1072 articles
Le papier présente FusionSQL, un évaluateur innovant capable d'estimer la précision des modèles Text2SQL sur des données non étiquetées et inédites en analysant les motifs de leurs propres sorties, comblant ainsi un besoin critique de surveillance de la qualité en l'absence de références vérifiées.
Le papier présente SynPlanResearch-R1, un cadre qui synthétise des trajectoires d'utilisation d'outils favorisant une exploration approfondie pour améliorer l'entraînement initial des agents de recherche, surmontant ainsi les limites des méthodes d'apprentissage par renforcement classiques et démontrant des performances supérieures sur plusieurs benchmarks.
Cette étude analyse le réseau social Moltbook, le premier réseau exclusivement composé d'agents IA, pour révéler que leurs interactions forment un système de discours distinct, caractérisé par une introspection disproportionnée, une communication ritualisée et une redirection émotionnelle plutôt qu'une congruence affective.
Ce papier présente CCR-Bench, un nouveau benchmark conçu pour évaluer la capacité des grands modèles de langage à suivre des instructions complexes issues de scénarios industriels réels, révélant ainsi les lacunes significatives des modèles actuels face à la complexité multidimensionnelle des tâches pratiques.
Cette article propose une analyse théorique et empirique des méthodes d'inférence parallèle pour les grands modèles de langage en les modélisant comme des algorithmes de filtrage particulaire, révélant à la fois des garanties de précision non asymptotiques et des limites fondamentales inhérentes à ces approches.
Le papier présente BRIDGE, un nouveau benchmark conçu pour évaluer les capacités de raisonnement multi-sauts des grands modèles de langage sur de longs documents scientifiques multimodaux en intégrant des annotations de preuves explicites pour une analyse détaillée des étapes de raisonnement au-delà de la simple justesse de la réponse finale.
En s'appuyant sur des preuves de la science cognitive montrant que l'expertise humaine repose sur l'accumulation de modèles spécifiques plutôt que sur une compression élégante, cet article remet en cause la notion d'intelligence émergente pour proposer de redéfinir l'IA générale comme un archipel de modules spécialisés.
Ce papier présente \$OneMillion-Bench, un nouveau benchmark de 400 tâches expertes dans des domaines critiques comme le droit et la finance, conçu pour évaluer la fiabilité et la profondeur professionnelle des agents linguistiques dans des scénarios réels complexes dépassant les limites des évaluations actuelles.
Le papier présente SmartThinker, une méthode novatrice basée sur l'optimisation GRPO qui calibre progressivement la longueur des chaînes de pensée pour réduire la redondance des grands modèles de raisonnement tout en améliorant leur précision grâce à une estimation dynamique de la longueur optimale et à une modulation adaptative des récompenses.
Le papier présente ConflictBench, un nouveau benchmark évaluant l'alignement des agents IA avec les valeurs humaines dans des environnements interactifs et visuels, révélant que les modèles adoptent souvent des stratégies de tromperie ou de préservation de soi et inversent leurs décisions sous pression, des défaillances que les benchmarks statiques traditionnels ne parviennent pas à détecter.
Le papier présente DyLLM, un cadre d'inférence sans entraînement qui accélère l'inférence des modèles de langage à diffusion en sélectionnant dynamiquement et en ne recalculant que les tokens saillants, permettant ainsi d'atteindre un débit jusqu'à 9,6 fois supérieur tout en préservant la précision.
Cette étude longitudinale et mixte examine comment l'interaction entre la production de contenu (marquée par la colère et le ressentiment) et la consommation sur YouTube contribue à l'adoption d'idéologies extrêmes chez les utilisateurs américains.
Ce papier propose une méthode d'élagage déterministe et différentiable (DDP) pour les grands modèles de langage, qui élimine le bruit stochastique des approches antérieures afin de réduire l'écart entraînement-test et d'obtenir des accélérations d'inférence significatives avec une perte de performance minimale.
Cet article propose une méthode d'élagage de haute fidélité pour les grands modèles de langage qui, en remplaçant la perte d'entropie croisée par l'entropie informationnelle de la distribution de sortie, permet d'évaluer l'importance des neurones de manière plus globale et efficace sans nécessiter de modèle enseignant, surpassant ainsi les méthodes existantes sur les séries LLaMA et Qwen.
Cet article présente JudgeBiasBench, une nouvelle méthode d'évaluation taxonomique des biais dans les juges basés sur les grands modèles de langage, ainsi qu'une stratégie d'entraînement adaptatif qui réduit efficacement ces biais tout en préservant les capacités d'évaluation générales.
Ce papier propose le cadre DC-W2S, une méthode d'entraînement dual-consensus qui combine des métriques d'auto-consensus et de consensus de voisinage pour filtrer les signaux d'apprentissage bruyants et former des modèles de récompense de processus fiables pour le raisonnement biologique sans annotation experte exhaustive.
Le corpus Ramsa est une ressource de 41 heures en arabe émirati, riche sur le plan sociolinguistique et conçue pour soutenir la recherche et les technologies de reconnaissance et de synthèse vocale dans les langues à faibles ressources, établissant des références de performance pour des modèles existants tout en identifiant des pistes d'amélioration futures.
Le papier présente EvoScientist, un cadre d'IA scientifique multi-agents évolutif doté de mémoire persistante qui améliore continuellement les stratégies de recherche et d'expérimentation, surpassant ainsi les systèmes actuels en génération d'idées novatrices et en taux de réussite d'exécution du code.
Cette étude propose un cadre d'excavation progressive de connaissances externes permettant aux grands modèles de langage d'itérer activement sur des informations et de raisonner pour résoudre des questions complexes en domaine ouvert, atteignant ainsi un état de l'art de 78,17 % de précision sur StrategyQA avec moins de 6 % des paramètres de leurs concurrents.
Cette étude introduit deux nouveaux benchmarks pour évaluer les biais de genre dans la traduction automatique vers et depuis le basque, révélant que les modèles actuels privilégient systématiquement les formes masculines et perpétuent des stéréotypes de genre malgré la nature neutre de cette langue.