2026 articles
Cet article présente UniSkill, un nouveau jeu de données annoté et synthétique reliant les cours universitaires aux compétences professionnelles de la taxonomie ESCO, démontrant la faisabilité de l'appariement entre programmes éducatifs et compétences via des modèles de langage atteignant un score F1 de 87 %.
Le système APRES, alimenté par des modèles de langage, réviser automatiquement les articles scientifiques pour améliorer leur qualité et leur impact citationnel sans altérer leur contenu fondamental, tout en complétant le rôle des experts humains.
Cet article présente une méthode de génération augmentée par récupération (RAG) consciente des types et assurant la clôture des dépendances, qui transforme des exigences en langage naturel en modèles d'optimisation industrielle exécutables en construisant une base de connaissances typée et en calculant le contexte minimal nécessaire pour éviter les erreurs de compilation.
Cette présentation propose MoD-DPO, un cadre d'optimisation des préférences découplé par modalité qui atténue les hallucinations intermodales dans les modèles de langage omni-modaux en renforçant l'ancrage des modalités et en réduisant la dépendance aux priors textuels.
Ce papier présente BeyondSWE, un nouveau benchmark évaluant les agents de code au-delà des correctifs de dépôts uniques, et SearchSWE, un cadre d'augmentation par recherche, révélant que les modèles actuels peinent à maîtriser des tâches complexes multi-dépôts et que l'intégration de la recherche n'améliore pas systématiquement leurs performances.
Ce rapport présente ACE-Brain-0, un cerveau fondationnel généraliste qui unifie le raisonnement spatial, la conduite autonome et la manipulation robotique au sein d'un seul modèle multimodal en exploitant l'intelligence spatiale comme échafaudage universel et en appliquant une nouvelle paradigme « Échafaudage-Spécialisation-Réconciliation » pour surmonter les défis de l'apprentissage multi-embodiments.
Le papier présente MOSAIC, un cadre de post-entraînement qui aligne les modèles d'agents sur une utilisation sécurisée des outils multi-étapes en intégrant un raisonnement explicite sur la sécurité et un refus comme actions primaires, réduisant ainsi les comportements nuisibles et les fuites de confidentialité tout en préservant les performances sur les tâches bénignes.
Cette étude examine la robustesse du pilotage contrastif des grands modèles de langage face à la corruption des données, révélant que bien que la méthode résiste à un bruit modéré, des altérations malveillantes peuvent avoir des effets indésirables, lesquels peuvent être atténués en remplaçant le calcul de moyenne standard par un estimateur de moyenne robuste.
Ce papier présente la DGRO, une méthode d'alignement des modèles de langage sur les normes communautaires en exploitant les signaux d'acceptation implicites et la structure géométrique des réponses, éliminant ainsi le besoin de supervision explicite par préférences.
Cette étude démontre que la génération automatique de rubriques à partir de progressions d'apprentissage permet de produire un retour d'information par intelligence artificielle de qualité équivalente à celle obtenue avec des rubriques conçues par des experts pour le soutien à l'apprentissage des sciences.
Cet article examine les défis de véracité posés par les hallucinations et les usages malveillants des grands modèles de langage, en proposant des solutions technologiques, réglementaires et éducatives pour garantir la fiabilité de l'information à l'ère de l'IA générative.
Ce papier évalue le potentiel de ChatGPT, en particulier via son plugin d'analyse de données, comme copilote quantitatif capable d'assister les praticiens en science des données dans l'exploration, la visualisation et la modélisation, tout en soulignant la nécessité de considérer ses limites pour une utilisation empirique rigoureuse.
Ce document de synthèse examine l'état actuel de la recherche sur l'utilisation d'agents pilotés par des modèles de langage de grande taille (LLM) dans le trading financier, en résumant leurs architectures, leurs données d'entrée, leurs performances en backtesting et les défis associés, tout en proposant des orientations pour les travaux futurs.
Ce papier présente SynthKG, une méthode de génération de données synthétiques et de distillation qui permet à un modèle de langage plus petit de surpasser des modèles beaucoup plus grands dans la construction de graphes de connaissances à l'échelle document, tout en améliorant les performances des systèmes de récupération et de réponse aux questions.
Cet article présente des fonctions d'activation basées sur des bases orthogonales (polynomiales, trigonométriques et tropicales) qui, grâce à une initialisation préservant la variance, permettent d'entraîner efficacement des modèles profonds comme GPT-2 et ConvNeXt tout en évitant les problèmes d'explosion ou de disparition des gradients et en facilitant le fine-tuning via l'interpolation d'Hermite.
Le papier présente AStar, une méthode d'inférence sans entraînement qui améliore le raisonnement multimodal en intégrant dynamiquement des « cartes de pensée » préétablies, surpassant ainsi GPT-4o sur des benchmarks complexes comme MathVerse et MathVision sans coût de calcul supplémentaire.
Cet article propose une méthode d'inférence sans entraînement, basée sur l'injection de bruit dans les paramètres ou les activations du modèle pour mieux capturer l'incertitude bayésienne, afin d'améliorer significativement la détection des hallucinations des grands modèles de langage par rapport aux techniques d'échantillonnage standard.
Ce papier présente LLM-ProS, une nouvelle méthode d'évaluation qui mesure les performances de cinq modèles de langage de pointe sur 166 problèmes de programmation compétitive du ICPC, révélant des écarts significatifs dans leurs capacités de raisonnement et d'adaptation tout en analysant l'impact de l'entraînement et du raisonnement par chaîne de pensée.
Cet article présente un cadre d'adaptation robuste pour les grands modèles multimodaux qui améliore la détection des mèmes haineux en augmentant la précision intra-domaine, la généralisation inter-domaines et la résilience aux attaques adverses, tout en surpassant les systèmes existants et en fournissant des justifications plus interprétables.
Ce papier présente MemeIntel, une approche qui améliore la détection des memes propagandistes et haineux en introduisant le jeu de données MemeXplain et une optimisation multi-étape pour les modèles vision-langage, permettant ainsi de générer simultanément des prédictions précises et des explications rationnelles.