1714 articles
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.
Le papier présente RexDrug, un cadre d'extraction de relations amélioré par le raisonnement et basé sur des modèles de langage de grande taille, qui surpasse les méthodes existantes pour l'extraction fiable de combinaisons médicamenteuses complexes (n-aires) à partir de la littérature biomédicale grâce à une stratégie d'entraînement en deux étapes combinant un mécanisme collaboratif multi-agents et un apprentissage par renforcement.
Cette étude démontre que le raisonnement en chaîne continu (Continuous Chain-of-Thought) surpasse le raisonnement explicite en termes de robustesse multilingue, notamment pour les langues à ressources limitées, tout en offrant une compression des traces de raisonnement de 29 à 50 fois.
Le papier présente TildeOpen LLM, un modèle de langage open-weight de 30 milliards de paramètres optimisé pour 34 langues européennes grâce à l'apprentissage par curriculum et à l'échantillonnage de données, permettant d'atteindre des performances supérieures et une équité linguistique accrue avec des ressources de calcul réduites.
Ce papier présente CoPaLink, une approche automatisée qui améliore la reproductibilité des workflows bioinformatiques en reliant les mentions d'outils dans les articles scientifiques à leur implémentation dans le code exécutable grâce à la reconnaissance d'entités nommées et à l'ancrage sur des bases de connaissances.
Cet article met en lumière les limites méthodologiques actuelles des recherches sur les attaques de reconstruction de données PII, soulignant que l'absence de données privées accessibles et reproductibles empêche une évaluation véritablement fiable de l'efficacité des techniques de suppression de données personnelles.
Le papier présente DualTurn, un modèle préentraîné sur des conversations audio à double canal qui génère de manière autonome les futures paroles des deux interlocuteurs pour apprendre implicitement la dynamique conversationnelle et prédire avec précision les signaux de prise de parole, surpassant ainsi les approches existantes en réduisant les interruptions et en anticipant plus tôt les transitions.
Cet article introduit la Matrice de Transfert Interlinguistique (CLTM), une méthode systématique pour quantifier les interactions entre paires de langues dans des tâches paralinguistiques, révélant que l'impact des données d'une langue source sur les performances d'une langue cible varie de manière significative selon la tâche et la langue, contredisant ainsi l'idée que ces tâches sont purement agnostiques à la langue.
Ce papier propose Fibration Policy Optimization (FiberPO), un cadre unifié qui intègre la théorie des régions de confiance et une structure algébrique de fibrés pour optimiser les politiques des grands modèles de langage à travers plusieurs échelles hiérarchiques, de la tokenisation jusqu'aux domaines entiers.
Cette étude démontre que la sensibilité des explications des modèles de langage aux aléas d'entraînement varie statistiquement de manière significative selon le contexte syntaxique, les classes et les tâches, cette dernière ayant l'impact le plus important.
Ce papier propose un cadre d'apprentissage de la reconnaissance audiovisuelle de la parole pour des langues sans ressources, en générant des flux visuels synthétiques par synchronisation labiale d'images statiques avec de l'audio réel, permettant d'entraîner un modèle performant sur le catalan sans corpus vidéo annoté.
Le papier présente CoFiCot, un cadre adaptatif de raffinement grossier-à-fin qui alloue dynamiquement des ressources de calcul en fonction de la difficulté des requêtes, en triant les questions via un classificateur multi-métrique et en appliquant une correction contextuelle étatique pour éviter la fragmentation du contexte tout en assurant la cohérence logique.
Ce papier présente la participation de NCL-UoR à la tâche 5 de SemEval-2026 sur l'évaluation de la plausibilité des sens des mots, démontrant qu'une stratégie d'incitation structurée avec des règles de décision surpasse les méthodes d'embedding et le fine-tuning, révélant que la conception de l'incitation est plus déterminante que l'échelle du modèle.
Cette étude de 172 milliards de tokens, menée sur 35 modèles avec la méthodologie RIKER, révèle que les hallucinations dans les réponses documentaires augmentent considérablement avec la longueur du contexte, varient principalement selon le choix du modèle plutôt que la taille ou le matériel, et que l'ajustement de la température permet de réduire les boucles infinies au détriment d'une précision légèrement moindre.
L'article AdaCultureSafe propose un cadre intégrant connaissances et sécurité culturelles pour pallier le manque de corrélation entre ces deux aspects dans les grands modèles de langage, en s'appuyant sur un nouveau jeu de données vérifié manuellement et une méthode d'alignement qui améliore significativement la sécurité culturelle en ancrant les réponses dans des connaissances culturelles précises.
Cette étude évalue la capacité des modèles de langage à réviser des propositions de subventions EPSRC via des perturbations structurées, révélant que l'approche par sections surpasse les autres architectures mais que les systèmes actuels manquent de fiabilité et privilégient la conformité plutôt que l'évaluation holistique.
Le papier présente SBARThez, un cadre novateur d'abstractive multilingue et multimodal basé sur BART et enrichi par une injection d'entités nommées, qui améliore la cohérence factuelle et la concision des résumés, notamment pour les langues à ressources limitées.
Ce papier présente LAMUS, un corpus à grande échelle pour l'extraction d'arguments juridiques à partir de décisions judiciaires américaines, construit grâce à une pipeline combinant collecte de données, annotation automatisée par des modèles de langage et raffinement humain, afin de pallier le manque de ressources annotées pour la recherche en TAL juridique.
Cet article propose un cadre d'entraînement postérieur unifié permettant à un modèle de base de la parole unique de générer simultanément plusieurs représentations de niveau énonciatif, telles que sémantiques et parleur, pour améliorer les tâches de recherche multilingue et de reconnaissance vocale.
Ce papier présente SlowBA, une nouvelle attaque par porte dérobée qui cible l'efficacité des agents d'interface graphique basés sur des modèles vision-langage en induisant des chaînes de raisonnement excessivement longues via des déclencheurs discrets, augmentant ainsi considérablement la latence de réponse tout en préservant la précision des tâches.