EDGE-OPD améliore la distillation on-policy auto-supervisée (OPSD) en utilisant des rollouts guidés et un masque d'évidence pour transférer efficacement un contexte privilégié (persona, fait privé, solution détaillée) sans dégrader les capacités générales du modèle. Les expériences montrent que l'OPSD standard échoue sur les identités rares, tandis que EDGE-OPD réussit.
SpaceNum évalue la compréhension numérique spatiale dans les VLMs via deux tâches bidirectionnelles (Num2Space, Space2Num). Les modèles actuels échouent largement à ancrer les nombres dans le sens spatial, performant près du hasard. Ils s'appuient sur des indices spatiaux superficiels et ne construisent pas de représentations stables basées sur les coordonnées.
KPI2KVI est un outil qui transforme des descriptions de services en langage naturel en estimations de Key Value Indicators (KVIs) via un workflow multi-agent déterministe avec LLMs. Le système élicite le contexte manquant, extrait les catégories KVI pertinentes, génère des KPIs spécifiques au service, collecte les valeurs via dialogue interactif, et calcule des KVIs avec explications traçables.
Article théorique prouvant que l'architecture seule fixe un plafond d'exactitude (Deterministic Horizon) entre 19 et 31 couches sur 12 transformers. Au-delà, aucun entraînement ne l'améliore. Convertit 16 résultats d'impossibilité (Turing, Arrow, No Free Lunch) en règles de conception pour systèmes IA fiables, avec bornes calculables et coûts de violation quantifiés.
Article théorique sur la logique floue méditative : formalisation unifiée des fondations type-1 avec extensions type-2, type-3 et quantiques. Caractérisation de l'opérateur méditatif comme agrégation convexe contrôlée par hésitation et contradiction. Démonstration de la cohérence sémantique et application à la fusion de capteurs pour freinage autonome.
ModeSwitch-LLM est un contrôleur léger qui route chaque requête vers un mode d'inférence optimal (FP16, quantization, speculative decoding, GPTQ+prefix caching, INT8+continuous batching) sur GPU unique. Testé sur Llama-3.1-8B sur A100, il atteint 2.10x speedup latence et 51.7% réduction énergie par token avec précision préservée (+0.17pp vs FP16).
Une étude arXiv montre que nombreuses méthodes récentes de sélection de features non-supervisées sont surpassées par une sélection aléatoire en performance et efficacité. Les auteurs proposent d'utiliser la sélection aléatoire comme baseline obligatoire pour évaluer les nouvelles méthodes.
Le laboratoire NED3 publie un écosystème open-source de datasets multimodaux et logiciels pour la modélisation data-driven des systèmes thermiques et de transport multiphasique. Framework S+TD pour classifier datasets (0+0D à 3+0D), 7 packages logiciels (BubbleID, SeqReg, CFDTwin, IRISApp, decode-wfs, AELab, FlowLab) couvrant vision par ordinateur, régression de séquences, et diagnostics multimodaux.
RADAR est une métrique géométrique pour estimer la transférabilité cross-domaine dans les modèles de fondation. Elle analyse l'évolution couche par couche des représentations en mesurant les alignements angulaires et les changements de distance. Évaluée sur classification de sentiment cross-lingue et classification d'images cross-domaine, RADAR rivalise avec les métriques existantes.
FederatedRSF est un package Python implémentant des forêts aléatoires de survie fédérées pour la prédiction multi-centre sans partage de données brutes. Le système gère l'hétérogénéité des features (covariables différentes entre sites) en redistribuant uniquement les arbres compatibles. Évaluation sur cohorte GBSG2 (cancer du sein) : performance comparable au modèle centralisé.
HawkesLLM modélise la propagation d'incertitude sémantique dans les systèmes de simulation textuelle multi-agents. Un processus de Hawkes multivariable capture les dépendances temporelles entre agents générateurs de texte, tandis qu'un LLM génère chaque nouvel événement à partir d'une mémoire compacte. Évaluation sur GDELT montre une meilleure alignement sémantique en fin de cascade.
Étude théorique sur la calibration des classificateurs multiclasses. Les auteurs caractérisent la complexité d'élicitation pour les propriétés discrètes ordonnables (mode, classements) via des propriétés Lipschitz continues, résolvant le problème de complexité exponentielle en nombre de classes.
DreamerNLplus combine DeBERTa, Random Forest, Llama 3.1 et RAG pour modéliser la santé mentale à partir de timelines réseaux sociaux (CLPsych 2026). Classement 2e en résumé, 1er en amélioration et 3e en détérioration. Code publié.
Framework théorique HCLM pour l'apprentissage régularisé par entropie en systèmes dynamiques ouverts. Introduit le concept de « force informationnelle effective » et caractérise les régimes d'entropie dégénérés. Démontre que les surrogates géométriques (variance, log-déterminant de covariance) produisent des gradients plus stables que la softmax-normalized entropy.
WeCon est un solveur neuronal pour problèmes d'optimisation combinatoire multi-objectifs (MOCOPs). Il introduit des blocs Gated Residual Fusion pour mieux intégrer poids et features, un bloc Residual Fusion en décodeur, et une méthode Efficient Preference Optimization. Sur 4 variantes MOCOP, WeCon égale POCCO-W en HyperVolume tout en réduisant le temps d'inférence de 40%.
ManiF-SMC propose une méthode d'oubli machine basée sur la manipulation des représentations manifold. L'approche utilise une perte triplet avec marges adaptatives guidées par la connectivité de mode pour éloigner les échantillons supprimés de leurs centroïdes originaux. Expériences sur 4 datasets montrent une efficacité comparable aux méthodes état-de-l'art.
Étude sur la distribution non-monotone d'informations pertinentes aux tâches dans les couches intermédiaires des modèles fondamentaux. Propose LOES (Layer-wise Optimal Embedding Selection), méthode spectrale identifiant les sous-espaces discriminants, et GeoReg, régularisation géométrique stabilisant les représentations lors du fine-tuning. Gains croissants avec la profondeur du modèle.
Prototype-Based Sparse Steering applique des Sparse Autoencoders aux activations d'attention query des LLMs pour décomposer les représentations en features interprétables. L'optimisation par gradient pendant l'inférence aligne ces représentations avec des prototypes de comportements cibles. Validé sur Textualized Gridworld (contraintes de planification) et domaine éducatif (complexité cognitive via Bloom's Taxonomy).
Latent Cache Flow (LCF) permet la communication directe entre modèles de langage via des représentations latentes comprimées au lieu du texte. L'approche réduit la taille de l'adaptateur à 4% de celle de Cache-to-Cache (C2C) et gère les contextes différents en transmettant un résumé des informations nouvelles. LCF atteint 23% de précision supérieure et 8.5x plus rapide que la communication textuelle.
Framework PARPO pour l'apprentissage par renforcement d'agents personnalisés. Découple récompenses génériques et préférences utilisateur via ancres spécifiques. Introduit PSGM pour la récupération de compétences alignées. Évalué sur ETAPP, ETAPP-Hard, SJAgent avec gains sur baselines mémoire et RL.
Nouvel article introduisant la tâche de reconnaissance d'émotions en conversation (ERC) pour la langue des signes. Le dataset eJSL Dialog contient 1 920 vidéos organisées en 480 dialogues. Les benchmarks révèlent un écart de performance entre modèles multimodaux génériques et la langue des signes, soulignant le besoin d'extracteurs visuels spécialisés.
AraHopeCorpus est le premier corpus annoté d'expressions d'espoir en arabe, constitué de 10 000 commentaires YouTube sur la guerre à Gaza (2023-2024). 64% des commentaires contiennent du hope speech (encouragement religieux, solidarité collective, optimisme). Cohen's Kappa=0.71. ChatGPT montre des limites sur les dialectes et expressions culturelles.
Méthode pour améliorer l'apprentissage en contexte en optimisant les embeddings continus d'un prompt few-shot au moment du test. Utilise les log-probabilités du modèle sur ses démonstrations comme signal d'auto-supervision, sans génération de tokens ni fine-tuning. Améliore les performances sur classification et génération libre.
Lepton, un classificateur BERT fine-tuné sur bert-base-chinese, prédit si un titre dans une table des matières de wenji (recueils classiques chinois) correspond à une lettre personnelle ou à une préface. Entraîné sur 5438 titres annotés manuellement de littérateurs Ming-Qing, le modèle a identifié ~55 000 lettres pour la Ming Letter Platform.
DFKI-MLT applique le steering d'activation à des LLM multilingues pour améliorer la conscience culturelle lors de SemEval-2026 Task 7. La méthode ajoute des vecteurs de direction spécifiques à la langue dans le flux résiduel sans mise à jour de paramètres. Résultat : 86,96% de précision en track MCQ (7e/17), mais améliorations modestes et hétérogènes selon les paires langue-région.
Inventaire des ressources texte et vocales pour le hausa (80-100M locuteurs) et le fongbé (2M locuteurs). Le hausa dispose de corpus parallèles et textes variés (news, encyclopédie, éducation). Le fongbé manque de données textuelles mais bénéficie d'initiatives récentes de collecte vocale. Deux langues présentes dans les benchmarks Masakhane (NER, POS tagging).
Gen-ROTDA, une méthode de transport optimal robuste, adapte les modèles de prédiction de demande Citi Bike à travers les années (2021-2026). Elle transfère les résidus plutôt que les demandes brutes et utilise un générateur de caractéristiques préservant les labels. Gen-ROTDA atteint le MAE le plus bas sur la tâche 2025-2026 et surpasse les variantes OT non-robustes sous données anormales.
CFD (Computable Fair Division) propose un cadre pour allouer équitablement les ressources GPU et bande passante entre agents IA. Le paramètre β du Boltzmann-Softmax contrôle l'équilibre efficacité-équité. AHC++ ajuste β en temps réel pour maintenir la diversité sans dégradation majeure du débit. Simulations : 100x agents = +5.5x temps d'exécution.
GPLD ajoute une régularisation par pénalité de gradient au modèle DreamerV3 pour encourager l'apprentissage de dynamiques de transition lisses dans l'espace latent. Testé sur DeepMind Control, GPLD améliore l'efficacité échantillon, particulièrement sur les tâches de locomotion complexes et quadrupèdes.
SEELS, une app desktop Windows pour LLMs locaux, permet de corriger les réponses du modèle via un bouton « Teach » qui accumule les corrections en corpus JSONL, puis lance un fine-tuning LoRA sans terminal. Inclut STT/TTS locaux (Whisper/Piper), dashboard matériel, modèle 0.6B pré-entraîné sur 110 exemples. Version gratuite stable ; tiers pro (génération image/vidéo, MCP) et max (workflows, multi-GPU) en roadmap.
Sortie de datasette-fixtures 0.1a0, un plugin qui exploite la nouvelle API datasette.fixtures.populate_fixture_database() introduite dans Datasette 1.0a30. Permet de créer des bases de données de test pour les suites de tests de plugins.
ByteDance Seed montre qu'un modèle 7B répond mieux aux questions sur documents longs et visuels que des modèles bien plus grands, même sur documents 4× plus longs que ceux vus en entraînement. L'approche clé : apprentissage par questions plutôt que transcription textuelle.
Niels (Hugging Face) annonce la première semaine de paperswithcode.co, revival du site de suivi SOTA. Nouvelles fonctionnalités : métriques multiples par benchmark (WER/RTFx pour ASR, mAP/FPS pour détection), support papers externes (GitHub, blog, BioRxiv), lignée papiers (prédécesseurs/successeurs), nouvelles méthodes (Gated DeltaNet, Kimi Delta Attention, Mamba-2).
Benchmark sur 30 PDFs longs (171 questions) comparant vision-LLMs natifs vs pipelines OCR pour QA documentaire. Claude Sonnet 4.5 utilisé. LlamaCloud premium atteint 59.6% accuracy ($0.1885/query), vision native 52% ($0.2552/query, plus cher). Vision échoue sur graphiques/tableaux; OCR premium plus robuste. Vision-LLM a 7% taux d'échec intrinsèque vs 0% pour OCR après retries.
Benchmark sur 30 PDFs longs (171 questions) comparant vision LLMs vs OCR pour QA documentaire. Claude Sonnet 4.5 natif sur PDF: 52% accuracy, $0.2552/query (5e/6). LlamaCloud premium + OCR: 59.6%, $0.1885/query. Vision échoue sur graphiques/tableaux; OCR premium plus robuste. Vision LLM a 7% taux d'échec intrinsèque vs 0% pour OCR après retry.
llampart 1.0.0, interface web locale autonome pour llama-server, lancée en open-source MIT. Offre paramètres étendus, support multilingue (6 langues), barre latérale conversationnelle à deux colonnes, intégration MCP, modes d'interface (sombre/clair/Frosted Glass), import/export local et guide déploiement Caddy.
llama.cpp server intègre nativement des outils d'agent (exec_shell, edit_file, read_file, grep_search, write_file, apply_diff, get_datetime) via le flag --tools. Fonctionnalité expérimentale qui transforme le serveur en mini-agent sans dépendances externes, mais sans sandboxing de sécurité actuellement.
WordDetectorNet utilise une régression par pixel des distances de boîte englobante + DBSCAN pour détecter les mots manuscrits. Chaque pixel classé comme « mot » régresse 4 distances scalaires, générant des milliers de candidats fusionnés via DBSCAN avec distance = 1 − IoU. Architecture : ResNet18 → décodeur FPN → 6 canaux par pixel (2 logits segmentation + 4 distances). Entraîné sur IAM, 448×448 → 224×224.
Expérience de fine-tuning LoRA comparant trois formats de données pour injecter la persona C-3PO : dialogues, énoncés à la première personne, et documents synthétiques Wikipedia. Les énoncés à la première personne surpassent en généralisation. Les documents synthétiques produisent un comportement paradoxal : le modèle connaît le trait d'anxiété mais l'exprime seulement 37% du temps.
AgentLantern est un outil open-source qui rend les projets d'agents IA inspectables avant et pendant l'exécution. Il offre trois composants : Lantern Docs (documentation auto-générée), Lantern Lint (vérification statique) et Lantern Play (visualiseur runtime). Support initial pour CrewAI.