Mistral rebaptise Le Chat en Vibe et l'intègre à un agent de travail multiplateforme. Work Mode se connecte à Google Workspace, Outlook, Slack et GitHub pour traiter emails, rapports et pull requests. L'abonnement Pro passe de 17,99 à 14,99 euros. Mistral se positionne contre les offres agents d'OpenAI, Google et Anthropic.
Krasis v1.0, runtime LLM pour modèles dépassant la VRAM, atteint 12.48 tokens/s sur RTX 3070 Mobile 8GB avec Qwen3.6-35B-A3B (Q4). Passage en Rust pur (sans Python en hot path) et optimisations prefill/decode séparent les architectures. Benchmarks : 222 pp, 12.48 tg sur laptop ; 10,030 pp, 124.9 tg sur RTX 5090 32GB.
Amazon MGM Studios et AWS lancent un fonds pour créateurs IA et une plateforme interne « Project Nara ». Trois séries animées sont en production avec des délais de cinq semaines pour les pilotes. Amazon revendique le seul écosystème de contenu IA end-to-end du secteur.
Qwen publie Q-Judger, un modèle vision-langage basé sur Qwen3.6-27B pour évaluer automatiquement les images générées par IA. Le modèle analyse 5 dimensions (qualité, esthétique, alignement, fidélité réelle, génération créative) avec raisonnement en chaîne de pensée et produit des scores JSON structurés.
ElevenLabs lance Music v2, un modèle de génération musicale IA capable de transitions fluides entre genres (opéra, metal, rap) dans une même composition. La fonction inpainting permet de régénérer des sections spécifiques sans affecter le reste.
Framework hiérarchique pour LLMs compacts en systèmes agentiques sous contraintes (mémoire, latence, coût). Distillation du modèle + boucle oracle-contrôleur qui valide les protocoles, projette l'historique dans un domaine de prompt viable, et déclenche du fine-tuning léger. Séparation entre apprentissage du schéma et adaptation sémantique. Évaluation sur Multi-Fidelity Bayesian Optimization.
Méthode pour contrôler finement le style vocal dans les modèles TTS basés sur prompts. Interpolation entre styles via vecteurs directionnels dans l'espace d'embedding (99-100% succès conversion genre, variation pitch 36 Hz). Transitions intra-énoncé via KV-cache swapping et sliding-window attention masking (similarité locuteur 0.81-0.91).
LCO (LLM-based Constraint Optimization) est un framework qui réduit le reward hacking en contexte (ICRH) chez les LLMs autonomes sans fine-tuning. Deux modules : auto-réflexion pour intégrer des contraintes de sécurité, et échantillonnage évolutionnaire pour maintenir les actions dans un espace sûr. Sur GPT-4, réduction de 39% du taux de toxicité et 15.23% de l'ICRH.
EvaluatorDPT est un modèle de contrôle décisionnel borné qui prédit YES, NO ou TBD (déférence apprise). Utilisant un encodeur transformer avec têtes auxiliaires structurées, il atteint Accuracy=0.8260 et Macro F1=0.8252 sur 44,597 exemples. L'interface permet un routage inspectable et un contrôle auditable des décisions en production.
Méthode de suivi bayésien séquentiel (SBBT) pour estimer la fiabilité des traces de raisonnement LLM avant la réponse finale. Évalue P(y=1|o_{1:t}) sur MATH-500, GSM8K, AIME 2025, RIMO-N. Les scores scalaires améliorent la calibration (Brier), tandis que les signaux structurés gagnent +0.110 AUROC en mathématiques difficiles.
Agyn est une plateforme open-source pour déployer des agents IA en production. Elle offre un runtime serverless stateful sur Kubernetes, une définition d'agents via Terraform, et un modèle de sécurité zero-trust. Agyn est agnostique aux agents, modèles et clouds.
TARQ est une méthode de quantization post-training pour ASR qui rééquilibre la calibration vers les mots rares (noms, chiffres, termes spécialisés). Sans labels ni validation, elle améliore le rare-WER sur 8 backbones et 6 datasets en W4G128 sans régression du WER global.
UniMaia est un framework qui contrôle une politique d'échecs (Lc0) via des prompts en langage naturel, sans réentraînement multimodal complet. Un encodeur texte léger et un mécanisme ControlNet permettent de moduler le jeu (sélection d'ouverture, niveau). UniMaia-Aux ajoute des objectifs temporels et de prédiction comportementale. Résultats SOTA sur benchmarks prompt-conditionnés.
Article théorique positionnant l'Analyse en Composantes Principales Métrique-Consciente (MAPCA) dans le cadre du deep learning géométrique. MAPCA paramétre l'ACP par une matrice métrique définie positive, avec solutions équivariantes sous le groupe orthogonal préservant la métrique. Un théorème d'unicité caractérise l'ACP Invariante comme unique métrique linéaire équivariante sous rescaling diagonal.
VibeSearchBench évalue les agents LLM sur la recherche collaborative multi-tour en contexte réel. Le benchmark contient 200 tâches bilingues (chinois/anglais) sur 20 domaines, avec graphes de connaissances sans schéma fixe. Sept modèles frontière testés obtiennent F1 max 30.30, révélant des lacunes en raisonnement long-contexte et élicitation d'intention.
Méthode de normalisation d'observation personnalisée (PON) pour l'apprentissage par renforcement fédéré en environnements hétérogènes. Chaque agent normalise localement ses entrées d'état avec moyenne et variance mises à jour continuellement, évitant les problèmes d'agrégation de paramètres déséquilibrés. Tests sur tâches MuJoCo hétérogènes montrent accélération d'entraînement et performance supérieure.
E³-Agent est un agent IA exécutable et adaptatif pour la gestion des ressources d'inférence générative sur edge. Il combine un routeur rapide (décisions en millisecondes) et un contrôleur LLM lent piloté par événements, apprenant en ligne des retours d'exécution. Évalué en simulation, il réduit la latence de 65-73% vs baselines statiques sur scénarios dynamiques (sémantique, churn, drift).
Nouvelle métrique Architecture-driven Shift (ADS) pour sélectionner efficacement les modèles pré-entraînés en apprentissage continu. ADS décompose le logit shift en dépendances architecturales et données, révélant que la combinaison capture bien la tendance du logit shift avec peu d'échantillons. Validation sur 175+ architectures avec corrélation Spearman ≥0.731.
Article théorique décomposant la matrice d'attention pré-softmax en composantes symétrique et antisymétrique. La partie symétrique gouverne le paysage énergétique, la partie antisymétrique pilote la circulation. Les auteurs proposent des mesures de stabilité Hopfield pour quantifier la fidélité-diversité en génération et un contrôle pour moduler ce compromis.
Étude comparative entre réseaux de neurones liquides (LNN/CfC) et LSTM sur quatre modalités séquentielles (N-MNIST, QuickDraw, IAM, PhysioNet Sepsis-3). Les LNN modélisent l'évolution de l'état caché comme équation différentielle continue. Résultats : LNN surpassent LSTM en efficacité paramétrique et robustesse face aux données manquantes, particulièrement en domaines cliniques.
SignGAD propose un framework d'agents auto-configurables pour la détection d'anomalies en graphes avec peu d'exemples. Au lieu d'utiliser un détecteur fixe, le système conçoit des workflows adaptés à chaque tâche en sélectionnant encodages et designs de détecteurs appropriés. Une stratégie de refit gardée affine les workflows sélectionnés sous supervision limitée.
HEAL est un framework d'apprentissage décentralisé qui combine federated learning, gossip learning et epidemic learning via une couche P2P auto-organisée. Il promeut dynamiquement des nœuds comme agrégateurs et démontre des performances équivalentes au federated learning classique tout en étant résilient aux défaillances et churn.
Variance-Regularised Pruning (VR) est une méthode de compression de modèles pour l'affective computing qui priorise la stabilité inter-utilisateurs plutôt que la seule parcimonie. Testée sur le dataset AGAIN (9 environnements de jeu), VR maintient des performances CCC compétitives à 80% de sparsité sans fine-tuning supplémentaire, adaptée aux systèmes embarqués.
Méthode pour traduire des soft prompts en prompts textuels naturels via un modèle dédié. Les traductions surpassent InSPEcT sur plusieurs benchmarks. Application : soft prompts optimisés sur petits modèles open-source se convertissent en prompts textuels portables, dépassant les performances initiales sur modèles fermés.
E²-LoRA, une méthode d'adaptation bas-rang pour l'apprentissage continu, concentre l'énergie des mises à jour de paramètres dans les rangs principaux pour minimiser l'interférence entre tâches. Une stratégie d'allocation dynamique des rangs équilibre stabilité et plasticité du modèle.
Les petits modèles de langage (SLMs) hallucinent plus que les LLMs mais peuvent résoudre des questions multi-étapes en inversant la stratégie classique : répondre d'abord (System-I), puis raisonner profondément (System-II) avec récupération de preuves. Les hallucinations initiales aident à affiner la réponse finale.
Gradient Transformer, un framework de distillation de connaissances sans données, génère des vecteurs de mise à jour pour LLM à partir de TinyLM fine-tunés sur données privées. Le modèle capture la corrélation entre les vecteurs de gradient des deux modèles, permettant l'adaptation collaborative sans accès aux données sensibles.
SparseOpt, un optimiseur conscient de la parcimonie, résout le problème de gradient asymétrique induit par la normalisation par batch en entraînement sparse dynamique. Tests sur ResNet (CIFAR-100, ImageNet) montrent convergence plus rapide et meilleure généralisation. Première étude systématique de l'interaction entre Batch Normalization, couches sparse et DST.
CARE, un framework d'évaluation, mesure la capacité des LLM à simuler les réactions authentiques de communautés en ligne face à l'actualité. L'étude révèle un « realism gap » : les prompts explicites de communauté n'améliorent pas la fidélité de simulation. Les modèles frontière montrent des signatures comportementales divergentes.
Étude comparative de la fiabilité des techniques d'explainabilité locale (LIME, SHAP, Feature Ablation) sur 32 datasets tabulaires. Les résultats montrent que la qualité des explications ne corrèle pas systématiquement avec la performance prédictive du modèle, mais dépend plutôt de la complexité du dataset et de la distribution des features.
SDR (Supervised Distributional Reduction) combine le transport optimal et la maximisation de dépendance pour apprendre des représentations cibles. L'algorithme étend l'objectif Fused Gromov-Wasserstein avec un terme de dépendance explicite, produisant des embeddings compacts qui capturent structure géométrique et signal prédictif. Application aux processus gaussiens avec noyaux adaptatifs.
Un framework de machine learning informé par la physique (PIML) pour modéliser thermiquement un rover lunaire. Un réseau de neurones adaptatif détermine le maillage 3D en différences finies selon les charges thermiques, améliorant la précision de 50% vs modèles coarse-mesh et 39% vs ANN pur, tout en étant 3x plus rapide que les simulations haute-fidélité.
Framework RL pour transfert de politique sim-to-real via embeddings latents probabilistes et adaptation dynamique. Utilise meta-RL et CMDPs pour inférer la représentation latente de l'environnement, avec formulation distributional RL ajustant dynamiquement les niveaux de risque selon la précision d'estimation du contexte latent.
Étude comparative de Muon vs Adam sur réseaux de neurones équivariants (ModelNet40, données moléculaires). Muon surpasse Adam systématiquement. Analyse Hessienne et spectrale révèle que Muon produit des surfaces de perte plus régulières et des représentations de rang effectif plus élevé.
Nouvelle approche permettant à des groupes d'utilisateurs de corriger les biais algorithmiques sans intervention de la plateforme. Test-Time Collective Action (TTCA) utilise des perturbations universelles générées via un proxy du modèle pour améliorer l'équité sans accès à l'entraînement. Validation sur CIFAR-10, CIFAR-100 et FairFace montre la fermeture des écarts de précision entre sous-groupes.
Framework bayésien pour valider le déploiement de contrôleurs d'atterrissage autonomes entraînés par RL. Utilise l'inférence bayésienne pour quantifier l'incertitude sur la capacité réelle des politiques, au-delà des métriques empiriques (reward, taux de succès). Expériences avec PPO et SAC montrent que l'optimisation empirique surconfiance, tandis que l'inférence bayésienne calibre mieux la confiance de déploiement.
Nouvelle approche ASR pour le vietnamien basée sur une décodage syllabique phonémique. Le modèle capture la structure phonologique des syllabes plutôt que les unités orthographiques, réduisant la taille du vocabulaire. Résultats supérieurs sur LSVSC et UIT-ViMD face à PhoWhisper et Wav2Vec2.
EAPO est une méthode d'optimisation de politique adaptative pour l'entraînement de modèles de raisonnement en QA ouvert. Elle ajuste dynamiquement le poids des échantillons positifs/négatifs selon le ratio d'entropie courante/initiale pour préserver l'exploration et la stabilité. Tests sur deux datasets médicaux montrent amélioration de la diversité et stabilité vs baselines à poids fixes.
Étude sur la localisation des mécanismes de raisonnement logique dans les LLM. Les chercheurs identifient les attention heads responsables de chaque étape de raisonnement via analyse de médiation causale. Résultat : ~3% des heads gèrent l'extraction de faits/règles, les couches supérieures coordonnent l'intégration globale et les stratégies de traversée de graphe.
Article théorique sur le contrôle spectral du bruit de gradient stochastique via clipping entrée-par-entrée. Montre qu'une méthode simple d'écrêtage entrée-par-entrée peut équilibrer structure matricielle et coût computationnel, avec garanties de convergence O(ε⁻⁴) sous bruit Cauchy-contaminé. Gains empiriques : ~7% de tokens économisés sur NanoGPT avec shrinkage lisse, ~2% supplémentaires combiné avec Muon.