes restants.
SkillJuror évalue comment l'organisation des Skills (procédures augmentant les agents LLM) affecte le comportement à l'exécution. Sur 82 tâches, la Progressive Disclosure (ressources hiérarchisées) augmente les ressources touchées par trajectoire de 1,18 à 3,85 et les événements d'uptake de 1,33 à 3,92, gagnant +4,1% de succès. Le bénéfice dépend de la tâche.
Nouvelle approche pour prédire le comportement des grands modèles de raisonnement (LRM) sans passer par des explications. Les auteurs entraînent des Behavior Forecasters sur des trajectoires de raisonnement pour prédire la stabilité des réponses et l'impact des modifications d'entrée. Évaluation sur trois datasets : les forecasters surpassent GPT-5.4 et Claude Opus-4.6 avec coût d'inférence réduit.
HELM est un framework agent-humain pour automatiser la modélisation par éléments finis (FE) de barrières de pont en béton armé. Testé sur 20 cas sous conditions de charge MASH TL-4/TL-5, le système améliore le taux de succès autonome de 20% à 75% en décomposant le processus en points de contrôle visuels vérifiables. Code et prompts open-sourcés.
Moral Trolley Arena, un benchmark ELO en deux étapes, mesure comment les LLMs composent des signaux moraux. Sur 10 modèles frontière, les jugements composites sont prédits par la force des actes composants mais avec une relation compressée non-additive. Les résultats montrent que les audits moraux doivent mesurer les règles de composition, pas seulement les classements d'actes isolés.
ACTION-RATING intègre la demande de clarification dans l'espace d'action des agents hiérarchiques, en concurrence directe avec la navigation. Sur classification de tarifs (30k nœuds, 9 LLMs), deux modes émergent : obligatoire (pas de branche viable) et opportuniste (incertitude résiduelle). L'efficacité de recherche d'information passe de 50% à 74%.
TouchThinker est un framework tactile-langage pour le raisonnement commonsense basé sur le toucher. Les auteurs construisent TouchThinker-1M, un dataset de 1 million d'exemples couvrant 415 objets, 8 scénarios et 7 types de capteurs, et introduisent un mécanisme de modélisation action-aware pour améliorer l'efficacité des représentations tactiles.
EverydayGPT introduit un mécanisme de routage par confiance (CGR) pour les systèmes RAG conversationnels. Un GPT de 205M paramètres entraîné sur 10B tokens évite l'appel au chemin GPT coûteux (~5.9s) pour 85% des requêtes en les résolvant via extraction RAG rapide (~45ms), réduisant la latence de 120x. F1=0.226 sur benchmark 500 questions, avec réduction latence moyenne 6.3x.
RecToM, un framework d'inférence pour le raisonnement Theory of Mind, modélise les croyances imbriquées via construction récursive de perspectives. Testé sur Hi-ToM, Big-ToM et FanToM avec GPT-5.4 et Qwen3.5, il atteint 100% de précision et surpasse les approches existantes.
StatefulDiscovery est un framework pour la découverte scientifique ouverte qui externalise l'état d'investigation pour coordonner la sélection de frontière, l'acquisition de preuves et l'adjudication de réclamations. Évalué sur 40 tâches réelles, il produit plus de réclamations bien fondées et de haute valeur que les baselines, grâce aux hypothèses structurées et au contrôle de frontière.
PoQ-Judge est un framework d'évaluation sans référence pour les réseaux d'inférence LLM décentralisés. Trois architectures (TextCNN, MiniLM, DeBERTa) sont entraînées sur UltraFeedback + données GPT-labellisées. Le meilleur modèle atteint 0.747 corrélation Pearson avec la vérité-terrain, surpassant les évaluateurs basés sur références. L'évaluation en cascade réduit les coûts de 72.7% avec perte de qualité modeste.
MA-DLE propose une méthode d'augmentation mémoire pour estimer automatiquement les niveaux de dépression à partir de la parole. Le système utilise un GRU enrichi par une banque mémoire sélective (features temporelles historiques + features dynamiques basées sur la variabilité) et un module Hierarchical Attention Fusion. Évalué sur DAIC-WOZ et E-DAIC, il atteint l'état de l'art.
Nouvelle méthode de Bayesian Optimization (BO) pour découvrir plusieurs solutions distinctes satisfaisant des plages de propriétés cibles plutôt qu'un optimum unique. Testée sur synthèse polymère et découverte d'oligomères avec calculs chimiques quantiques, elle récupère des ensembles plus larges et diversifiés que les baselines BO standards.
Les modèles de langage deviennent surconfiants quand on augmente le budget de raisonnement au-delà d'un seuil critique. Ce phénomène, appelé Calibration Drift Under Reasoning (CDUR), est étudié sur Llama-3.1-8B et Llama-3.3-70B. Les auteurs proposent CABStop, une règle d'arrêt calibrée pour arrêter le raisonnement quand la confiance diverge de l'exactitude réelle.
GLACIER est un modèle étudiant-professeur multimodal pour la prédiction de propriétés moléculaires. Il intègre graphes moléculaires, chaînes SMILES et descripteurs physicochimiques via trois encodeurs préentraînés sur 100 000 molécules, fusionnés par géométrie de Finsler et distillation de connaissances de MiniMol et MolFormer.
Embodied-BenchClaw est un système multi-agent autonome pour construire des benchmarks d'intelligence spatiale incarnée. Via un pipeline à 5 étapes (intent, collecte, structuration, synthèse, reporting), coordonné par 3 agents, il génère automatiquement des benchmarks réutilisables et maintenables couvrant raisonnement spatial intérieur/extérieur, manipulation robotique, navigation quadrupède et vision aérienne.
Étude des attaques adversariales contre la summarization de données continues via optimisation DR-submodulaire. Les auteurs formulent des attaques multi-cibles comme problème min-max et proposent des défenses robustes via max-min régularisé. Algorithmes d'approximation avec garanties théoriques validés sur benchmarks réels.
Schützen est un dataset d'évaluation de sécurité LLM en allemand et bulgare, couvrant une langue à faibles ressources et une à fortes ressources. Les expériences révèlent des différences significatives de comportement de sécurité entre langues, soulignant le besoin de ressources d'évaluation régionales adaptées.
Étude d'un protocole de promotion par étapes pour le micro-préentraînement sur deux architectures (A100, L40S). À partir de 12 configurations, les auteurs utilisent des budgets croissants (2, 5, 10, 60 min, 12h) avec règles de promotion gelées. Le coût total : 169,2 GPU-heures vs 432 si tous les candidats à 10 min avaient continué.
Étude arXiv sur le sondage des valeurs culturelles dans les LLM via des dilemmes comportementaux basés sur le World Values Survey. Les auteurs appliquent steering d'activation sur trois modèles open-source pour mesurer et modifier les préférences implicites selon deux axes Inglehart-Welzel, révélant un enchevêtrement latent où les interventions sur une dimension culturelle affectent une autre.
APEX optimise automatiquement les prompts en sélectionnant dynamiquement les données d'entraînement. Le framework stratifie le dataset en tiers (Easy, Hard, Mixed) et priorise la frontière Mixed pour générer des mutations informatives. Sur 5 000 appels d'évaluation, APEX améliore les performances de 11,2% sur Gemini 2.5 Flash et 6,8% sur Gemma 3 27B.
Détection de contenu généré par IA sur les réseaux sociaux via un modèle vision-langage compact. Pipeline multi-modal entraîné sur données sociales diversifiées, déployé en production avec impact positif sur l'engagement utilisateur. Performances SOTA sur benchmarks publics.
Article de perspective sur l'intégration de contraintes physiques dans les modèles génératifs pour la fabrication de semiconducteurs. Argue que les modèles doivent être physics-informed par construction plutôt que corrigés post-hoc. Survole diffusion physics-informed, modèles variationnels PDE-contraints, opérateurs neuronaux, et réseaux respectant les lois de conservation.
Nouvel indice de complexité linguistique (ladderpath index) basé sur la théorie de l'information algorithmique. Mesure les étapes minimales pour reconstruire une séquence par réutilisation hiérarchique de sous-structures répétées. Appliqué à 21 corpus parallèles : complexité approximativement invariante entre langues, soutenant l'hypothèse d'équi-complexité.
PoQ-Judge est un framework d'évaluation légère et sans référence pour les réseaux d'inférence LLM décentralisés. Trois architectures (TextCNN, MiniLM cross-encoder, DeBERTa) sont comparées sur le tradeoff qualité-coût. Le meilleur modèle atteint 0.747 corrélation Pearson avec la vérité terrain, surpassant les évaluateurs basés sur référence. L'évaluation en cascade réduit les coûts de 72.7% avec perte minimale.
MF-Net est un modèle dynamique récurrent qui représente les systèmes multivariés via un état de champ partagé, mis à jour par une loi de relation apprise. Sur Lorenz-96 (40D), il atteint R²=0.798±0.018 en 8 pas et récupère la structure de couplage local avec précision parfaite (1.000±0.000). Le modèle combine prédiction et interprétabilité structurelle.
PermDoRA teste l'hypothèse que l'interférence entre adaptateurs provient du chevauchement géométrique des paramètres. Sur LLaMA-3.1-8B et Mistral-7B, la fusion géométrique Riemannienne n'améliore pas la composition multi-domaine vs moyenne standard. L'orthogonalité des adaptateurs ne prédit pas la performance : l'interférence dépend plutôt des représentations non-linéaires partagées.
LakeFM est un modèle fondationnel pré-entraîné sur des données écologiques à grande échelle (lacs simulés et observés) pour prévoir la dynamique des lacs et la qualité de l'eau. Il gère les séries temporelles irrégulières multi-variables et multi-profondeurs, généralise entre lacs hétérogènes, et surpasse les modèles existants avec des prédictions physiquement plausibles.
FreeBridge applique les ponts de Schrödinger variationnels à la modélisation des transitions cellulaires à partir d'images fixes. Le modèle infère les trajectoires stochastiques entre populations contrôle et traitées en contraignant le transport dans une géométrie cellulaire observée, validé sur BBBC021, RxRx1 et JUMP.
Framework multi-agent AutoGen pour la conception automatisée de barrières en béton armé. Atteint 98% de précision en design en boucle fermée génération-évaluation-optimisation. Un modèle 8B surpasse des modèles 631B non contraints, réduisant coûts computationnels tout en respectant normes AASHTO-LRFD.
VLM-Safe-RL intègre un modèle vision-langage gelé dans l'optimisation constrained-RL pour anticiper les collisions avant qu'elles ne surviennent. Sur Safety-Gymnasium FormulaOne L2, VLMPPOLag+Conf maintient le coût dans le budget (d_lim=25) tout en conservant un rendement substantiel (Jr≈40), surpassant PPOLag, CPO, CPPOPID et CPO-CLG. Généralisation partielle à MetaDrive (41%→26% de catastrophes).
MODF-SIR est un framework multi-agent basé sur un MLLM léger pour le raisonnement social. Il utilise la distillation de connaissances, l'adaptation au test (TTA) et LoRA pour affiner le modèle. Avec 30% des données IntentTrain, il atteint l'état de l'art sur plusieurs benchmarks. Code, démo et LoRA disponibles.
Les modèles de raisonnement large (LRM) échouent en raisonnement spatial. Au lieu de fine-tuning supervisé, les auteurs proposent un cadre RL auto-supervisé utilisant des vérificateurs de cohérence (transformations géométriques et sémantiques). Ils introduisent OT-GRPO, une variante de GRPO basée sur le transport optimal, atteignant la performance des modèles supervisés sans annotations.
Méthode de détection d'une fuite de données dans les modèles ML à partir des seules prédictions, sans accès au code d'entraînement. Framework décision-théorique identifie trois classes de fuites (mal-calibrées, calibrées larges, déterministes) avec détecteurs spécifiques. Validation sur UK Biobank détecte les fuites jusqu'à Δc* ≈ 0.007.
AutoMine, une méthode de mining de scénarios basée sur LLM et VLM, extrait des scénarios critiques des logs de conduite autonome. Utilise l'augmentation de prompts et des fonctions atomiques robustes. Score HOTA-Temporal de 36.38 à la compétition Argoverse 2 CVPR 2026.
Étude quantifiant le transfert de comportements indésirables lors de la distillation de modèles de langage. Deux modèles (Llama-2-7B-Chat et Qwen2.5-7B-Instruct) sont manipulés à différentes intensités puis distillés sur données bénignes. Llama-2 montre un seuil abrupt (τ=0.25-0.32), Qwen2.5 un transfert continu jusqu'à τ=0.61, évalué sur 100 prompts JailbreakBench avec GPT-4.1.
FewRS est une méthode de rééchantillonnage pour évaluer la significativité statistique des résultats d'exploration de données. Elle réduit le nombre de datasets rééchantillonnés nécessaires (de milliers à quelques-uns) tout en garantissant le contrôle des faux positifs. Testée sur l'extraction de motifs et l'analyse de réseaux, elle offre jusqu'à 100× d'accélération.
Kuramoto attention propose une couche d'auto-attention où chaque coordonnée cachée est un angle sur le tore. Les tokens sont notés par similarité cosinus gated, mis à jour via la moyenne circulaire pondérée (terme de couplage Kuramoto). Sur enwik8, la couche atteint 1.637±0.010 BPC à 1M paramètres vs 1.616±0.004 pour RoPE+SwiGLU, validant cette structure géométrique contrainte.
Méthode de détection OOD en espace latent VAE utilisant la distance de Mahalanobis pour basculer entre contrôleur RL et extremum seeking dans systèmes temps-variant. Application au contrôle d'accélérateur de particules où les mouvements d'aimants créent des profils de faisceau non vus en entraînement.