LSDTs combine LLMs with Digital Twins to extract planning knowledge from unstructured documents (regulations, technical guidelines) and organize it into formal ontologies. A case study on offshore wind farm planning in Maryland demonstrates regulation-aware layout optimization and high-fidelity simulation capabilities.
pArticleMap combine embeddings d'articles, analyse de graphes de similarité et workflows LLM audités pour générer des hypothèses de recherche fondées sur des preuves en nanomédecine. Le système cible les régions de faible densité et interfaces de clusters pour identifier des directions de recherche. Évaluation rétrospective : 10,8% de taux de récupération d'or, recall@10 de 15,9%, taux de voisinage futur de 61,0%.
Genflow est une architecture IA composée pour la génération vidéo alignée à la marque. Elle combine un module d'extraction 'Brand DNA' par récupération et une boucle de contrôle qualité multi-agents adversariale. Le système itère entre générateurs et évaluateurs jusqu'à consensus, améliorant la conformité de 42% à 89%.
Evo-Memory est un benchmark pour évaluer la mémoire auto-évolutive dans les agents LLM. Il structure les données en flux de tâches séquentiels, testant la capacité des modèles à chercher, adapter et mettre à jour la mémoire après chaque interaction. Les auteurs implémentent 10+ modules mémoire et proposent ExpRAG et ReMem pour améliorer la réutilisation d'expérience.
Méthode pour que les LLM refusent de générer du code quand ils risquent d'halluciner. Utilise une règle d'abstention calibrée basée sur le test d'hypothèses multiples, évalue la cohérence via l'exécution du code. Garantie théorique distribution-free. Testé sur plusieurs LLM open-source.
FedKLPR est un framework de federated learning pour la réidentification de personnes. Il combine trois techniques : régularisation par divergence KL pour gérer l'hétérogénéité statistique, pruning non-structuré pour réduire la communication (40-42% de réduction sur ResNet-50), et récupération inter-rounds adaptative. Testé sur 8 benchmarks.
ORDAC, une méthode data-centric, corrige les labels bruyants en classification ordinale d'images via Label Distribution Learning. Testée sur Adience (estimation d'âge) et Diabetic Retinopathy (sévérité maladie), ORDAC_R réduit l'erreur absolue moyenne de 0,86 à 0,62 avec 40% de bruit.
MAVEN est un framework multi-agent pour améliorer la fidélité culturelle dans la génération vidéo à partir de texte. Il décompose les prompts en dimensions personne/action/lieu traitées par des agents spécialisés. Benchmark de 243 prompts culturels et 972 vidéos (chinois, américain, roumain) avec évaluation CLIP + VLM.
FLAG est un framework basé sur la diffusion latente pour prédire l'expression génique spatiale à partir d'images H&E. Il intègre un encodeur graphique spatial et l'alignement avec un Gene Foundation Model pour résoudre la malédiction de la dimensionnalité génique et préserver les relations biologiques (coordination génique, distribution spatiale). Nouvelles métriques d'évaluation : GSC et SSC.
CoUn est une méthode d'apprentissage non supervisé (machine unlearning) qui utilise l'apprentissage contrastif pour supprimer l'influence de données spécifiques d'un modèle entraîné. La technique ajuste les représentations apprises en utilisant uniquement les données à conserver, surpassant les méthodes existantes basées sur la manipulation d'étiquettes ou la perturbation des poids.
GeoWorld-VLM améliore les capacités spatiales des Vision-Language Models en transférant des structures géométriques depuis des world models vidéo gelés. La méthode fine-tune uniquement l'encodeur d'image et le projecteur multimodal, alignant les représentations visuelles avec les représentations intermédiaires du world model. Gains de ~4% sur les benchmarks What'sUp et VSR.
EfficientTDMPC améliore l'efficacité échantillon du contrôle continu en renforcement par modèle. La méthode utilise un ensemble de modèles de dynamique, moyenne les estimations de rendement sur plusieurs profondeurs de rollout, et ajoute une pénalité d'incertitude au planificateur. Elle atteint SOTA sur HumanoidBench-Hard et DMC hard en régime faible données.
Les Behavior Foundation Models (BFMs) permettent l'apprentissage par imitation à grande échelle, mais échouent sous les changements de dynamique (friction, actuation, bruit). Cet article formule l'inférence de tâche BFM comme un problème d'optimisation minimax robuste, permettant l'adaptation aux perturbations de dynamique sans modifier le préentraînement. Le cadre surpasse les baselines BFM et offline IL robustes.
ChildAgentEval, un benchmark interactif inspiré de l'échelle WISC, évalue l'alignement cognitif des agents IA multimodaux sur des tâches de raisonnement adaptées à différents âges. Les résultats montrent que les agents actuels échouent sur des tâches simples qu'un enfant résout facilement, révélant un écart fondamental entre l'IA et l'intelligence humaine.
Étude arXiv comparant les évaluations de jeux par modèles de langage et de raisonnement contre des jugements humains. Dataset de 100+ jeux de plateau et 450+ évaluations humaines. Les modèles de raisonnement s'alignent mieux aux humains, mais montrent une relation non-monotone : plus ils approchent l'optimalité théorique des jeux, moins ils correspondent aux données humaines.
Framework agentic IA pour soutien psychologique par pairs en environnement militaire. Soldats formés comme facilitateurs pairs supervisent des agents IA spécialisés (triage, interventions, documentation) en settings sans connectivité. Prototype développé avec U.S. Army Health Center. Objectif : réduire évacuations, accélérer prise en charge, maintenir supervision humaine.
Position paper sur l'évaluation interactive des LLM. Les modèles déployés comme systèmes agissant dans le temps (outils, environnements, agents) nécessitent un paradigme d'évaluation distinct des benchmarks statiques. Les auteurs proposent une taxonomie, des principes de design et des standards de reporting pour évaluer processus, récupérabilité, coordination, robustesse et performance système.
Un framework PPE utilise des estimateurs de densité one-class avec embeddings textuels fusionnés pour détecter les fuites de données contextuelles dans les systèmes RAG. Le détecteur T3+OCSVM atteint 0.93+ AUROC, réduit les faux positifs de 44-55 points et maintient une latence millisecondes, surpassant les classifieurs MLP supervisés et les juges LLM 14B.
K2V étend le reinforcement learning avec récompenses vérifiables (RLVR) aux domaines à forte intensité de connaissances via synthèse automatique de données vérifiables et vérification du processus de raisonnement. Les expériences montrent une amélioration du raisonnement sans dégradation significative des capacités générales.
NeuroRVQ est une famille de tokenizers biosignaux adaptée à chaque modalité (EEG, ECG, EMG) utilisant des convolutions multi-échelles et des codebooks RVQ hiérarchiques pour préserver les dynamiques haute fréquence. Les modèles fondamentaux NeuroRVQ-FM entraînés avec masquage de tokens atteignent des performances compétitives ou supérieures aux modèles spécialisés existants.
Autoencoder transformer compresse les spectres X du catalogue Chandra en représentation 8D. Classification de 8 types astrophysiques : ~40% de précision globale, ~69% sur AGN/objets compacts. Les features latentes corrèlent avec propriétés spectrales et temporelles, capturant l'information physique aussi bien que les features manuelles.
Article arXiv proposant un cadre théorique pour détecter les biais causaux dans les modèles génératifs IA. Les auteurs formalisent la notion de fairness causale spécifique aux modèles génératifs (vs ML classique), dérivent des décompositions causales pour quantifier les impacts de biais selon différents chemins causaux, et démontrent leur méthodologie en analysant les biais de race et genre dans les LLM.
CMI (Causal Memory Intervention) sélectionne les souvenirs pertinents pour les agents LLM long-horizon via interventions causales contrôlées, plutôt que par similarité sémantique. Benchmark Causal-LoCoMo introduit avec mémoires utiles, distracteurs et souvenirs nuisibles synthétiques. CMI surpasse baselines (vector, graph, reflection, summary) en robustesse face aux mémoires trompeuses.
GraViti est un autoencodeur variationnel basé transformer pour les graphes entiers, produisant un espace latent au niveau du graphe. Sur des benchmarks moléculaires, le modèle apprend à décoder des échantillons valides respectant les contraintes chimiques. L'étude montre que l'invariance de permutation peut nuire à la reconstruction cohérente quand un ordre canonique existe.
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), puis entraîne un classifieur RoBERTa. Performance : 89,6% de précision sur trois datasets gold-standard.
VLATIM, un nouveau benchmark basé sur The Incredible Machine 2, évalue les capacités de raisonnement logique des Vision-Language Models dans des jeux de puzzle point-and-click. Les résultats montrent un écart significatif : les grands modèles propriétaires excellent en planification mais échouent en localisation visuelle précise, sans atteindre les capacités humaines.
GA-S2S combine un encodeur-décodeur T5-small avec un Relational Graph Attention Network pour la prédiction de liens dans les graphes de connaissances. Le modèle encode conjointement les caractéristiques textuelles et la topologie complète du sous-graphe k-hop autour de l'entité requête, capturant les motifs relationnels multi-hop. Sur CoDEx, GA-S2S surpasse les baselines Seq2Seq avec un gain de 19% en précision.
BanglaMedVQA : nouveau benchmark de questions visuelles médicales en bengali avec paires image-question-réponse validées cliniquement. Évaluation de modèles fondateurs (Gemini, GPT-4.1 mini, Gemma-3) révèle performances substantiellement plus basses qu'en anglais, limitations sévères en raisonnement médical fin et diagnostic spécialisé.
Étude arXiv évaluant la cohérence du codage de données de communication par ChatGPT selon les groupes démographiques (genre, race). Les auteurs adaptent un cadre d'évaluation automatisée et testent ChatGPT sur trois types de tâches collaboratives. Résultat : le codage ChatGPT montre une cohérence comparable aux évaluateurs humains entre groupes.
DecoupleSearch découple planification et recherche dans les systèmes RAG agentic via deux modèles de valeur distincts. Un arbre de raisonnement est construit avec Monte Carlo Tree Search pour évaluer chaque étape. La Hierarchical Beam Search affine itérativement les candidats de planification et recherche lors de l'inférence.
Étude sur 56 auteurs de 40 articles : 83,9% trouvent les revues IA utiles, 80,4% rapportent que l'IA identifie des problèmes manqués par les humains, 82,1% intègrent le feedback IA dans leur version finale. Cependant, les auteurs font moins confiance à l'IA qu'aux humains (51,8% signalent des inexactitudes mineures, 16,1% des erreurs graves). 96,4% accepteraient l'IA comme outil interne de révision avant soumission.
SENSE est un framework génératif basé sur diffusion qui synthétise conjointement des images satellite urbaines réalistes et des cartes d'énergie/hauteur de bâtiments alignées. Testé sur NYC, Boston, Lyon et Busan, il génère des données annotées avec <20% de données étiquetées, améliorant la performance de prédiction de 10% IoU et réduisant l'erreur de 3-11% NMBE.
AutoRubric-T2I est un framework qui synthétise automatiquement des rubrics explicites pour évaluer l'alignement texte-image via des juges Vision-Language Model. Utilisant <0.01% des données d'annotation requises par les modèles de récompense traditionnels, il surpasse les baselines sur MMRB2 et améliore la qualité de génération avec Flow-GRPO sur modèles de diffusion.
Article sur la transparence requise dans la recherche éthique assistée par IA. Les auteurs argumentent que l'évaluation des résultats seule est insuffisante ; ils proposent un cadre de documentation basé sur l'intégrité de l'agent, incluant déclaration, navigation, documentation et registres de développement. Le papier lui-même applique ce cadre avec archives persistantes.
GraphMind intègre GNN et LLM pour le raisonnement multi-étapes en mathématiques. Le framework modélise le processus de preuve comme un graphe hétérogène évolutif où nœuds (conditions, théorèmes, conclusions) et arêtes (dépendances logiques) permettent la sélection contextuelle de théorèmes et la génération itérative de conclusions. Résultats améliorés sur benchmarks QA.
MATE est une architecture mémoire pour résoudre les processus décisionnels de Markov contextuels (CMDP). Elle remplace la distribution a posteriori intractable par une mémoire agrégée par somme, évitant les coûts de calcul croissants des Transformers et les problèmes de gradient des RNN. Les évaluations montrent des avantages computationnels avec performance comparable aux baselines.
Des chercheurs montrent que le clonage vocal n'est pas une copie fidèle mais un transfert de style : les voix clonées sont perçues comme plus autoritaires, chaleureuses et humaines que les originales. Le clonage homogénéise aussi les caractéristiques vocales (accent, débit). Ces résultats révèlent des risques comportementaux et éthiques.
Article théorique proposant des optimiseurs respectant les symétries des architectures neuronales modernes. Introduit des règles de mise à jour équivariantes pour embeddings, têtes LM, MLPs SwiGLU et routeurs MoE. Validation sur modèles denses et sparse MoE (Qwen3, Gemma 3, OLMoE, gpt-oss) montrant amélioration de la perte de validation vs AdamW.
MetaEns, un framework automatisé pour sélectionner des ensembles de modèles de détection d'anomalies sans supervision. Utilise des meta-datasets étiquetés pour prédire les gains marginaux d'ensemble et applique une sélection gloutonne avec arrêt adaptatif. Testé sur 39 datasets réels : surpasse les baselines en précision avec moins de modèles.
MetaCogAgent est un framework multi-agent LLM où chaque agent évalue sa compétence avant d'exécuter une tâche via une Metacognitive Self-Assessment Unit. Le système combine évaluation d'incertitude et profils historiques pour router les tâches vers les agents les plus adaptés. Sur le benchmark MetaCog-Eval (700 tâches), il atteint 82.4% de précision (+8.7% vs baselines) avec 5% moins d'appels API qu'AutoGen.