1723 articles
L'article présente EpisTwin, une architecture neuro-symbolique qui surmonte la fragmentation des données personnelles en ancrant le raisonnement génératif dans un graphe de connaissances personnel vérifiable, enrichi par des modèles multimodaux et un agent de coordination pour une compréhension holistique et contextuelle.
Cette étude empirique démontre que l'adaptation des modèles de reconnaissance vocale aux langues autochtones du Pacifique, bien que cruciale pour pallier le manque de données, se heurte à un dilemme entre plasticité et stabilité, où des méthodes comme LoRA échouent à éviter l'oubli catastrophique lors de l'apprentissage continu de multiples langues.
Cette étude évalue la capacité de ChatGPT à pasticher des œuvres d'art contemporaines, révélant un écart significatif entre les similarités visuelles et la perte de dimensionnalité, de contexte et d'intentionnalité perçue par les artistes originaux, ce qui plaide pour l'adoption d'un tableau de bord de métriques complémentaires plutôt que d'une mesure unique.
Le papier présente SAHOO, un cadre pratique qui garantit l'alignement lors de l'amélioration récursive de soi en surveillant la dérive des objectifs grâce à trois mécanismes de sécurité, tout en démontrant des gains de performance significatifs dans des tâches de codage et de raisonnement sans compromettre la sécurité.
Cette étude propose un cadre interprétable pour l'extraction des relations entre entités mathématiques en utilisant des modèles BERT atteignant 99,39 % de précision, renforcés par des techniques d'intelligence artificielle explicable (SHAP) pour garantir la transparence des prédictions.
Cette étude introduit un nouveau jeu de données pour évaluer le raisonnement déontique des grands modèles de langage via la tâche de sélection de Wason, révélant qu'ils surpassent leur performance dans les contextes normatifs et présentent des biais d'appariement similaires à ceux observés chez les humains.
Cette étude présente une comparaison unifiée des principales approches d'évaluation automatique des essais par les grands modèles de langage pour l'anglais langue seconde, démontrant que la combinaison du fine-tuning supervisé et de l'optimisation des préférences avec la génération augmentée par récupération (RAG) atteint les meilleurs résultats avec un score F1 de 93 %.
Cet article examine la capacité des grands modèles de langage à effectuer un raisonnement abductif, défini comme l'inverse du syllogisme, afin de déterminer s'ils présentent des biais similaires à ceux des humains et d'identifier des pistes pour améliorer leur raisonnement contextuel au-delà de la déduction formelle.
Le papier présente PONTE, un cadre d'IA explicable intégrant l'humain dans la boucle qui génère des explications naturelles personnalisées et fiables en combinant un modèle de préférences, un générateur conditionné et des modules de vérification, surpassant ainsi les approches traditionnelles dans les domaines de la santé et de la finance.
Le papier présente NOBLE, une architecture d'augmentation permanente intégrant des branches non linéaires de faible rang dans les couches linéaires des transformateurs pour accélérer l'entraînement à partir de zéro avec un surcoût paramétrique minimal, offrant jusqu'à 1,22 fois une accélération nette du temps d'exécution tout en améliorant l'efficacité sur divers modèles comme les LLM, BERT et ViT.
Le papier présente COLD-Steer, un cadre d'entraînement gratuit qui contrôle le comportement des grands modèles de langage en approxifiant les changements d'activation résultant d'une descente de gradient sur des exemples en contexte, permettant ainsi un pilotage efficace avec jusqu'à 50 fois moins d'échantillons que les méthodes existantes.
Le papier présente BRTR, un cadre agentique multimodal qui améliore la compréhension et l'édition de feuilles de calcul d'entreprise complexes en remplaçant la récupération unique par une boucle itérative d'appels d'outils, atteignant ainsi des performances de pointe sur plusieurs benchmarks grâce à une approche auditable et optimisée.
Cet article présente un cadre ASR multilingue contextuel qui améliore la qualité de la transcription en alignant les représentations de la parole et du contexte via un apprentissage par contraste, permettant ainsi de gérer efficacement plus de 1 500 heures de conversations dans 11 langues et 5 dialectes anglais.
Ce papier présente la participation de l'équipe KCLarity à la tâche CLARITY de SemEval 2026, où ils comparent des approches d'encodage et de zéro-shot pour détecter l'évasion politique, révélant que si RoBERTa-large excelle sur l'ensemble de test public, le modèle GPT-5.2 en zéro-shot généralise mieux sur l'ensemble d'évaluation caché.
Ce papier présente EHRSQL, un nouveau benchmark pratique texte-vers-SQL pour les dossiers médicaux électroniques, construit à partir de données réelles collectées auprès de personnel hospitalier et adapté aux défis spécifiques du secteur de la santé tels que la complexité des requêtes, la gestion du temps et la détection des questions sans réponse.
Ce papier démontre que l'ajout d'une simple instruction demandant au modèle de fournir une réponse correcte et une réponse erronée (prompting contrastif) améliore considérablement les capacités de raisonnement des grands modèles de langage sur diverses tâches, surpassant souvent les méthodes d'inférence en zéro ou quelques coups existantes.
L'article présente INMS, un cadre de partage de mémoire asynchrone qui améliore les performances des agents basés sur les grands modèles de langage en établissant un pool de mémoire conversationnelle partagée pour faciliter l'échange dynamique de connaissances et l'auto-amélioration collective.
Ce papier présente EasyAnimate, un cadre de génération vidéo haute performance qui combine l'attention hybride par fenêtres, la rétropropagation de récompense et des stratégies d'entraînement innovantes pour atteindre des résultats de pointe en qualité et en efficacité.
Cet article présente une nouvelle approche théorique et algorithmique pour la récupération de vecteurs équilibrant similarité et diversité, prouvant la complexité NP-complète du problème et proposant un heuristique sans paramètre qui surpasse les méthodes existantes comme MMR et k-DPP.
Cette étude démontre que l'utilisation de la génération augmentée par la récupération (RAG) dans NotebookLM améliore significativement la précision du stadification du cancer du pancréas par rapport au modèle Gemini 2.0 Flash seul, tout en offrant une transparence clinique grâce à la présentation des sources de connaissances externes.