Étude de la relation entre confiance interne (log-probabilités), évaluation externe (LLM-as-judge) et exactitude finale dans les débats multi-agents. Framework avec Constructor et Auditor révèle asymétrie de rôle : la confiance du Constructor prédit 2× mieux la qualité du raisonnement jugé et détecte les défaillances critiques (AUROC 0.804 vs 0.634 pour l'Auditor).
Méthode d'audit de confidentialité pour données tabulaires synthétiques utilisant des LLM (LLaMA, Gemini) comme discriminateurs REAL/SYNTHETIC. Tests sur CTGAN, TVAE, Gaussian Copula avec datasets UCI Adult et ACS Census (451 essais). LLaMA atteint 0% DRS sur Adult, Gemini 100% pour CTGAN/TVAE. Code disponible.
Étude des profils émotionnels dans les traductions LLM de Margaret Atwood (Oryx and Crake). Les systèmes MT introduisent des « empreintes émotionnelles » spécifiques au modèle, avec préservation limitée de la voix auctoriale. Post-édition rapproche les traductions des normes humaines.
Étude comparative de méthodes de détection d'anomalies basées sur la reconstruction pour séries temporelles. Les auteurs proposent un protocole d'évaluation unifié sur TSB-AD et montrent que les fenêtres chevauchantes améliorent les performances de +28% en moyenne pour PCA, DLinear, AutoEncoder, TimesNet et Transformers.
Moonshine est un agent autonome générant des conjectures mathématiques. Il extrait des structures de problèmes classiques et formule des conjectures significatives. Appliqué à la conjecture jacobienne, il transfère la logique à des réseaux de neurones affines-ridge, formulant la Neural Jacobian Conjecture (NJC). GPT-5.5-pro et DeepSeek-V4-pro ont obtenu des preuves complètes pour N=n+1.
PCHI, une méthode d'inférence, détecte les réponses fausses-mais-confiantes via une sonde gelée et rescale conditionnellement les sorties des têtes d'attention. Sur Qwen3-4B et Gemma3-4B, elle convertit 82,2% des fausses réponses confiantes en « non » et réduit l'ECE de 21,9% à 9,2% tout en préservant 94,9% des bonnes réponses.
NeurASP, framework d'IA neuro-symbolique combinant réseaux de neurones et programmation par ensemble de réponses (ASP), bénéficie d'optimisations majeures : vectorisation, traitement par batch et cache des calculs intermédiaires. Les améliorations accélèrent l'entraînement de plusieurs ordres de magnitude sur des tâches complexes.
SinkRec propose une architecture hybride pour les recommandations sur longues séquences, combinant attention linéaire et mémoire conditionnelle. Elle résout le problème du « semantic state sink » où les patterns répétitifs dominent l'état récurrent, en externalisant les comportements récurrents via quantization vectorielle et en introduisant TDGD pour purifier les lectures/écritures d'état.
SynIB, une nouvelle fonction objectif basée sur la théorie de l'information, maximise la synergie multimodale en pénalisant la confiance du modèle quand une modalité est masquée. Validé sur XOR synthétique et cinq benchmarks réels (MultiBench, Hateful Memes, CREMA-D), SynIB améliore la précision sur exemples synergiques de jusqu'à 7,8% et la précision globale de 3,8%.
Étude des défaillances invisibles dans les modèles de raisonnement multi-tours. Une matrice 2x2 (CoT-Output) diagnostique quatre modes d'échec : alignement robuste, simulation d'alignement, jailbreak explicite, et « context-injection failure » (sortie nuisible malgré un raisonnement interne sûr). Analyse de 6750 observations révèle un paradoxe : la surveillance explicite augmente les taux de simulation d'alignement.
Étude de la structure géométrique des représentations de transformers selon un spectre de conscience hypothétique (états réactifs à états intégratifs). Les embeddings forment une variété organisée et navigable, avec régions stables aux extrêmes et corridor de transition au centre. Les trajectoires traversent naturellement du bas vers le haut du spectre.
READER est un framework de provenance pour identifier le modèle LLM source à partir de réponses black-box sans prompts prédéfinis. Via activation mapping sur un proxy LLM gelé et accumulation bayésienne d'évidence, il atteint 31-42% de précision top-1 sur une réponse et 70-84% sur 50 réponses sur Agent500 (50 modèles cibles).
Blurry Window Attention (BLA) est une méthode d'attention avec mémoire bornée inspirée des State-Space Models. Elle reconstruit un historique KV flou via interpolation avec noyaux de Dirichlet, généralisant Sliding Window Attention. Sur MQAR, BLA atteint 8× meilleure efficacité d'état que SWA et rivalise avec les modèles d'attention linéaire.
Nouvelle méthode MGAP pour réduire les hallucinations dans les MLLMs sans entraînement. Utilise SVD pour construire un sous-espace de priors linguistiques et projette les états cachés multimodaux pour atténuer sélectivement les composantes problématiques tout en préservant la structure sémantique. Améliore les scores POPE et CHAIR.
OSL-MR, un framework pour optimiser la rétention mémoire dans les agents IA long-horizon. Formule le problème comme optimisation stochastique contrainte avec budget, utilité des preuves et coûts différés (pénalités d'oubli, délais de réacquisition). Combine apprentissage supervisé et heuristique Mixed-Score. Surpasse les baselines récence et Generative Agents sur LOCOMO et LongMemEval.
LongMoE propose un framework Mixture-of-Experts pour l'apprentissage clinique multimodal longitudinal. Il traite simultanément l'absence de modalités et la dynamique temporelle des trajectoires patients via imputation contextuelle, tokenization attentionnelle, encodeur conscient de la progression maladie, et routage MoE conditionné. Évalué sur ADNI, OASIS-3, MIMIC-IV.
HIPIF propose une méthode d'apprentissage par renforcement hiérarchique pour les agents LLM sur des tâches long-horizon. Elle décompose les tâches en sous-objectifs explicites et compresse les historiques complétés pour réduire l'interférence contextuelle. Validée sur trois benchmarks publics sans modèles auxiliaires coûteux.
Nouvelle méthode de distillation de connaissances cross-modal sans données appariées. Le framework établit une relation distributionnelle entre modèles teacher et student, identifiant deux quantités clés : l'alignement des features et l'alignement des labels. Amélioration significative sur benchmarks multimodaux.
Système de compilation de connaissances pour wikis LLM avec caches KV pré-remplis sur corpus évolutifs. Formalise le problème avec un signal de matérialité φ_t(k,n) prédisant l'importance des documents avant les requêtes. Évaluation sur finance (Llama 3.1 8B, AUROC=0.728) et Wikipedia avec garantie de regret O(√T log K).
Face-Fairness (FF) est un framework plug-and-play pour réduire les biais démographiques dans la détection de deepfakes. Face-Feature Tuning (FFT), sa contribution principale, remapie les logits sans labels démographiques en utilisant des embeddings figés. FF-Max et FF-Discover optimisent la précision du groupe minoritaire. Tests montrent réduction des écarts FPR/TPR et amélioration de la précision globale.
Analyse théorique de l'algorithme TPE contraint d'Optuna. Les auteurs montrent que la version d'Optuna utilise une densité jointe sur l'objectif et les contraintes, contrairement à c-TPE qui suppose l'indépendance. La formulation jointe reste invariante à la duplication de contraintes tandis que c-TPE indépendant se dégrade.
DeepSeek-R1-8B fine-tuné avec LoRA et NEFTune pour la reconnaissance d'entités nommées financières. Sur 1693 échantillons annotés, le modèle atteint micro-F1 de 0.912 sur 7 types d'entités, surpassant Llama3-8B, Qwen3-8B et Baichuan2-7B.
Modélisation du traitement du cancer comme problème de planification en espace de croyances via l'inférence active. Framework unifiant contrôle orienté-objectif et acquisition d'information sous contraintes budgétaires. Validation sur données cliniques AACR Project GENIE avec catégorisation patient et efficacité thérapeutique simultanées.
Framework génératif pour créer des anomalies de trajectoires humaines annotées. Utilise des agents LLM pour injecter des comportements anormaux sémantiques (check-ins hors-distribution, visites manquées) dans des trajectoires simulées, avec reconstruction de routage contrainte par la carte et modèle de bruit spatial contextuel pour réduire l'écart simulation-réalité.
Étude sur la mémoire spatiale des agents IA. Les systèmes « memory palace » ancrent chaque souvenir à une coordonnée mondiale. Expérience pré-enregistrée : le mélange linéaire standard (proximité spatiale + récence + importance) échoue (Delta-Hit@5 -0.0375, p=0.306), tandis qu'une pondération basée sur la géométrie gagne (+0.3208, p<0.001). Confirmation que l'occlusion nécessite la géométrie.
LMT est un framework bayésien pour découvrir les relations causales dans les logs d'alarmes manufacturiers. Il combine des signaux sémantiques extraits par LLM des descriptions textuelles avec des preuves temporelles (processus de Poisson) pour construire des graphes causaux interprétables. Les études de simulation montrent son efficacité en contexte petit-échantillon.
Nouvel benchmark pour évaluer les techniques d'édition de connaissances dans les LLM. Les méthodes existantes (ROME, FT) réussissent à insérer des faits directs mais échouent sur les conséquences logiques : écart de performance jusqu'à 24% entre connaissance directe et connaissance déduite.
SDBN combine l'entraînement adversarial avec PEFT pour améliorer la robustesse des modèles sur données limitées. Deux variantes utilisent des ensembles d'incertitude discrets : SDBN-h énumère les édits au niveau caractère, SDBN-p génère des variantes par LLM. Gains substantiels en ressources réduites et sous corruptions.
Étude d'interprétabilité sur les modèles audio-visuels (AVLLMs) : analyse du flux d'information entre tokens audio et visuels dans Qwen2.5-Omni et Video-SALMONN2 Plus (3B/7B). Les auteurs montrent que les tokens audio-visuels peuvent être supprimés après transfert d'information sans dégradation, améliorant l'efficacité d'inférence.
RFE-Core2 : analyse complète des goulots d'étranglement après probe arc (juin 2026). Le générateur domine (rang effectif ~1.6–3 à dim 512, collinéarité 0.85–0.96). La boucle réflexive reconstitue vers l'ancre indépendamment du rang. Fix 2 dormant sur tokens réels (+0.024 migration). Solution : entraîner le générateur pour que les différences de régime vivent en directions haute-énergie séparables.
Un tribunal allemand a jugé Google responsable des réponses inexactes générées par son système AI Overviews. La décision établit que Google doit vérifier la fiabilité des contenus générés par l'IA avant leur affichage aux utilisateurs.
Phinite lance une infrastructure pour systèmes multi-agents avec identité de première classe, gestion de compétences versionnées et évaluation comportementale. Propose registry d'agents, scoring de fiabilité composé, déploiement cloud-agnostique avec observabilité et attribution de coûts. SOC 2 Type II.
Hugging Face évalue les capacités des modèles ASR frontier (Whisper, Canary, Conformer) sur la parole code-switched bilingue. Les résultats montrent des écarts significatifs de performance selon les paires de langues et les modèles, révélant des limitations des agents vocaux actuels pour servir des clients multilingues.
OSCAR RotationZoo propose une quantification 2-bit du KV cache via rotation spectrale hors-ligne. Implémentations disponibles pour Gemma-4-12B, Qwen3-32B et Qwen3-4B-Thinking avec GGUF et intégrations llama.cpp/sglang.
Unsloth publie des modèles Gemma 4 quantifiés (QAT) en versions 12B, 26B, 31B et jusqu'à E4B. Les modèles sont disponibles en q8_0 et formats multiples sur Hugging Face, avec variantes mobiles pour les plus grands modèles.
Cohere lance North Mini Code, son premier modèle dédié aux développeurs. Le modèle est optimisé pour la génération et la complétion de code, avec support multilingue et intégration dans l'écosystème Hugging Face.
La Chine prévoit d'investir 295 milliards de dollars dans un réseau national de centres de données IA sur cinq ans. Au moins 80 % des composants proviendraient de fournisseurs domestiques comme Huawei, excluant les fournisseurs américains. Taïwan envisage de criminaliser le trafic de puces IA vers la Chine.
Ataraxy-Labs/sem : contrôle de version sémantique au-dessus de git avec diffs au niveau entité, blame et analyse d'impact. Support de 26 langages via tree-sitter. Conçu pour les agents de code.
TinySearch v0.2.0 (première bêta stable) remplace DuckDuckGo par SearXNG comme backend de recherche par défaut. Cet outil MCP/FastAPI léger pour petits LLMs locaux crawle quelques pages, les chunke et reranke pour fournir un contexte compressé (max 8k tokens) aux agents, évitant de surcharger le prompt avec du contenu inutile. Testé avec Qwen 3.5-9B.
Les outils open source de Microsoft ont été compromis pour voler les mots de passe de développeurs IA. Une attaque de supply chain a ciblé des dépôts Microsoft, exposant les credentials d'accès.