MAPLE, une méthode de recherche arborescente, étend AlphaZero aux jeux à information imparfaite en agrégeant les évaluations de politique et valeur de plusieurs états du monde. Testé sur Phantom Go et Dark Hex, MAPLE surpasse le baseline PIMC-AlphaZero avec des gains Elo de 291 et 136.
Modèle d'interaction pensée-apprentissage pour robots autonomes en environnements changeants. La pensée guide l'apprentissage (identification de changements, sélection d'évidences, planification), l'apprentissage améliore la pensée (mise à jour des connaissances, stratégies d'action). Résultats : précision de reconnaissance 0.419→0.845, longueur d'action 13.0→4.0, taux de sélection d'évidences 0.272→0.965.
Hyper-heuristiques assistées par apprentissage pour le Job Shop Scheduling (JSSP). Le sélecteur proposé utilise des labels normalisés par regret, une estimation d'incertitude KNN contextuelle et une porte qui n'agit que si le gain prédit dépasse une marge ajustée. Réduit RPD moyen de Random-HH d'un ordre de magnitude sur instances synthétiques.
Article de synthèse sur l'intersection entre la communication intra-corporelle (HBC) et l'apprentissage fédéré pour les réseaux de capteurs portables. Propose une taxonomie des déploiements FL (intra-corps, corps-hub, multi-utilisateur, cloud clinique) et introduit BODYFED-HBC, une architecture de référence avec algorithme de planification et simulation reproductible basée sur des données publiques.
Papier sur l'application en temps réel de l'Autorité Reconstructive (RAM) dans les systèmes d'agents autonomes. Introduit un modèle d'exécution avec trois états (admit/deny/halt), résolution dynamique des dépendances, et une Recovery Loop intégrant détection de dérive et contrôle d'exécution. Garantit qu'aucune action n'est exécutée sans autorité constructible.
Article arXiv analysant les compromis latence-fiabilité-coût dans les workflows multi-agents LLM. Propose des modèles de performance pour agents LLM et non-LLM, une politique d'allocation de tokens par water-filling, et caractérise la fiabilité optimale via shadow prices sous contraintes de latence et coût.
Étude préenregistrée montrant que les LLM actuels sont surconfiants : leur confiance dépasse leur précision en moyenne. Cependant, un effet difficile-facile modère ce biais : surconfiance maximale sur tâches difficiles, sous-confiance sur tâches faciles. Introduction de LifeEval, benchmark d'évaluation de calibration.
Chercheurs répliquent Picbreeder (plateforme d'évolution interactive d'images) en remplaçant utilisateurs humains par Vision Language Models (VLMs). Résultats montrent différences qualitatives avec baseline humain. Étude des facteurs causaux : bruit exploratoire, diversité comportementale entre agents, mémoire des actions passées.
GuardedRepair est un framework de réparation post-hoc pour le raisonnement mathématique des LLM qui sélectivement corrige les traces erronées sans casser les réponses correctes. Sur GSM8K (95.60% → 96.89%), il fixe 17 erreurs sans cas broken-correct mesurés. Sur ASDiv faible, 78.40% → 87.60%.
LC-ERD est un framework d'auto-alignement pour LLM qui mine les structures logiques latentes via décomposition de récompenses régulées. Il résout trois défis : le bruit d'étiquetage par biais mimétique, la supervision grossière et l'effondrement distributionnel. Utilise un Potentiel Logique Variationnel et décomposition multi-agent basée sur le principe IGM.
DaR (Decompose-and-Refine) est un framework pour répondre à des questions juridiques complexes en décomposant la question en sous-questions atomiques et en générant des requêtes paramétriques alignées sur le texte statutaire. Évalué sur KoBLEX (benchmark coréen multi-hop), avec Qwen3-32B et Gemma3-27B, DaR améliore la précision de récupération et la qualité des réponses en réduisant les hallucinations.
SA-RAG utilise des tables structurées comme représentation intermédiaire pour améliorer la RAG en conversationnel. Un framework de génération de métadonnées améliore la qualité des tables à partir de données bruitées. Validation et optimisation par préférence directe surpassent les baselines RAG sur deux datasets réels.
Étude évaluant 6 pipelines LLM pour générer des descriptions de clusters bibliométriques. Sur 100 analyses publiées, les LLMs produisent des descriptions sémantiquement proches des versions humaines mais hallucinent des références et échouent à inférer la structure bibliométrique seuls. Performance optimale en workflow hybride : algorithmes définissent clusters, LLMs génèrent descriptions lisibles.
Nouvel article arXiv sur la détection interprétable de mèmes nuisibles en chinois. Les auteurs créent Ex-ToxiCN-MM, premier dataset d'explications avec interprétations opposées (nuisible/non-nuisible), et C-HarmKB, base de connaissances culturelles chinoises. Ils proposent RIKE, framework d'analyse d'attribution avec modules AKE et RIR, surpassant les baselines. Code et données open-sourcés.
DRInQ est un benchmark pour évaluer le raisonnement pragmatique des LLM sur l'implicature conversationnelle. Les chercheurs montrent une asymétrie génération-inférence : les modèles génèrent des scénarios pragmatiques plausibles mais échouent à récupérer l'implication intended à l'inférence. Le prompting structuré améliore l'alignement pour les petits modèles.
CUNY propose un pipeline pour la tâche CLPsych 2026 : classification d'états mentaux via ensemble de trois LLM open-weight (vote majoritaire), prédiction de changements par classifieurs supervisés, et résumé de dynamiques émotionnelles par in-context learning augmenté. Classement : 1er (Task 1.1), 4e (1.2, 2), 3e (3.1).
SLAP est une méthode de sélection de données pour l'instruction tuning qui évalue la learnability au niveau des batches plutôt qu'individuellement. Via sampling stratifié et optimisation de distance relative, elle atteint les performances du dataset complet avec 20-40% moins de données sur LLaMA, ChatGLM et tâches variées (dialogue, traduction, QA).
Cadre automatisé pour détecter les lacunes lexicales (mots inexistants dans certaines langues) via embeddings de LLMs multilingues. Sur paires de traduction coréen-anglais, 4000 espaces d'embedding testés montrent que les mots lacunaires ont un alignement sémantique cross-lingue plus faible. Classifieurs logistiques atteignent AUC 0.81-0.76 et récupèrent 18/19 et 26/27 mots lacunaires.
Anubis OSS v3.6, app macOS pour benchmarker les LLMs locaux (Ollama, LM Studio, MLX), ajoute téléchargement direct de modèles depuis l'UI. Disponible via Homebrew et téléchargement direct. Appel à tests sur Apple Silicon. GPL-3.0, open-source, leaderboard avec 400+ runs.
Firecrawl intègre la Vercel Marketplace. Les équipes Vercel peuvent désormais utiliser ce service pour extraire des données web structurées destinées aux agents IA et applications, sans gérer l'infrastructure de crawling. Capacités : conversion en markdown/HTML/données structurées, recherche web, interaction avec pages dynamiques.
Un avocat partage son retour d'expérience sur un cluster de 12 V100-SXM2 32GB pour le traitement juridique local. Après avoir abandonné vLLM pour les modèles MoE (incompatibilité GPU Volta), il utilise llama.cpp avec des modèles comme Gemma-4-26B et Qwen3.5-122B. Les modèles denses sur V100 sont inefficaces (~20-28 tok/s) ; les MoE atteignent 50-113 tok/s en décodage sur contextes longs.
Fine-tuning de Qwen 3.5 0.8B sur le dataset Pangram (EditLens) pour détecter le contenu généré par IA. Extension Chrome « Slop Hammer » disponible, inférence locale (~1s sur M1), modèle 400MB. Entraînement 20h sur RTX 3090. Limitation : dataset créé avec anciens LLM, confusion sur GPT-5.5.
Développeur crée un framework sandbox pour agents IA sur Linux headless avec GPU passthrough, accès sudo et isolation du système hôte. Basé sur des VM configurables, permet navigation web autonome, exécution Docker et sessions parallèles. Code disponible sur GitHub.
Mininglamp AI a ajouté la quantization W8A8 (poids et activations en INT8) à MLX via Cider, un SDK avec kernels Metal custom. Sur M5 Pro, prefill passe de 2.84s à 2.52s pour un VLM 4B. Compatible avec tout modèle MLX, mais INT8 TensorOps nécessite M5+.
Les modèles IA comme GPT et Gemini citent souvent des passages textuels qui ne soutiennent pas leurs réponses, même quand la réponse est correcte. Des chercheurs de l'Université de Pékin appellent ce phénomène « attribution hallucination » et proposent le benchmark CiteVQA pour le tester systématiquement.
Benchmarks de Qwen 3.6 sur 2x RTX PRO 6000 avec vLLM. Qwen 3.6 27B BF16 atteint 1800 tps (64 concurrency, MTP-2). Qwen 3.6 35B BF16 atteint 3500 tps en génération (128 concurrency, MTP-Off) avec 30k tps en traitement de prompts.
Développeur crée un moteur d'inférence C++ custom pour MiniCPM-V 4.6 sur Orange Pi AIPro (Ascend 310B NPU, 149$). Contourne les frameworks lourds avec kernels AscendC optimisés, passant de 2.88 à 5.90 tokens/s (170ms par étape). Code open-source sur GitHub.
Article proposant un cadre de « cultural adaptation » pour les LLM en analyse politique. Identifie les biais anglais et les défaillances systématiques sur données multilingues. Propose une matrice d'évaluation (fidélité culturelle, calibration, sécurité démocratique) et des méthodes : datasets participatifs, transfer learning culturellement conscient, benchmarks adaptés.
VDSS, un système multi-agent pour l'aide à la décision en ventilation mécanique, coordonne des composants modulaires via des interfaces structurées et apprentissage contextuel des préférences clinicien (contextual bandit). Rejets structurés déclenchent replanning ciblé. Validation rétrospective ICU montre acceptabilité accrue et cycles réduits.
Étude théorique sur l'équilibre entre généralisation relationnelle et mémorisation dans les systèmes d'apprentissage. Les auteurs introduisent une tâche d'inférence transitive avec exceptions et caractérisent analytiquement le comportement de modèles de régression ridge à noyau. Validation sur des modèles de langage préentraînés montrant que la généralisation réussie dépend de la géométrie représentationnelle.
Ontological Knowledge Blocks (OKBs) : infrastructure de gouvernance programmable qui compile les obligations réglementaires en contraintes vérifiables par machine sur des graphes de preuves structurées. Utilise RDF/OWL, SHACL et PROV-O. Prototype évalué sur allocation de ressources HPC avec 24 exécutions et 4 profils de gouvernance. Latence SHACL : 12,6–100,3 ms.
Framework de distillation de connaissances pour Text-to-SQL en contexte low-resource. Construit une base de connaissances (sémantique schéma, abréviations, logique métier) injectée en entraînement et inférence. Génère données synthétiques contextualisées. Évalué sur 7 benchmarks : améliore LLMs open-source et fermés, notamment sur données domain-specific.
Étude comparative de 7 LLMs (Gemini, Claude, GPT) pour estimer les compétences professionnelles à partir de logs Slack. Sur 27 188 messages de 43 utilisateurs, Gemini 2.5 Flash obtient l'erreur la plus basse (MAE 21,13%). La précision ne dépend que faiblement du volume de messages.
Étude empirique sur l'effet du curriculum d'entraînement sur les agents RL avec mémoire externe en dialogue multi-session. Trois conditions testées (LoCoMo seul, LoCoMo + LongMemEval, LongMemEval seul) montrent que la composition des données façonne les compétences spécialisées plutôt que la performance globale. Le curriculum mixte obtient le meilleur F1 global.
Cadre unifié pour optimiser le coût-performance de la gestion du contexte dans les LLM. Évalue conjointement performance, coût en tokens et réutilisation du prétraitement sur 5000 instances HotpotQA. Réduit l'usage de tokens de 25% à performance comparable (F1≈0.78) et atteint 50% de réduction de coût avec compression mémoire.
Comparaison de Structural Topic Models (STM) et BERTopic pour analyser des réponses courtes à des enquêtes ouvertes. BERTopic produit une cohérence thématique supérieure, renforcée par l'augmentation contextuelle (stratégie introduite pour enrichir les réponses très courtes). STM offre meilleure support pour l'analyse inférentielle des covariables, BERTopic pour l'interprétabilité.
Benchmark SCID de 555 entretiens semi-structurés évalue 5 LLMs (GPT-4.1 Mini, GPT-5 Mini) sur dépistage psychiatrique (anxiété, dépression, PTSD). Précision 0.49–0.86, MCC 0.16–0.38. Les faux négatifs révèlent que les modèles sous-pondèrent les symptômes face à un fonctionnement préservé ou un soutien social, nécessitant validation clinique avant déploiement.
Des chercheurs révèlent que les textes générés par LLM contiennent des spans « humain-like » cachés qui compliquent leur détection. Ils proposent un framework stacked model-agnostic utilisant une procédure hard-EM pour filtrer itérativement les sous-séquences humaines et améliorer les détecteurs existants, fonctionnant aussi sans entraînement.
ClimateChat-300K : dataset de 299 329 posts Facebook publics sur le changement climatique (mai 2020 - mai 2024), collectés via CrowdTangle. 41 features de métadonnées, 26 000+ pages globales. Analyse thématique (10 thèmes, 5 domaines) et sentiment révèlent que contenu émotionnel et visuel génère plus d'engagement. Ressource ouverte pour étudier polarisation et désinformation.
Les systèmes multi-agents basés sur LLM échouent parfois malgré une exécution correcte des plans, car les agents mal évaluent leurs connaissances (« epistemic miscalibration »). Les auteurs proposent EPC-AW, un workflow qui sélectionne les plans stables entre agents et affine l'état épistémique au fil du temps. Amélioration de 9,75% du succès système.