L'auteur a analysé les 232 pages de la carte système de Claude Opus 4.7 d'Anthropic, soulignant que le modèle a auto-évalué ses propres circonstances avec le score le plus élevé jamais enregistré (4.49/7). Ce bond générationnel significatif dans l'auto-évaluation du bien-être est jugé plus important que les métriques SWE-bench largement diffusées.
L'auteur explique comment il a utilisé Gemini 3.5 Flash, avec sa vaste fenêtre contextuelle et sa vitesse élevée, pour refactoriser une base de code entière et relever les défis d'un monolithe hérité. La nouvelle API d'Interactions a été essentielle pour gérer les flux de travail avec état sans nécessiter de boucles de conversation manuelles.
Le titre suggère que le réglage fin de modèles d'IA locaux utilisant la marque
Les chatbots IA standards échouent à convertir des tableaux financiers complexes à partir d'images ou de scans, entraînant des erreurs comme des colonnes décalées et des chiffres hallucinés. Cela se produit car les LLM multimodaux généraux ne parviennent pas à préserver les mises en page de grille complexes, nécessitant des pipelines spécialisés pour une extraction de données précise et l'intégrité.
GenericAgent est un framework Python pour la création d'agents d'IA autonomes et auto-évolutifs, permettant aux LLM de contrôler les systèmes informatiques locaux avec un ensemble minimal d'outils. Il apprend et cristallise automatiquement les exécutions de tâches réussies en "Compétences" réutilisables.
Un système d'IA nommé ECHO a été développé pour transformer le chaos de Slack en un graphe de connaissances vivant, luttant contre l'oubli au sein des équipes. Il utilise des LLM pour l'extraction d'entités, construit des relations dans un graphe et applique une décroissance temporelle pour maintenir la pertinence de l'expertise de l'équipe.
TALM (Tool Augmented Language Models) se concentre sur l'intégration d'outils externes avec des modèles de langage volumineux pour augmenter leurs capacités. Cette approche permet aux LLM d'effectuer des tâches complexes plus efficacement en tirant parti de fonctions spécialisées et d'interactions réelles.
Cet article détaille la création du SIP (State Integrity Protocol), un outil conçu pour détecter la dérive d'intention et sémantique dans les sorties des agents LLM. Il aborde le problème de l'échec silencieux des agents IA en vérifiant automatiquement les écarts entre les résultats attendus et réels.
Cette étude évalue les performances des stratégies de prompting (chain-of-thought et zéro-shot) dans les LLM à raisonnement étendu comme Grok-4.1, en faisant varier la température d'échantillonnage sur 39 problèmes mathématiques complexes. Il a été constaté que le prompting zéro-shot atteint des performances optimales à des températures modérées, tandis que le chain-of-thought est plus efficace aux températures extrêmes, augmentant le bénéfice du raisonnement étendu.
Cet article traite du problème critique des agents d'IA qui oublient des informations en raison des limitations de la fenêtre de contexte, où les messages plus anciens sont évincés. Il souligne qu'il s'agit d'un problème d'architecture de mémoire, et non d'hallucination, et propose d'aller au-delà de la considération de la fenêtre de contexte comme la seule mémoire de l'agent.
Une nouvelle recherche indique que les « neurones d'hallucination » (H-neurons) prédisant les hallucinations des LLM ne se généralisent pas entre différents domaines de connaissance. Cela suggère que l'hallucination pourrait ne pas être un mécanisme unique avec une signature neurale universelle, mais plutôt dépendante du contexte.
Cette recherche étudie l'amélioration de la réponse aux questions médicales axées sur le cœur dans les grands modèles linguistiques (LLM) à l'aide de l'optimisation de la politique relative de groupe (GRPO) pour le post-apprentissage. Un cadre de récompense sensible à la variance est proposé pour améliorer la supervision basée sur des rubriques avec des fonctions de récompense analytiques continues.
Le créateur a bâti autario, une plateforme de données rendant plus de 2 500 ensembles de données publiques vérifiées de diverses sources interrogeables pour les humains, les applications et surtout les agents d'IA. Cette plateforme vise à prévenir les hallucinations des LLM en permettant l'interrogation de données en temps réel et la publication de graphiques avec des informations vérifiées.
Cet article présente MedicalBench, un nouveau benchmark pour évaluer les grands modèles de langage dans l'extraction de concepts médicaux à partir des dossiers de santé électroniques. Il se concentre sur le raisonnement médical implicite et l'ancrage des preuves, s'attaquant au défi d'identifier les concepts non explicitement énoncés.
Cet article de recherche révèle que les grands modèles de langage échouent fondamentalement dans la découverte causale en raison de leur incapacité à distinguer entre les graphes causaux générant des données observationnelles similaires. Il introduit un "théorème d'obstruction du noyau" pour formaliser cette limitation intrinsèque des paradigmes d'apprentissage actuels.
Cette recherche présente une approche d'IA générative améliorée par le raisonnement mathématique pour la dérivation de formules de communication optique, en se concentrant sur la modélisation des interférences non linéaires de la fibre. L'étude a réussi à reconstruire des expressions connues et à dériver une nouvelle approximation à l'aide d'un LLM, prouvant la cohérence physique et la précision pratique.
L'article propose d'aborder l'annotation juridique multi-étiquettes comme une tâche de récupération, en utilisant des modèles figés et des k-plus proches voisins pour attribuer les étiquettes. Cette méthode atteint une précision compétitive et une forte efficacité des données sur des ensembles de données juridiques, réduisant considérablement les coûts de calcul par rapport au réglage fin des grands modèles linguistiques.
Cet article propose la première étude unifiée sur l'Exposition des Données de Pré-entraînement (PDE) dans les Grands Modèles Linguistiques (LLMs), couvrant la contamination des données et l'inférence d'appartenance. Il formalise le PDE, examine les méthodes d'attaque et de défense, et souligne les défis futurs pour assurer l'intégrité de l'évaluation et protéger la confidentialité.
Nous introduisons VAMPS, un nouveau benchmark pour les grands modèles de langage multimodaux (MLLM) axé sur la résolution de problèmes mathématiques assistée visuellement. Il contient 1 168 paires de questions-réponses bilingues à choix multiples, issues d'examens d'entrée universitaires iraniens, où le traçage fournit une stratégie de solution naturelle.
Cet article traite du défi critique des limites de la fenêtre de contexte des LLM, qui fait que les chatbots oublient des informations et que les agents perdent leurs objectifs, même avec des modèles offrant des fenêtres plus grandes. Il souligne que la simple expansion des fenêtres de contexte est insuffisante en raison de coûts prohibitifs et d'une latence accrue, promettant de partager des stratégies de production et leurs compromis.