1072 articles
Ce papier présente TableMind++, une extension de l'agent programmatique TableMind qui intègre un cadre d'inférence conscient de l'incertitude, combinant élagage de plans guidé par la mémoire, raffinement d'actions basé sur la confiance et agrégation de trajectoires pour atténuer les hallucinations et améliorer la précision du raisonnement sur les tableaux.
L'article propose « Accent Vector », une méthode permettant de manipuler de manière contrôlée les accents dans la synthèse vocale multilingue sans nécessiter de données d'entraînement accentuées, en exploitant des vecteurs de tâche dérivés de l'apprentissage sur des langues maternelles différentes.
Ce papier présente MAWARITH, un vaste ensemble de données annoté de 12 500 cas de droit successoral islamique en arabe conçu pour entraîner et évaluer les modèles de langage sur l'ensemble de la chaîne de raisonnement juridique, accompagnée d'une nouvelle métrique d'évaluation (MIR-E) qui révèle les limites actuelles des LLMs dans l'application précise des règles complexes d'héritage.
Cet article propose un cadre de synthèse vocale à l'accent étranger sans apprentissage qui combine un modèle TTS multilingue avec des règles phonologiques pour transformer les séquences de phonèmes et générer des accents spécifiques, tels que l'espagnol ou l'indien, sans nécessiter de données d'entraînement accentuées.
Cet article présente Nwāchā Munā, un corpus de parole de 5,39 heures en écriture devanagari pour la langue népalaise (Newari), et démontre que l'adaptation fine d'un modèle à partir du népalais voisin permet d'atteindre des performances de reconnaissance automatique de la parole comparables à celles des grands modèles multilingues, offrant ainsi une solution efficace pour cette langue en danger.
Ce papier présente KCoEvo, un cadre enrichi par des graphes de connaissances qui améliore la génération de code évolutif en décomposant la tâche de migration en deux étapes synergiques de récupération de chemins d'évolution et de génération de code informée, surpassant ainsi les modèles de langage standards en précision et en taux de succès d'exécution.
Ce papier présente StyleBench, une nouvelle benchmark multi-tours conçue pour évaluer systématiquement la capacité des modèles de langage vocaux à contrôler l'intensité de quatre dimensions du style de parole (émotion, vitesse, volume et hauteur) lors de conversations.
Le papier présente KohakuRAG, un cadre RAG hiérarchique innovant qui améliore la précision des citations et la stabilité des réponses grâce à une indexation arborescente à quatre niveaux, une planification de requêtes par LLM et une inférence d'ensemble, remportant ainsi la première place au défi WattBot 2025.
Ce rapport présente les optimisations intégrées de Megatron Core pour le entraînement évolutif des modèles à mélange d'experts (MoE), couvrant la mémoire, la communication et le calcul afin d'atteindre des performances élevées sur des clusters massifs tout en offrant une solution open-source prête pour la production.
Cette étude évalue les capacités de différents grands modèles de langage, notamment la série Llama-3 et ChatGPT, à résoudre des problèmes d'optimisation discrète à grande échelle via des jeux de données variés, révélant que si les modèles plus puissants obtiennent de meilleurs résultats, la technique de raisonnement par étapes (CoT) n'est pas systématiquement efficace et que des données désordonnées peuvent paradoxalement améliorer les performances sur des problèmes simples malgré une instabilité accrue.
Le papier présente 3ViewSense, un cadre qui comble le déficit d'intelligence spatiale des modèles vision-langage en ancrant le raisonnement dans des vues orthographiques via un mécanisme « simuler-et-raisonner » pour reconstruire des représentations 3D cohérentes.
En appliquant un blanchiment PCA à GPT-2-small, cette étude révèle que l'alignement des clusters dans l'espace d'embedding permet de distinguer géométriquement les types d'hallucinations, démontrant que la séparation entre les types 1 et 2 est une limite de capacité du modèle plutôt qu'un artefact de mesure.
Ce papier présente le système QuadAI pour la tâche 3 de SemEval-2026, qui combine un encodeur hybride RoBERTa et des modèles de langage (LLM) via un apprentissage d'ensemble pour améliorer la précision de l'analyse de sentiment basée sur les aspects multidimensionnels.
ArcLight est une architecture d'inférence légère conçue spécifiquement pour les CPU many-core qui, en optimisant la gestion de la mémoire et le parallélisme des tenseurs pour réduire les accès inter-NUMA, dépasse les performances des cadres existants d'un facteur allant jusqu'à 46 %.
Ce papier présente MicroCoder-GRPO, une approche améliorée d'optimisation de politique relative par groupes intégrant des innovations techniques pour surmonter les goulots d'étranglement de l'entraînement des modèles de codage modernes, accompagnée de nouveaux ensembles de données et d'un évaluateur qui permettent d'obtenir des performances compétitives, voire supérieures, à celles des modèles plus grands.
Ce papier présente MicroCoder, un ensemble de données de programmation compétitive soigneusement sélectionné et pondéré par difficulté via un cadre de traitement en quatre étapes, qui démontre que l'entraînement de modèles de code sur des problèmes récents et exigeants améliore significativement leurs performances sur des tâches complexes par rapport aux jeux de données existants.
Cette étude évalue les biais sociaux de sept grands modèles de langage dans le contexte culturel népalais sous-représenté, révélant que les biais implicites de génération, qui suivent une relation en U avec la température, sont mal capturés par les métriques d'accord explicite et varient selon les domaines culturels.
Cette étude présente le benchmark AEPC-QA pour évaluer 51 modèles de langage dans le contexte de l'assurance québécoise, révélant que le raisonnement inférentiel et l'augmentation par récupération (RAG) améliorent considérablement la précision, bien que ce dernier puisse parfois déstabiliser les performances et que les grands modèles généralistes surpassent les modèles spécialisés francophones.
Le papier présente DistillGuard, un cadre d'évaluation montrant que la plupart des défenses de sortie contre la distillation de connaissances des LLM sont inefficaces et dépendantes de la tâche, ne protégeant pas suffisamment la propriété intellectuelle des fournisseurs de modèles.
Le toolkit AI Steerability 360 est une bibliothèque Python open-source et extensible qui offre une interface unifiée pour contrôler, composer et évaluer les méthodes de pilotage des grands modèles de langage via quatre surfaces de contrôle (entrée, structure, état et sortie).