Un nouvel article réfute le "Théorème Ingenia", qui prétendait prouver l'impossibilité de l'AGI via l'apprentissage automatique en utilisant la théorie de la complexité. La réfutation soutient que la preuve originale est erronée en raison d'une définition indéfinie de "classificateur de niveau humain" et d'un échange de définitions formelles.
Cet article propose une explication théorique de l'efficacité des modèles de diffusion pour l'apprentissage de la fonction de score sur des données de haute dimension reposant sur des variétés de basse dimension. Il identifie un mécanisme de « collapse et raffinement » basé sur la géométrie de la fonction de score, où le mappage de débruitage se projette sur la variété de données et affine la densité intrinsèque.
Cette recherche introduit le Processus de Décision de Markov Augmenté par Outils (TA-MDP) pour modéliser formellement la prise de décision agentique multimodale, comblant les lacunes théoriques dans le réglage fin par renforcement pour les Grands Modèles Vision-Langage (LVLM). Elle examine comment les récompenses vérifiables composites affectent la convergence de GRPO et pourquoi l'entraînement sur de petits ensembles de données se généralise à des domaines hors distribution pour les LVLM agentiques.