154 articles
Le papier présente FinRetrieval, un benchmark de 500 questions financières évaluant la capacité des agents IA à extraire des données structurées, révélant que la disponibilité des outils d'accès aux bases de données est le facteur déterminant de la performance, bien plus que les capacités de raisonnement ou les fournisseurs de modèles.
Cette étude valide un cadre basé sur les modèles de langage pour décoder les avis non structurés de passagers, révélant notamment un décalage critique entre les améliorations opérationnelles et la satisfaction client chez EgyptAir, ce qui démontre la supériorité de cette approche par rapport aux métriques traditionnelles.
Cette étude démontre que les benchmarks de recherche d'information peuvent rester fiables malgré le décalage temporel des corpus techniques, comme le montre l'analyse de la stabilité des résultats sur FreshStack entre 2024 et 2025.
Ce papier présente iAgentBench, un nouveau benchmark dynamique pour évaluer la capacité des agents à synthétiser des informations provenant de multiples sources sur des sujets d'actualité, comblant ainsi le fossé des évaluations actuelles qui se limitent souvent à la simple récupération de passages.
Cet article présente CONE, un modèle hybride pré-entraîné qui encode les nombres, les intervalles et les gaussiennes avec leurs unités et attributs dans un espace vectoriel préservant la distance, démontrant ainsi des capacités de raisonnement numérique supérieures aux modèles de l'état de l'art sur des tâches complexes.
Ce papier présente DARE, un modèle de récupération léger qui intègre les caractéristiques de distribution des données pour aligner les agents LLM avec l'écosystème statistique R, améliorant ainsi significativement la précision de la récupération de packages et la génération de code par rapport aux méthodes existantes.
Cette étude présente la première analyse systématique des lois d'échelle pour les modèles de reranking en recherche d'information, démontrant que les performances de métriques comme le NDCG suivent une loi de puissance prévisible permettant de prévoir l'efficacité de grands modèles à partir d'expériences à plus petite échelle, afin d'optimiser les ressources computationnelles dans les systèmes de récupération multi-étapes.
Cet article propose une nouvelle méthode de fusion modale pour les modèles de recherche e-commerce en deux tours, démontrant que l'alignement en deux étapes et le fine-tuning spécifique au domaine améliorent significativement la récupération multimodale en combinant efficacement les informations textuelles et visuelles.
Cet article propose une nouvelle taxonomie des styles publicitaires pour les systèmes RAG, simule leur évitement par les annonceurs et démontre que les modèles d'extraction d'entités sont robustes à ces variations, contrairement aux modèles légers comme les forêts aléatoires et les SVM qui s'avèrent fragiles.
Cet article propose TIPS, une méthode d'estimation par pondération inverse de la propension tenant compte du temps, qui corrige les biais de sélection et d'exposition dans les recommandations séquentielles en modélisant efficacement les dépendances temporelles et dynamiques des comportements utilisateurs.
Cet article propose une approche GraphRAG basée sur la décomposition k-core, qui remplace le clustering Leiden par une hiérarchie déterministe et linéaire pour améliorer la cohérence globale, la diversité des réponses et l'efficacité des coûts dans les tâches de compréhension de documents à grande échelle.
Cette recherche propose un système innovant de traitement de requêtes sémantiques qui combine des modèles de langage de grande taille (LLM) et le graphe de connaissances scientifiques de l'ANU (ASKG), enrichi par un modèle de document profond (DDM) et une fusion automatique LLM-SPARQL, afin d'améliorer la précision et l'efficacité de l'extraction d'informations sur les travaux de recherche en informatique.
Cette étude présente une évaluation systématique et normalisée comparant les approches RAG et GraphRAG sur des tâches textuelles, révélant leurs forces distinctes et proposant des stratégies d'intégration pour améliorer les performances des systèmes de génération augmentée par récupération.
Le papier présente OSCAR, une méthode innovante de compression douce en ligne et de reranking qui réduit considérablement la charge computationnelle des pipelines RAG tout en préservant leur précision, offrant ainsi une accélération de 2 à 5 fois sans perte de performance pour les modèles de langage de 1 à 24 milliards de paramètres.
Ce papier présente PinRec, un modèle de récupération générative à échelle industrielle développé par Pinterest qui utilise une génération conditionnée par les résultats et multi-jetons pour équilibrer efficacement les performances, la diversité et l'efficacité tout en s'alignant sur les objectifs commerciaux.
Ce papier propose la méthode CoEA, qui intègre un module d'exploration d'intérêts à double stabilité et un mécanisme d'optimisation collaborative périodique pour surmonter les biais de modélisation et les limitations statiques des systèmes de recommandation assistés par LLM, afin d'améliorer la sérendipité tout en équilibrant pertinence et nouveauté.
Cet article présente le PDR-Bench, le premier benchmark évaluant la personnalisation des agents de recherche approfondie grâce à 250 requêtes réalistes et le cadre d'évaluation PQR, comblant ainsi le manque d'évaluations pour les scénarios personnalisés.
Le cadre REVISION propose une approche hybride combinant un minage de raisonnements hors ligne et une prise de décision en ligne pour identifier les intentions implicites des utilisateurs dans la recherche visuelle sur Taobao, réduisant ainsi significativement le taux de non-clics grâce à des stratégies d'optimisation adaptatives.
Ce papier présente DevRev-Search, un benchmark de recherche technique construit automatiquement, et propose une stratégie d'adaptation préservant l'index qui affine uniquement l'encodeur de requête pour améliorer la pertinence dans les systèmes multi-locataires sans nécessiter de réindexation coûteuse.
Ce papier présente GR4AD, un système de recommandation générative de production conçu spécifiquement pour la publicité à grande échelle sur Kuaishou, qui intègre des innovations architecturales, d'apprentissage et de service pour améliorer les revenus publicitaires tout en garantissant un déploiement temps réel efficace.