Experiment-as-Code Labs propose un paradigme où les expériences scientifiques sont encodées en configurations déclaratives compilables vers des APIs d'instruments. Les agents IA formulent des hypothèses, un système effectue analyses de programme et orchestration, puis les expériences s'exécutent via contrôle d'équipements physiques. Stack générique science/lab/instrument-agnostique.
MemOCR est un agent mémoire multimodal qui compresse les historiques d'interaction longues en images structurées avec densité informationnelle adaptative. Entraîné par RL avec objectifs sensibles au budget, il surpasse les baselines textuelles sur des benchmarks QA multi-hop et mono-hop sous contraintes de contexte extrêmes.
Étude sur l'efficacité du replay non-uniforme en RL off-policy. Les auteurs identifient trois facteurs clés : volume de replay, récence des transitions et entropie de la distribution d'échantillonnage. Ils proposent Truncated Geometric replay, qui privilégie les expériences récentes tout en maintenant haute entropie, améliorant l'efficacité d'échantillonnage en régimes bas-volume.
PersonaDual est un framework LLM qui bascule adaptatif entre raisonnement objectif et personnalisé selon le contexte. Entraîné via SFT puis optimisé par RL avec DualGRPO, il préserve les bénéfices de la personnalisation tout en maintenant la factualité et réduisant les interférences.
Des chercheurs proposent UALM (Unified Agent Lifecycle Management), un cadre de gouvernance pour les systèmes d'IA agentiques en santé. Le modèle adresse la prolifération d'agents (agent sprawl) via cinq couches de contrôle : registre d'identité, orchestration, gestion des données PHI, application de politiques runtime avec kill-switch, et décommissionnement lié à la révocation de credentials.
PriHA est un système RAG pour assistant de santé primaire à Hong Kong. Le framework combine un optimiseur de requêtes et une architecture Dual Retrieval Augmented Generation (DRAG) pour récupérer des directives cliniques fragmentées et générer des réponses précises et localisées, surpassant ChatGPT et DeepSeek sur l'exactitude.
OptBias, un framework de meta-learning, résout l'optimisation black-box hors-ligne avec données limitées. Il génère des tâches synthétiques via processus gaussien pour apprendre un biais d'optimisation réutilisable, puis affine le modèle surrogate sur les petits datasets cibles. Surpasse les baselines sur benchmarks continus et discrets.
R2M (Real-Time Aligned Reward Model) propose une nouvelle approche RLHF pour réduire l'overfitting du modèle de récompense. Au lieu de s'appuyer uniquement sur les représentations sémantiques, R2M utilise les états cachés évolutifs de la politique pour s'aligner en temps réel avec les changements de distribution pendant l'entraînement par renforcement.
Étude comparative de représentations protéiques (composition acides aminés, k-mers, ProtBERT, descripteurs physicochimiques) pour classifier la maladie de Parkinson. ProtBERT + MLP atteint F1=0.704±0.028, ROC-AUC=0.748±0.047. Les séquences primaires seules montrent un pouvoir discriminant limité; des features structurelles/fonctionnelles sont nécessaires.
Des chercheurs montrent que combiner des représentations acoustiques et prédictives d'un réseau de neurones artificiels améliore l'identification musicale à partir d'activité cérébrale (EEG). Les modèles préentraînés sur ces deux types de représentations surpassent les baselines et leurs gains sont complémentaires. Cette approche ouvre la voie à des modèles EEG génériques fondés sur les principes du codage cortical.
PCFJudge, une méthode d'inférence, évalue la factualité en relançant un prompt listwise sur plusieurs ordres de candidats et agrège les scores. Sur RewardBench 2 Factuality, avec K=7 permutations, la précision passe de 86% à 91,33% (GPT-5.4) et 86,33% à 89,67% (Claude Sonnet 4.6).
Les pipelines RL asynchrones pour agents LLM perdent les anciens logits historiques nécessaires à la correction off-policy PPO, entrelançant correction de discordance et correction de staleness. L'article propose trois stratégies d'acquisition (snapshot, modèle dédié, interruption) et une méthode PPO-EWMA approximée pour préserver la sémantique de correction découplée.
Framework de causal inference pour stress testing financier en données de panel avec traitement continu sans groupe contrôle. Propose une enveloppe de confounding en forme fermée paramétrée par deux sensibilités, combine identification partielle et conformal prediction pondérée. Montre que modèles prédictifs standard restent biaisés causalement sur données de chômage US.
Les méthodes d'apprentissage par étiquettes complémentaires (CLL) restent limitées aux classifications à 10 classes. Cet article propose BICL, un cadre qui utilise intentionnellement des matrices de transition biaisées (non-uniformes) pour restreindre les étiquettes complémentaires. Sur CIFAR-100 et TinyImageNet-200, BICL améliore la précision de plus de 7× par rapport aux méthodes traditionnelles.
Étude montrant que deux protocoles d'évaluation de redondance dans les transformers (replacement et interchange) donnent des résultats divergents pour identifier les couches à élaguer. Sur Pythia, Qwen3-8B et Llama-3.1-8B, l'écart entre les protocoles change drastiquement les couches jugées sûres à supprimer, même avec le même évaluateur KL.
Outil computationnel pour classifier les verbes de manière et de résultat à grande échelle. Utilise des prompts linguistiques avec LLM pour générer des annotations sur MASC et InterCorp (436 classes VerbNet). Classifier RoBERTa atteint 89,6% de précision sur trois datasets gold-standard. Applicable à la recherche développementale sur la sémantique verbale.
Des chercheurs proposent LAD-inspired PPT, un pré-préentraînement sur MP-STRUCT, un langage formel encodant composition hiérarchique et déplacement à longue distance. Après 500 étapes, cette approche égale les baselines formels en efficacité tokens tout en conférant aux LLMs une résistance aux langages structurellement implausibles, similaire aux humains.
RTI-Bench est un dataset structuré de 1 516 décisions de la Commission indienne d'information (CIC) avec étiquettes de résultats, citations d'exemptions et composants de raisonnement IRAC. Mistral 7B atteint 57,3% de précision en prédiction de résultats (baseline 14,3%). Premier dataset public pour l'analyse des décisions RTI indiennes.
Early Pruning accélère les algorithmes de routage RAPTOR pour les transports publics en pré-triant les connexions de transfert et en éliminant les trajets plus longs qui ne peuvent pas améliorer le meilleur temps d'arrivée. Testé sur les réseaux suisses et londoniens, la technique réduit les temps de requête jusqu'à 57% sans compromettre l'optimalité.
ARROW étend DreamerV3 avec un système de replay à deux buffers (court et long terme) pour l'apprentissage par renforcement continu. Testé sur Atari et Procgen, l'algorithme réduit l'oubli catastrophique tout en maintenant le transfert de connaissances, inspiré par la relecture d'expériences dans le cerveau.
Méthode « Explicit Logic Channel » parallèle aux MLLMs pour valider et améliorer les modèles multimodaux en zéro-shot. Combine LLM, VFM et raisonnement logique probabiliste (factuel, contrefactuel, relationnel) avec une métrique « Consistency Rate » pour sélectionner modèles sans annotations. Tests sur MC-VQA et HC-REC avec 11 MLLMs open-source.
Article arXiv proposant une notion de robustesse spatiotemporelle (STR) pour les spécifications de logique temporelle sur signaux discrets. Formalisée comme problème de raisonnement multi-objectif via ordre partiel, STR capture perturbations spatiales et temporelles conjointes. Applicable aux systèmes multi-agents, villes intelligentes, contrôle du trafic aérien. Algorithmes de monitoring proposés.
JSPG propose un cadre de filtrage dynamique pour l'ASR contextuelle en chinois combinant features sémantiques, pinyin et glyphes. L'approche utilise un algorithme Smith-Waterman étendu pour scorer les séquences d'hypothèses N-best. Tests sur Aishell-1 et RWCS-NER montrent amélioration significative de la reconnaissance de mots-clés.
Les grands modèles de raisonnement (LRM) génèrent des traces alignées avec les temps de réaction humains, mais cet alignement persiste indépendamment du budget de raisonnement en inférence. Étude sur GPT-OSS-20B et GPT-OSS-120B : l'allocation de tokens suit les patterns de difficulté humains et reste invariante across effort levels, suggérant que l'alignement cognitif est figé au training time.
SkillTTA synthétise des compétences textuelles spécifiques à la tâche en récupérant des trajectoires d'entraînement pertinentes, sans mettre à jour les paramètres du modèle. Évalué sur SpreadsheetBench, ALFWorld et BigCodeBench : SpreadsheetBench passe de 0.397 à 0.505 en Pass@1, BigCodeBench de 0.517 à 0.651.
Les boucles d'auto-évolution des LLM stagnent quand elles ne génèrent pas d'information apprenable. Cette étude identifie trois rôles (Proposer, Solver, Verifier) et trois designs système (co-évolution asymétrique, croissance de capacité, recherche proactive d'information) pour maintenir le gain d'information à travers les itérations sur des tâches de codage.
PluRule est un benchmark multimodal multilingue pour la modération de communautés pluralistes sur les réseaux sociaux. Il couvre 13 371 violations de règles dans 1 989 communautés Reddit (9 langues, 2 885 règles). Les modèles vision-langage de pointe, y compris GPT-4.5 avec raisonnement avancé, ne surpassent que marginalement une baseline triviale.
HeteroFusion fusionne des modèles de langage hétérogènes (Llama, Qwen, Mistral) en alignant les structures fonctionnelles plutôt que les poids bruts, et en supprimant les signaux de transfert incompatibles. Surpasse les baselines de fusion et d'ensemble sur transfert hétérogène, fusion multi-source et généralisation cross-family.
LEAF est un benchmark vivant pour évaluer les capacités de prévision des LLM en utilisant des événements multidimensionnels. Le système utilise des agents de récupération récursive et une validation croisée dual-agent pour fournir du texte auxiliaire pertinent. Les tests montrent que les LLM exploitent les signaux d'événements complexes pour améliorer les prévisions, notamment sur les actions boursières.
AgentRevive propose un cadre Markov pour l'évolution résiliente de systèmes multi-agents LLM. Au lieu de supprimer agressivement les agents défaillants, la méthode utilise des transitions d'état souples (Actif/Standby/Terminé) avec un estimateur de risque d'hallucination. Résultats : surpasse les baselines sur raisonnement général, tâches spécialisées et défis d'hallucination, réduisant la consommation de tokens.
EmergentBridge améliore les modèles d'embedding multimodaux unifiés pour les paires de modalités non appariées (audio↔profondeur, infrarouge↔audio). La méthode apprend un mappage produisant un « noisy bridge anchor » et applique l'alignement dans un sous-espace orthogonal, préservant la structure d'alignement existante. Résultats sur 9 datasets : surpasse les baselines en classification et retrieval zero-shot.
AMATA est un framework multi-agent adaptatif pour le question-answering intensif en connaissances. Six agents spécialisés collaborent via des actions structurées pour améliorer la cohérence factuelle et réduire les hallucinations. Le système formalise la collaboration comme un problème d'alignement de trajectoires avec apprentissage des préférences intra et inter-agents.
MiniGPT est une implémentation compacte de GPT en PyTorch, reconstruite from scratch dans un notebook unique. Le modèle de 10.77M paramètres atteint une validation loss de 1.4780 sur Tiny Shakespeare avec tokenization au niveau caractère et génère du texte avec structure dialogale reconnaissable.
SurgUn, une méthode d'oubli de concepts pour modèles de diffusion texte-image, traite l'oubli comme une compétition contrôlée plutôt qu'une suppression directe. Via gradient ascendant sur cibles et descent sur distracteurs sémantiquement divers, elle réduit l'imbalance erase-retain et limite les dégâts collatéraux. Testée sur Stable Diffusion v1.5, SDXL et SANA-1.5.
Étude comparative de 10 workflows d'annotation pour la résumé de parole conversationnelle. Les résumés basés sur audio sont moins informatifs que ceux basés sur transcripts, mais l'édition itérative par pairs avec audio compense cette différence. Validation de cette approche pour créer des benchmarks intégrant informations lexicales et prosodiques.
Nouvelle approche de topic modeling (SBTA) qui assigne des topics à des segments de texte plutôt qu'à des documents entiers, réduisant la contamination thématique. Les auteurs créent SemEval-STM, un dataset annoté via LLM + révision humaine, et valident l'amélioration de la qualité et interprétabilité sur plusieurs modèles.
Benchmark pilote pour traduire le langage naturel en logique du premier ordre (FOL) dans l'exploration planétaire. Dataset construit à partir de documentation NASA (missions 2003-2013), annoté manuellement avec représentations FOL capturant structure temporelle, rôles d'agents et dépendances opérationnelles. Vocabulaires de prédicats structurés fournis.
UxSID propose une architecture pour modéliser les séquences utilisateur ultra-longues via des Semantic IDs et une attention dual-level. Le framework équilibre efficacité computationnelle et conscience sémantique, atteignant SOTA et +0.337% de lift revenue en test A/B publicité large-scale.
MarsTSC, un framework agentic pour VLMs, résout la classification multimodale de séries temporelles en few-shot. Trois rôles collaboratifs (Generator, Reflector, Modifier) affinent itérativement une knowledge bank via reasoning réflexif. Tests sur 12 benchmarks, 6 backbones VLM : gains constants, rationales interprétables.
TruthMarketTwin, un framework de simulation multi-agents, étudie le comportement stratégique d'agents LLM dans les marchés e-commerce. Les agents exploitent autonomement les faiblesses des systèmes de réputation, tandis que l'application de garanties réduit la tromperie et modifie le raisonnement stratégique.