1723 articles
Cet article présente un cadre de génération augmentée par la logique (LAG) qui combine des graphes de connaissances sémantiques et des heuristiques d'incitation pour améliorer le raisonnement analogique multimodal, surpassant les méthodes actuelles dans la détection et la compréhension des métaphores visuelles tout en offrant un processus de raisonnement plus explicable.
Cet article présente un outil semi-automatique utilisant des LLM et des graphes de connaissances pour évaluer la véracité scientifique des articles sur le changement climatique, tout en soulignant les limites actuelles liées à l'échelle de traitement et à l'insuffisance des bases de connaissances de référence.
Ce papier propose MiCo, un cadre hiérarchique d'agents linguistiques piloté par un grand modèle de langage (LLM) qui résout efficacement le problème complexe d'ordonnancement dynamique des machines virtuelles dans le cloud en atteignant un taux de compétitivité de 96,9 % sur des scénarios à grande échelle.
Ce papier présente CausalPitfalls, un benchmark complet conçu pour évaluer rigoureusement les capacités des grands modèles de langage à surmonter les pièges statistiques de l'inférence causale, révélant ainsi leurs limitations actuelles dans ce domaine critique.
Ce papier présente ShIOEnv, un environnement d'exécution Bash compatible Gymnasium qui comble le manque de données d'entrées-sorties de shell en générant 2,1 millions de paires via une synthèse contrainte par grammaire et un signal d'irréductibilité auto-supervisé, permettant ainsi d'améliorer la précision de la modélisation du comportement d'exécution des commandes par rapport aux approches sans exécution.
Le papier présente SealQA, un nouveau benchmark évaluant les modèles de langage augmentés par la recherche sur des questions factuelles complexes où les résultats du web sont bruyants ou contradictoires, révélant ainsi les limites critiques des modèles d'IA les plus avancés actuels en matière de raisonnement et de gestion du contexte long.
Ce papier présente LUCIFER, un middleware d'inférence qui établit un contrat de signal pour découpler la compréhension du langage naturel des systèmes de décision autonomes, permettant ainsi une mise à jour en ligne robuste et une amélioration simultanée de la sécurité et de l'efficacité de la collecte d'informations dans des tâches comme le sauvetage.
L'article présente EDINET-Bench, un nouveau benchmark open-source en japonais évaluant les capacités des grands modèles de langage sur des tâches financières complexes issues de rapports annuels, révélant leurs limites actuelles et soulignant la nécessité de cadres d'évaluation plus riches intégrant des simulations réalistes et un soutien au raisonnement.
Cette étude démontre que le fine-tuning par renforcement (RFT) préserve mieux les connaissances antérieures des modèles multimodaux que le fine-tuning supervisé (SFT) en raison d'une dynamique d'apprentissage moins perturbatrice, suggérant que la distribution des données d'entraînement est un facteur déterminant dans la prévention de l'oubli catastrophique.
Ce papier présente La Leaderboard, la première plateforme open-source communautaire évaluant les grands modèles de langage sur 66 jeux de données couvrant les variétés du castillan ainsi que le basque, le catalan et le galicien, tout en promouvant une méthodologie d'évaluation plus économe en ressources.
Le papier présente MuRating, un cadre évolutif qui transfère les signaux de qualité des données anglaises vers un évaluateur multilingue unique pour sélectionner des sous-ensembles de données équilibrés, améliorant ainsi significativement les performances des modèles de langage multilingues sur des tâches exigeantes en connaissances.
Le papier présente Eka-Eval, un cadre d'évaluation open-source et modulaire conçu pour évaluer de manière complète et accessible les grands modèles de langage multilingues, y compris ceux dédiés aux langues à ressources limitées, en intégrant plus de 55 benchmarks et en surpassant les solutions existantes en termes d'ergonomie et de reproductibilité.
Cet article présente TreeBench, un benchmark diagnostique évaluant le raisonnement visuel ancré par des preuves traçables, et propose TreeVGR, une méthode d'apprentissage par renforcement qui améliore significativement les performances des modèles en localisation et en raisonnement explicite.
Le papier présente Vevo2, un cadre unifié et contrôlable pour la génération de voix parlée et chantée qui surmonte le manque de données annotées grâce à deux tokenizeurs audio innovants et des stratégies d'apprentissage combinées, permettant ainsi une maîtrise flexible de la prosodie, du style et du timbre pour diverses tâches de synthèse et d'édition.
Cette étude démontre que la quantisation des grands modèles de langage a un impact nuancé sur les biais, réduisant la toxicité mais augmentant légèrement les stéréotypes et l'injustice dans les tâches génératives, ce qui souligne la nécessité d'équilibrer l'efficacité et les considérations éthiques.
Cet article propose une nouvelle approche d'alignement acoustique-linguistique pour la reconnaissance automatique de la parole, modélisant la correspondance comme un problème de détection via un transport optimal déséquilibré afin de gérer les asymétries structurelles et le bruit, améliorant ainsi le transfert de connaissances et les performances du système.
Ce papier présente TSPC, une architecture novatrice à deux étapes centrée sur les phonèmes qui améliore significativement la reconnaissance de la parole en code-switching vietnamien-anglais en atteignant un taux d'erreur de mots de 19,06 % avec des ressources de calcul réduites.
Cette étude démontre que l'analyse longitudinale des publications sur les réseaux sociaux permet de retracer les changements linguistiques associés au trouble bipolaire, révélant des perturbations à l'annonce du diagnostic et des fluctuations saisonnières annuelles des symptômes dans les années suivantes.
L'article présente Llama-Mimi, un modèle de langage vocal qui aplatit les tokens RVQ multi-niveaux du codec Mimi en une seule séquence pour les modéliser de manière autoregressive via un simple Transformer, surpassant ainsi les architectures hiérarchiques existantes sur la plupart des tâches et obtenant les meilleurs résultats en matière de cohérence acoustique.
Cette étude révèle que les modèles de langage servant de base aux systèmes de parole peinent à gérer les disfluences de la conversation spontanée, privilégiant souvent l'abstraction sémantique au détriment de la fidélité structurelle, ce qui compromet leur robustesse malgré les performances prometteuses du fine-tuning.