L'article traite de la construction d'un scénario financier multi-modèle utilisant de petits modèles, avec la collaboration de cinq laboratoires. Ce travail explore l'application de plusieurs IA pour créer un « drame » financier.
Cet article introduit la "taxe de contrainte", un protocole de mesure pour quantifier la perte de précision de la réponse causée par les contraintes de sortie structurées sur les Petits Modèles de Langage (SLMs). Il démontre que pour les SLMs, imposer de telles contraintes améliore la validité du schéma mais peut compromettre la justesse de la réponse sous-jacente.
Ce contenu propose un aperçu sélectionné des meilleurs petits modèles de langage actuellement disponibles sur Hugging Face. Il explique leurs points forts, les chiffres de référence qui les soutiennent et le code pour commencer à les utiliser.
Cette recherche présente un cadre déployable localement permettant aux petits modèles de langage d'extraire des entités cliniques sensibles à la confidentialité à partir de notes dentaires non structurées via des invites auto-générées et affinées. L'étude a évalué des modèles à poids ouverts, obtenant des scores F1 élevés avec Qwen2.5-14B-Instruct et Llama-3.1-8B-Instruct après un réglage fin supervisé et une optimisation directe des préférences.
Cette recherche présente Terminus-4B, un petit modèle linguistique affiné, pour étudier sa capacité à remplacer les LLM de pointe dans les tâches d'exécution terminale agentique. Le modèle est post-entraîné en utilisant SFT et RL avec des récompenses basées sur une grille d'évaluation LLM-en-tant-que-juge.
Ce contenu explore le concept de création d'agents d'IA à l'aide de petits modèles de langage locaux. Il remet en question l'idée reçue selon laquelle seules les grandes entreprises technologiques peuvent développer des solutions d'IA aussi avancées.
