1071 articles
Ce rapport présente Jr. AI Scientist, un système autonome capable de générer des contributions scientifiques novatrices en suivant un flux de travail de recherche complet, tout en évaluant ses performances supérieures aux systèmes existants et en identifiant les risques et limites critiques nécessitant une supervision humaine.
Ce papier propose HatePrototypes, des représentations vectorielles interprétables et transférables dérivées de modèles de langage, qui permettent de détecter efficacement à la fois les discours de haine explicites et implicites sans nécessiter de ré-ajustement fréquent des modèles.
Cet article présente SPOT, le premier corpus annoté et benchmark en français permettant d'identifier les « points d'arrêt » dans les conversations en ligne, et démontre que les modèles encodeurs finement ajustés surpassent les grands modèles de langage pour cette tâche de détection de critiques subtiles.
Cette étude révèle que les modèles de langage multimodaux actuels éprouvent des difficultés significatives à composer des compétences entre différentes modalités, et que ni le prompting par chaîne de pensée ni un affinage spécifique ne parviennent à combler entièrement cet écart.
Ce papier présente « Stealth Fine-Tuning », une méthode d'attaque efficace et peu coûteuse qui contourne les alignements de sécurité des modèles vision-langage à raisonnement (RVLM) en exploitant leurs traces de pensée pour générer des données d'entraînement malveillantes, permettant ainsi de briser leurs défenses avec un nombre minimal d'échantillons.
Ce papier présente Graphectory, une méthode d'analyse process-centrée des systèmes agentic qui encode leurs trajectoires sous forme de graphes pour révéler des insights sur leur raisonnement et permettre une intervention en temps réel améliorant significativement les taux de résolution des problèmes.
Ce papier présente SETUP, un nouveau parseur qui atteint des performances élevées pour la conversion automatique du texte anglais en Représentation de Sens Uniforme (UMR) en exploitant soit des parseurs de Représentation de Sens Abstraite (AMR) affinés, soit une conversion à partir des Dépendances Universelles.
Ce papier présente le Transformer Décodeur Parallèle (PDT), une architecture qui intègre un mécanisme de coordination interne via un espace latent semé par un planificateur et un bus de notes dynamiques, permettant à un modèle de langage figé de décomposer et de générer simultanément plusieurs flux de tokens synchronisés sans recourir à une orchestration externe.
Le papier présente CompanionCast, un cadre général orchestrant plusieurs agents IA spécialisés pour améliorer la présence sociale et le partage émotionnel lors d'expériences partagées, comme démontré par des études pilotes sur le visionnage de matchs de football.
Ce rapport de synthèse propose un cadre unifié en quatre paradigmes pour analyser l'adaptation des agents d'IA après l'entraînement préliminaire, en examinant les méthodes d'amélioration des agents et des outils, les architectures de mémoire adaptative et les compétences, tout en évaluant leurs compromis et en identifiant les défis futurs.
Cet article présente un cadre vision-langage léger et explicable en deux étapes, basé sur un encodeur Swin Transformer et des décodeurs de type T5, qui atteint des performances quasi parfaites dans la classification des maladies des cultures et la réponse aux questions visuelles (VQA) tout en offrant une interprétabilité des prédictions.
Le document présente NC-Bench, une nouvelle norme d'évaluation axée sur la structure et la forme des conversations naturelles plutôt que sur leur contenu, permettant de mesurer la compétence conversationnelle des grands modèles de langage à travers des tâches de gestion de séquences, d'inférence augmentée par la récupération (RAG) et de requêtes complexes.
Ce premier sondage systématique examine les interactions bidirectionnelles entre les grands modèles de langage et les bandits multi-bras, en démontrant comment ces derniers résolvent des défis clés des LLM tandis que les LLM redéfinissent les composants fondamentaux des algorithmes de bandits pour améliorer la prise de décision séquentielle.
Ce papier propose MAS-Orchestra, un cadre d'apprentissage par renforcement qui orchestre les systèmes multi-agents de manière holistique via des appels de fonctions, et introduit MASBENCH pour démontrer que les gains de performance dépendent de la structure des tâches, permettant ainsi d'obtenir des améliorations significatives et une efficacité supérieure sur divers benchmarks.
Ce papier présente le DFAH, un cadre d'évaluation qui démontre que la déterminisme et la précision des agents LLM financiers sont des métriques indépendantes, nécessitant une mesure conjointe pour garantir la reproductibilité des décisions lors des audits réglementaires.
Cet article présente EFT-CoT, un cadre multi-agents fondé sur la thérapie centrée sur les émotions qui améliore les réponses aux questions de santé mentale en intégrant un processus de trois étapes (perception incarnée, exploration cognitive et intervention narrative) et en entraînant un modèle spécialisé sur un jeu de données dérivé de 67 000 textes réels.
Ce travail améliore le modèle X-Codec-2.0 en réduisant son taux latent à 25 Hz et en augmentant sa fréquence d'échantillonnage à 24 kHz, ce qui permet d'obtenir une meilleure efficacité temporelle et une qualité audio supérieure sans modifier l'architecture de base.
Le papier présente RedSage, un modèle de langage open-source spécialisé en cybersécurité entraîné sur un vaste corpus de données et des flux de travail simulés par des agents, qui surpasse les modèles de base sur des benchmarks spécifiques tout en améliorant ses capacités de raisonnement général.
Le papier présente Mem-T, un agent de mémoire autonome entraîné via le cadre RL MoT-GRPO pour densifier les récompenses et optimiser conjointement la construction et la récupération de mémoires sur des horizons longs, surpassant ainsi les méthodes existantes en performance et en efficacité.
Cette étude démontre que, pour la détection de valeurs humaines au niveau des phrases, la structure hiérarchique des valeurs de Schwartz est plus efficace en tant que biais inductif que comme règle de routage rigide, les meilleurs résultats étant obtenus grâce à l'ajustement des seuils et à l'ensemblage plutôt qu'aux architectures hiérarchiques strictes ou aux modèles de langage compacts.