Articles de recherche IA sélectionnés quotidiennement avec traductions
Ce rapport décrit ARIS (Auto-Research-in-sleep), un environnement de recherche open-source pour la recherche autonome, incluant son architecture, ses mécanismes d'assurance et ses premières expériences de déploiement. Les performances des systèmes d'agents construits sur des LLM dépendent à la fois des pondérations du modèle et de l'environnement qui les entoure, lequel régit les informations à stocker, récupérer et présenter au modèle. Pour les flux de travail de recherche à long terme, le principal mode d'échec n'est pas une rupture visible, mais un succès plausible non étayé : un agent de longue durée peut produire des affirmations dont le support probant est incomplet, incorrectement rapporté ou hérité silencieusement du cadrage de l'exécuteur. Par conséquent, nous présentons ARIS comme un environnement de recherche qui coordonne les flux de travail de recherche en apprentissage automatique via une collaboration antagoniste inter-modèles comme configuration par défaut : un modèle exécuteur pilote la progression, tandis qu'un relecteur issu d'une famille de modèles différente est recommandé pour critiquer les artefacts intermédiaires et demander des révisions. ARIS comporte trois couches architecturales. La couche d'exécution fournit plus de 65 compétences réutilisables définies en Markdown, des intégrations de modèles via MCP, un wiki de recherche persistant pour la réutilisation itérative des résultats antérieurs et une génération de figures déterministe. La couche d'orchestration coordonne cinq flux de travail de bout en bout avec des paramètres d'effort ajustables et un routage configurable vers les modèles relecteurs. La couche d'assurance inclut un processus en trois étapes pour vérifier si les affirmations expérimentales sont étayées par des preuves : la vérification d'intégrité, la cartographie des résultats aux affirmations, et l'audit des affirmations qui recoupe les déclarations du manuscrit avec le registre des affirmations et les preuves brutes, ainsi qu'un pipeline de relecture scientifique en cinq passes, des vérifications de preuves mathématiques et une inspection visuelle du PDF généré. Une boucle d'auto-amélioration prototype enregistre les traces de recherche et propose des améliorations de l'environnement qui ne sont adoptées qu'après approbation par le relecteur.
Les capacités de recherche approfondie sont devenues une compétence indispensable pour les agents de modèles de langage de grande taille (LLM) de pointe, mais leur développement reste dominé par les géants industriels. L'approche industrielle typique implique un pipeline extrêmement gourmand en ressources couvrant le pré-entraînement, le pré-entraînement continu (CPT), le réglage fin supervisé (SFT) et l'apprentissage par renforcement (RL). Dans ce rapport, nous démontrons qu'alimentée par des trajectoires informatives et à haute difficulté, une simple approche SFT peut s'avérer étonnamment puissante pour entraîner des agents de recherche de pointe. En introduisant trois modifications simples de synthèse des données : l'augmentation de la taille du graphe de connaissances pour une exploration plus riche, l'élargissement de la taille de l'ensemble d'outils pour une fonctionnalité étendue, et un filtrage strict par faible nombre d'étapes, nous établissons une base de référence plus solide. Entraîné sur seulement 10,6k points de données, notre OpenSeeker-v2 atteint des performances de pointe sur 4 benchmarks (agents de taille 30B avec le paradigme ReAct) : 46,0% sur BrowseComp, 58,1% sur BrowseComp-ZH, 34,6% sur Humanity's Last Exam et 78,0% sur xbench, surpassant même Tongyi DeepResearch entraîné avec le lourd pipeline CPT+SFT+RL, qui obtient respectivement 43,4%, 46,7%, 32,9% et 75,0%. Il est à noter qu'OpenSeeker-v2 représente le premier agent de recherche de pointe, dans son échelle de modèle et son paradigme, à être développé par une équipe purement académique utilisant uniquement le SFT. Nous sommes ravis d'ouvrir en open-source les poids du modèle OpenSeeker-v2 et de partager nos découvertes simples mais efficaces pour rendre la recherche sur les agents de recherche de pointe plus accessible à la communauté.
La méthode standard d’entraînement post-formation pour les grands modèles multimodaux (LMM) consiste à appliquer un fine-tuning supervisé (SFT) sur des démonstrations sélectionnées, suivi d’un apprentissage par renforcement avec récompenses vérifiables (RLVR). Cependant, le SFT introduit un décalage distributionnel qui ne préserve ni les capacités originales du modèle, ni ne correspond fidèlement à la distribution de supervision. Ce problème est amplifié dans le raisonnement multimodal, où les erreurs de perception et les échecs de raisonnement suivent des schémas de décalage distincts qui s’accumulent lors du RL ultérieur. Nous présentons PRISM, un pipeline en trois étapes qui atténue ce décalage en insérant une étape explicite d’alignement distributionnel entre le SFT et le RLVR. S’appuyant sur le principe de la distillation sur politique (OPD), PRISM transforme l’alignement en un jeu antagoniste en boîte noire au niveau des réponses, entre la politique et un discriminateur de type Mixture-of-Experts (MoE) doté d’experts dédiés à la perception et au raisonnement, fournissant ainsi des signaux correctifs désentrelacés qui guident la politique vers la distribution de supervision sans nécessiter l’accès aux logits de l’enseignant. Bien que 1,26 million de démonstrations publiques suffisent pour une initialisation SFT large, l’alignement distributionnel nécessite une supervision de plus haute fidélité ; nous avons donc constitué 113 000 démonstrations supplémentaires à partir de Gemini 3 Flash, comportant un ancrage visuel dense et un raisonnement étape par étape sur les problèmes non résolus les plus difficiles. Les expériences sur Qwen3-VL montrent que PRISM améliore constamment les performances en RLVR en aval, avec plusieurs algorithmes de RL (GRPO, DAPO, GSPO) et sur divers benchmarks multimodaux, augmentant la précision moyenne de +4,4 et +6,0 points par rapport à la base SFT-vers-RLVR pour les modèles 4B et 8B, respectivement. Notre code, données et points de contrôle des modèles sont disponibles publiquement à l’adresse https://github.com/XIAO4579/PRISM.
Les modèles de langage multimodaux (MLLM) ont démontré une forte capacité de compréhension et de raisonnement visuel au niveau de l'image, mais leur perception au niveau pixel pour les images et les vidéos reste limitée. Les modèles de segmentation fondamentaux comme la série SAM produisent des masques de haute qualité, mais ils reposent sur des invites visuelles de bas niveau et ne peuvent pas interpréter nativement des instructions conversationnelles complexes. Les MLLM de segmentation existants réduisent cet écart, mais sont généralement spécialisés pour les images ou les vidéos et prennent rarement en charge à la fois les invites textuelles et visuelles dans une seule interface. Nous présentons X2SAM, un MLLM de segmentation unifié qui étend les capacités de segmentation universelle des images aux vidéos. Étant donné des instructions conversationnelles et des invites visuelles, X2SAM couple un LLM avec un module de Mémoire de Masques qui stocke des caractéristiques visuelles guidées pour une génération de masques vidéo temporellement cohérente. La même formulation prend en charge la segmentation générique, à vocabulaire ouvert, par référence, par raisonnement, par conversation ancrée, interactive et visuellement ancrée, sur des entrées images et vidéos. Nous introduisons également le benchmark de segmentation vidéo visuellement ancrée (V-VGD), qui évalue si un modèle peut segmenter des trajectoires d'objets dans des vidéos à partir d'invites visuelles interactives. Grâce à une stratégie d'apprentissage unifiée conjointe sur des ensembles de données d'images et de vidéos hétérogènes, X2SAM offre de solides performances en segmentation vidéo, reste compétitif sur les benchmarks de segmentation d'images et préserve une capacité générale de dialogue sur images et vidéos.
Les progrès récents dans les systèmes agentiques avec cadres d'orchestration coordonnant plusieurs agents dotés de mémoire, de compétences et d'outils ont obtenu des succès remarquables dans les tâches de raisonnement complexe. Cependant, le mécanisme sous-jacent qui pilote véritablement la performance reste obscurci par des conceptions système complexes. Dans cet article, nous proposons HeavySkill, une perspective considérant la réflexion approfondie non seulement comme une unité d'exécution minimale dans les systèmes d'orchestration, mais aussi comme une compétence internalisée dans les paramètres du modèle qui pousse l'orchestrateur à résoudre des tâches complexes. Nous identifions cette compétence comme un pipeline en deux étapes – raisonnement parallèle puis synthèse – pouvant opérer sous-jacent à tout système agentique. Nous présentons une étude empirique systématique de HeavySkill sur divers domaines. Nos résultats montrent que cette compétence interne surpasse constamment les stratégies traditionnelles de Meilleur-de-N (BoN) ; notablement, les modèles de langage plus puissants peuvent même approcher les performances Pass@N. Surtout, nous démontrons que la profondeur et l'ampleur de la réflexion approfondie, en tant que compétence apprenable, peuvent être davantage étendues via l'apprentissage par renforcement, ouvrant une voie prometteuse vers des LLM auto-évolutifs internalisant le raisonnement complexe sans dépendre de couches d'orchestration fragiles.
Le Variational Autoencoder (VAE) pour vidéos permet la modélisation générative de vidéos latentes en cartographiant le monde visuel dans des espaces latents spatio-temporels compacts, améliorant ainsi l'efficacité et la stabilité de l'entraînement. Bien que les VAE vidéo existants atteignent une qualité de reconstruction louable, l'optimisation continue de la reconstruction ne se traduit pas nécessairement par une amélioration des performances génératives. La question de savoir comment améliorer la diffusabilité des latentes vidéo reste un défi critique et non résolu. Dans ce travail, inspirés par les principes de la modélisation prédictive du monde, nous étudions le potentiel de l'apprentissage prédictif pour améliorer la modélisation générative vidéo. Pour cela, nous introduisons un objectif de reconstruction prédictif simple et efficace qui unifie l'apprentissage prédictif avec la reconstruction vidéo. Plus précisément, nous éliminons aléatoirement les images futures et encodons uniquement des observations partielles passées, tout en entraînant le décodeur à reconstruire les images observées et à prédire les images futures simultanément. Cette conception encourage l'espace latent à encoder des structures temporelles prédictives et à construire une compréhension plus cohérente de la dynamique vidéo, améliorant ainsi la qualité de la génération. Notre modèle, nommé VAE Vidéo Prédictif (PV-VAE), obtient des performances supérieures en génération vidéo, avec une convergence 52 % plus rapide et une amélioration du FVD de 34,42 par rapport au VAE Wan2.2 sur UCF101. De plus, des analyses approfondies démontrent que PV-VAE présente non seulement une évolutivité favorable, avec des performances génératives qui s'améliorent parallèlement à l'entraînement du VAE, mais produit également des gains constants en compréhension vidéo en aval, soulignant un espace latent qui capture efficacement la cohérence temporelle et les a priori de mouvement.
Les modèles de langage excellent dans les évaluations diagnostiques sur des études de cas médicaux et des vignettes sélectionnées, obtenant des performances équivalentes ou supérieures à celles des professionnels de santé. Cependant, les études existantes se concentrent sur des scénarios complexes avec un contexte riche, ce qui rend difficile de tirer des conclusions sur la performance de ces systèmes pour les patients décrivant des symptômes dans la vie quotidienne. Nous avons déployé SymptomAI, un ensemble d'agents conversationnels d'IA pour l'entretien patient de bout en bout et le diagnostic différentiel (DDx), via l'application Fitbit dans une étude randomisant des participants (N=13 917) pour interagir avec cinq agents d'IA. Ce corpus capture une communication diverse et une distribution réaliste des pathologies dans une population réelle. Un sous-ensemble de 1 228 participants a rapporté un diagnostic fourni par un clinicien, et 517 d'entre eux ont été évalués plus avant par un panel de cliniciens lors de plus de 250 heures d'annotation. Les DDx de SymptomAI étaient significativement plus précis (RC = 2,47, p < 0,001) que ceux de cliniciens indépendants confrontés aux mêmes dialogues dans une comparaison randomisée en aveugle. De plus, les stratégies agentives menant un entretien dédié sur les symptômes, qui recueille des informations symptomatiques supplémentaires avant d'établir un diagnostic, performent substantiellement mieux que les conversations de référence guidées par l'utilisateur (p < 0,001). Une analyse auxiliaire sur 1 509 conversations provenant d'un panel représentatif de la population générale américaine a validé que ces résultats se généralisent au-delà des utilisateurs de wearables. Nous avons utilisé les diagnostics de SymptomAI comme étiquettes pour les 13 917 participants afin d'analyser plus de 500 000 jours de métriques issues de wearables couvrant près de 400 conditions uniques. Nous avons identifié des associations fortes entre les infections aiguës et les modifications physiologiques (par exemple, RC > 7 pour la grippe). Bien que limités par une vérité terrain auto-déclarée, ces résultats démontrent les bénéfices d'un entretien symptomatique dédié et complet par rapport à une discussion sur les symptômes guidée par l'utilisateur, qui est le mode par défaut de la plupart des LLM grand public.
Le *Gaussian Splatting* démontre des résultats impressionnants dans la reconstruction multi-vues basée sur des représentations explicites gaussiennes. Cependant, les primitives gaussiennes actuelles ne possèdent qu'une seule couleur dépendante de la vue et une opacité pour représenter l'apparence et la géométrie de la scène, ce qui conduit à une représentation non compacte. Dans cet article, nous présentons une nouvelle méthode appelée SVGS (*Spatially Varying Gaussian Splatting*) qui utilise des couleurs et une opacité spatialement variables au sein d'une seule primitive gaussienne pour améliorer sa capacité de représentation. Nous avons implémenté l'interpolation bilinéaire, des noyaux mobiles et de petits réseaux de neurones comme fonctions à variation spatiale. SVGS utilise des *surfels* gaussiens 2D comme primitives, ce qui améliore significativement la synthèse de nouvelles vues tout en maintenant une reconstruction géométrique de haute qualité. Cette approche est particulièrement efficace dans les applications pratiques, car les scènes combinant des textures complexes avec une géométrie relativement simple sont fréquentes dans les environnements réels. Les résultats expérimentaux quantitatifs et qualitatifs démontrent que les trois fonctions surpassent la référence, les noyaux mobiles obtenant les meilleures performances en synthèse de nouvelles vues sur plusieurs jeux de données, soulignant le fort potentiel des fonctions à variation spatiale. Page du projet : https://ruixu.me/html/SuperGaussians/index.html
L'examen des brevets est un processus complexe et multi-étapes qui requiert à la fois une expertise technique et un raisonnement juridique, et qui est de plus en plus mis au défi par la croissance du volume des demandes. Les benchmarks antérieurs considèrent principalement l'examen des brevets comme une classification discriminative ou une extraction statique, ne parvenant pas à capturer sa nature intrinsèquement interactive et itérative, similaire au processus d'évaluation par les pairs et de réplique dans la publication académique. Dans cet article, nous présentons PatRe, le premier benchmark qui modélise le cycle de vie complet de l'examen des brevets, incluant la génération d'actions de l'Office et la réplique du demandeur. PatRe comprend 480 cas réels et prend en charge des configurations d'évaluation par oracle et par simulation de recherche. Notre benchmark reformule l'examen des brevets comme un processus dynamique et multi-tours de justification et de réponse. Des expériences approfondies sur divers LLM révèlent des insights critiques sur la performance des modèles, incluant les différences entre les modèles propriétaires et open source, ainsi que les asymétries de tâches entre l'analyse de l'examinateur et la réplique du côté du demandeur. Ces résultats mettent en lumière à la fois le potentiel et les limitations actuelles des LLM pour modéliser le raisonnement juridique complexe et réel ainsi que le jugement de nouveauté technique dans l'examen des brevets. Nous publions notre code et notre jeu de données pour faciliter les recherches futures sur la modélisation de l'examen des brevets.
Nous présentons StateSMix, un compresseur sans perte entièrement autonome qui couple un modèle à espace d'état (State Space Model, SSM) de type Mamba, entraîné en ligne, à un mélange de contextes n-grammes creux et un codage arithmétique. Le modèle est initialisé de zéro et entraîné token par token sur le fichier à compresser, ne nécessitant aucun poids pré-entraîné, aucun GPU et aucune dépendance externe. Le SSM (DM=32, NL=2, environ 120 000 paramètres actifs par fichier) fournit une estimation de probabilité continuellement mise à jour sur les tokens BPE, tandis que neuf tables de hachage n-grammes creuses (du bigramme au 32-gramme, 16 millions d'emplacements chacune) ajoutent une mémorisation exacte des motifs locaux et à longue portée via un mécanisme de biais de logit invariant au softmax qui ne met à jour que les tokens ayant un décompte non nul. Un mécanisme de mise à l'échelle adaptatif à l'entropie module la contribution des n-grammes en fonction de la confiance prédictive du SSM, empêchant une surcorrection lorsque le modèle neuronal est déjà bien calibré. Sur le benchmark standard enwik8, StateSMix atteint 2,123 bpb sur 1 Mo, 2,149 bpb sur 3 Mo et 2,162 bpb sur 10 Mo, surpassant xz -9e (LZMA2) de respectivement 8,7 %, 5,4 % et 0,7 %. Des expériences d'ablation établissent le SSM comme le moteur de compression dominant : à lui seul, il représente une réduction de taille de 46,6 % par rapport à une base de référence par comptage de fréquence et surpasse xz sans aucun composant n-gramme, tandis que les tables n-grammes fournissent un gain complémentaire de 4,1 % grâce à la mémorisation exacte du contexte. La parallélisation OpenMP de la boucle d'entraînement procure une accélération de 1,9x sur 4 cœurs. Le système est implémenté en C pur avec des instructions SIMD AVX2 et traite environ 2 000 tokens par seconde sur du matériel x86-64 standard.
À mesure que les agents de grands modèles de langage (LLM) évoluent d'utilisateurs d'outils isolés vers des équipes coordonnées, l'apprentissage par renforcement (RL) doit optimiser non seulement les actions individuelles, mais aussi la manière dont le travail est généré, délégué, communiqué, agrégé et arrêté. Cet article étudie le RL pour les systèmes multi-agents basés sur des LLM à travers les traces d'orchestration : des graphes d'interaction temporelle dont les événements incluent la génération de sous-agents, la délégation, la communication, l'utilisation d'outils, le retour, l'agrégation et les décisions d'arrêt. En utilisant cette perspective, nous identifions trois axes techniques. Premièrement, la conception de la récompense couvre huit familles, incluant des récompenses d'orchestration pour l'accélération par parallélisme, l'exactitude de la division et la qualité de l'agrégation. Deuxièmement, les signaux de récompense et de crédit s'attachent à huit unités porteuses de crédit ou de signal, allant du token à l'équipe ; le crédit contrefactuel explicite au niveau du message reste particulièrement rare dans notre corpus sélectionné. Troisièmement, l'apprentissage de l'orchestration se décompose en cinq sous-décisions : quand générer un agent, à qui déléguer, comment communiquer, comment agréger et quand arrêter. Dans notre corpus sélectionné au 4 mai 2026, nous n'avons trouvé aucune méthode d'entraînement RL explicite pour la décision d'arrêt. Nous mettons en relation les méthodes académiques avec les preuves industrielles publiques provenant de Kimi Agent Swarm, OpenAI Codex et Anthropic Claude Code. L'écart d'échelle qui en résulte est un fossé entre les périmètres de déploiement rapportés publiquement et les régimes d'évaluation académique ouverts, et non une vérification indépendante des traces d'entraînement industrielles. Nous publions l'artefact à l'adresse https://github.com/xxzcc/awesome-llm-mas-rl, incluant un corpus de 84 articles étiquetés, un journal d'exclusion de 32 enregistrements, des statistiques de corpus générées par script, et un schéma JSON minimal pour des traces d'orchestration rejouables.
Dans la plupart des scénarios réels d'image-à-image (I2I), les évaluations existantes se concentrent principalement sur le suivi des instructions et la qualité perceptuelle ou l'esthétique des images générées. Cependant, elles échouent largement à évaluer si l'image de sortie préserve la correspondance sémantique et la structure spatiale de l'image d'entrée. Pour remédier à cette limite, nous proposons StableI2I, un cadre d'évaluation unifié et dynamique qui mesure explicitement la fidélité du contenu et la cohérence avant-après sur un large éventail de tâches I2I sans nécessiter d'images de référence, incluant l'édition d'images et la restauration d'images. De plus, nous construisons StableI2I-Bench, un benchmark conçu pour évaluer systématiquement la précision des MLLM sur ces tâches d'évaluation de la fidélité et de la cohérence. Des résultats expérimentaux approfondis démontrent que StableI2I fournit des évaluations précises, granulaires et interprétables de la fidélité du contenu et de la cohérence, avec de fortes corrélations avec les jugements subjectifs humains. Notre cadre sert d'outil d'évaluation pratique et fiable pour diagnostiquer la cohérence du contenu et comparer les performances des modèles dans les systèmes I2I réels.
Bien que l'apprentissage multimodal ait fait progresser la complétion de nuages de points, les mécanismes théoriques sous-jacents demeurent obscurs. Des travaux récents attribuent le succès à la connexion entre les modalités, mais nous identifions que la projection standard brise cette connexion : la projection d'un nuage de points éparse sur le plan image produit un support extrêmement discontinu, ce qui entrave la propagation des prérequis visuels, un échec que nous nommons Effondrement d'Entropie Cross-Modale. Pour résoudre cette limitation pratique, nous proposons SplAttN, qui remplace la projection discrète par du Gaussian Splatting Différentiable pour produire une représentation dense et continue dans le plan image. En reformulant la projection comme un problème d'estimation de densité continue, SplAttN évite l'effondrement du support, facilite le flux de gradient et améliore l'apprentissage de la connexion multimodale. Des expériences approfondies montrent que SplAttN obtient des performances de pointe sur PCN et ShapeNet-55/34. Surtout, nous utilisons le benchmark réaliste KITTI comme test de stress pour la dépendance multimodale. Une évaluation contrefactuelle révèle que si les méthodes de référence dégénèrent en systèmes de récupération de modèles unimodaux insensibles à la suppression visuelle, SplAttN maintient une dépendance robuste aux indices visuels, validant que notre méthode établit une connexion multimodale efficace. Le code est disponible à l'adresse https://github.com/zay002/SplAttN.
L'apprentissage en espace de travail nécessite que les agents IA identifient, raisonnent, exploitent et mettent à jour les dépendances explicites et implicites entre des fichiers hétérogènes dans l'espace de travail d'un employé, leur permettant ainsi d'accomplir efficacement des tâches tant routinières qu'avancées. Malgré son importance, les benchmarks existants évaluent largement les agents sur des fichiers pré-spécifiés ou synthétisés avec des dépendances réalistes limitées, laissant l'évaluation au niveau de l'espace de travail sous-explorée. Pour pallier cela, nous présentons Workspace-Bench, un benchmark pour évaluer les agents IA sur l'Apprentissage en Espace de travail impliquant des Dépendances Fichier à Grande Échelle. Nous construisons des espaces de travail réalistes avec 5 profils d'employés, 74 types de fichiers, 20 476 fichiers (jusqu'à 20 Go) et sélectionnons 388 tâches, chacune avec son propre graphe de dépendances de fichiers, évaluées selon 7 399 critères au total qui nécessitent une recherche inter-fichiers, un raisonnement contextuel et une prise de décision adaptative. Nous fournissons également Workspace-Bench-Lite, un sous-ensemble de 100 tâches qui préserve la distribution du benchmark tout en réduisant les coûts d'évaluation d'environ 70 %. Nous évaluons 4 infrastructures d'agents populaires et 7 modèles de base. Les résultats expérimentaux montrent que les agents actuels sont encore loin d'une maîtrise fiable de l'apprentissage en espace de travail, le meilleur n'atteignant que 68,7 %, soit nettement en dessous du résultat humain de 80,7 %, et la performance moyenne des agents n'étant que de 47,4 %.
La reconnaissance vocale automatique (ASR) pour l'indic dans des domaines de niche — chaînes de chiffres, montants monétaires, adresses, noms de marques, mélange de codes anglais/indic — est mal desservie par les systèmes open-source à l'état de l'art (SOTA) et commerciaux. Sur un ensemble de test synthétique en télougou dense en entités (réservé par le système de synthèse), vasista22/whisper-telugu-large-v2 (SOTA open-source) obtient un Taux de Reconnaissance d'Entités (EHR) de 0,027 et Deepgram Nova-3 (commercial) de 0,16. Nous comblons cet écart avec un système autonome en boucle TTS<->STT : un pipeline TTS indic open-source synthétise ~22 000 énoncés denses en entités en mélange de codes indic-anglais pour un coût marginal < 50 $, et un réglage fin LoRA appliqué à vasista22 atteint un EHR de 0,473 sur le test réservé (17x supérieur au SOTA open-source, 3x supérieur au commercial), avec une régression limitée à +6,6 points de pourcentage de WER sur FLEURS-Te pour la prose lue. Transversalité linguistique : bêta-Hi 0,337 (7x vs vasista22) et bêta-Ta 0,543 (22x vs vasista22, 22x vs Deepgram) ; sur l'hindi où Deepgram a une couverture substantielle d'entités, le système en boucle est moins performant que le commercial. Les trois modèles bêta restent en deçà des objectifs EHR pré-enregistrés (0,75 pour Te, 0,65 pour Hi/Ta) ; nous rapportons honnêtement. Un contrôle de cohérence enregistré par des locuteurs natifs (n=20 télougou) confirme le transfert vers la parole réelle (EHR bêta-Te 0,516 sur natif vs 0,473 sur synthétique). Une ablation par isolation EDSA (LoRA sur FLEURS-Te seul) produit un EHR de 0,020 sur le même ensemble réservé, attribuant ~100 % du gain au corpus EDSA. Nous rapportons également un résultat conditionnel à la langue : Whisper-large-v3 standard présente un Effondrement de Script spécifique au télougou (SFR 0,46-0,71) qu'un réglage LoRA par langue corrige (SFR 0,81-0,97), mais la méthode est contre-indiquée pour l'hindi et le tamoul où le SFR standard est >= 0,98. Le code, les ensembles réservés, les prédictions, le corpus EDSA et les dictionnaires d'entités sont publiés en open-source.
Les progrès rapides des modèles linguistiques multimodaux de grande taille (MLLM) ont doté les véhicules aériens sans pilote (UAV) de capacités exceptionnelles en raisonnement spatial, compréhension sémantique et prise de décision complexe, les rendant intrinsèquement adaptés aux opérations de recherche et sauvetage (SAR). Cependant, la recherche actuelle sur les UAV-SAR est dominée par les méthodes traditionnelles de vision et de planification de trajectoire, et manque d'un benchmark complet et unifié pour les agents incarnés. Pour combler cette lacune, nous proposons d'abord la nouvelle tâche de Recherche et Sautetage Incarnée (ESAR), qui exige que les agents aériens explorent autonome-ment des environnements complexes, identifient des indices de sauvetage et raisonnent sur les localisations des victimes pour prendre des décisions éclairées. De plus, nous présentons ESARBench, le premier benchmark complet conçu pour évaluer les agents UAV pilotés par des MLLM dans des scénarios SAR hautement réalistes. En utilisant Unreal Engine 5 et AirSim, nous construisons quatre environnements ouverts à grande échelle et haute fidélité, cartographiés directement à partir de données SIG réelles pour garantir des paysages photoréalistes. Pour simuler rigoureusement les opérations de sauvetage réelles, notre benchmark intègre des variables dynamiques incluant les conditions météorologiques, l'heure de la journée et le placement stochastique des indices. Par ailleurs, nous créons un jeu de données de 600 tâches modélisées sur des cas de sauvetage réels et proposons un ensemble robuste de métriques d'évaluation. Nous évaluons diverses approches de référence, allant des heuristiques traditionnelles aux agents ObjectNav avancés basés sur des MLLM terrestres et aériens. Les résultats expérimentaux soulignent les défis de l'ESAR, révélant des goulots d'étranglement critiques dans la mémoire spatiale, l'adaptation aérienne et le compromis entre l'efficacité de la recherche et la sécurité du vol. Nous espérons qu'ESARBench servira de ressource précieuse pour faire progresser la recherche dans le domaine de la Recherche et Sautetage Incarnée. Code source et page du projet : https://4amgodvzx.github.io/ESAR.github.io.
Le raisonnement clinique exige des interactions multi-étapes — recueil de l'anamnèse, prescription d'examens, interprétation des résultats et prise de décisions thérapeutiques sûres — pourtant, un environnement d'entraînement unifié offrant la diversité des domaines cliniques et les outils spécialisés nécessaires pour former des agents d'IA médicale généralisables par apprentissage par renforcement reste inaccessible. Nous présentons une étude empirique complète du RL agentiel multi-tours pour l'IA médicale, construite sur [Nom de l'environnement], un environnement compatible Gymnasium couvrant 10 domaines cliniques avec plus de 3 600 tâches, 135 outils spécialisés par domaine et une base de connaissances de 828 000 passages médicaux. Notre analyse révèle que la structure agentielle multi-tours dégénère en monologues verbeux en un seul tour, caractérisés par une explosion monotone de la longueur et une érosion simultanée de la fréquence d'utilisation des outils. Nous caractérisons comment cet effondrement, ainsi que l'instabilité de la distillation, découlent du désalignement entre les récompenses terminales éparses et les trajectoires cliniques séquentielles. Nous constatons que le GRPO standard atteint une forte précision finale sur certains benchmarks mais souffre d'une instabilité à l'entraînement, mise en évidence par des oscillations significatives de la longueur des réponses et des périodes de convergence prolongées. Pour améliorer l'efficacité et la stabilité de l'entraînement, nous proposons la Distillation sur Politique Tronquée au Niveau du Tour (TT-OPD), un cadre d'auto-distillation où un enseignant EMA sans gradient exploite une information privilégiée sur le résultat pour fournir une régularisation KL dense et consciente du résultat à chaque tour de conversation. TT-OPD obtient les meilleures performances sur 10 des 18 benchmarks avec une amélioration moyenne de +3,9 points de pourcentage par rapport à la baseline non-RL, une convergence précoce plus rapide, une longueur de réponse contrôlée et une utilisation soutenue des outils multi-tours.
L'analyse de quadruples d'aspects sentimentaux en conversation (DiaASQ) doit capturer les interrelations complexes dans les dialogues multi-tours. Les méthodes existantes utilisent généralement des réseaux de convolution graphique (GCN) simples, qui introduisent du bruit structurel et ne prennent pas en compte la séquence temporelle des dialogues, ou emploient le RoPE standard, qui capture implicitement les distances relatives dans une séquence plate mais ne peut pas clairement séparer l'ordre syntaxique au niveau des tokens de la progression au niveau des énoncés, et peut souffrir du problème de dilution de distance. Pour résoudre ces problèmes, nous proposons un nouveau cadre combinant le graphe acyclique orienté à contrainte de fil (TC-DAG) et l'encodage positionnel rotatif sensible au discours (D-RoPE). Spécifiquement, le TC-DAG filtre le bruit inter-fils basé sur les contraintes de fil, maintient la connectivité globale via l'ancrage racine et intègre la séquence temporelle des dialogues. Le D-RoPE aligne les sémantiques multi-couches en utilisant une projection double flux et des signaux fréquentiels multi-échelles, capture les dépendances de fil avec des distances arborescentes et atténue le problème de dilution de distance au niveau token en incorporant les progressions au niveau des énoncés. Les résultats expérimentaux sur deux jeux de données de référence démontrent que notre cadre atteint des performances à l'état de l'art.
La réalisation d'une intelligence artificielle générale (IAG) nécessite des agents capables d'apprendre et d'interagir de manière adaptative, les modèles du monde interactifs offrant des environnements évolutifs pour la perception, le raisonnement et l'action. Pourtant, la recherche actuelle manque encore de jeux de données à grande échelle et de référentiels unifiés pour évaluer leurs capacités d'interaction physique. Pour remédier à cela, nous proposons iWorld-Bench, un référentiel complet pour l'entraînement et l'évaluation des modèles du monde sur des capacités liées à l'interaction telles que la perception des distances et la mémoire. Nous constituons un jeu de données diversifié comprenant 330 000 clips vidéo et sélectionnons 2 100 échantillons de haute qualité couvrant diverses perspectives, conditions météorologiques et scènes. Comme les modèles du monde existants diffèrent par leurs modalités d'interaction, nous introduisons un cadre de génération d'actions pour unifier l'évaluation et concevons six types de tâches, générant 4 900 échantillons de test. Ces tâches évaluent conjointement les performances des modèles en matière de génération visuelle, de suivi de trajectoire et de mémoire. En évaluant 14 modèles du monde représentatifs, nous identifions des limitations clés et fournissons des perspectives pour les recherches futures. Le classement des modèles iWorld-Bench est accessible publiquement sur iWorld-Bench.com.
Nous présentons Skills-Coach, un nouveau cadre automatisé conçu pour améliorer significativement l'auto-évolution des compétences au sein des agents basés sur les grands modèles de langage (LLM). En réponse à la fragmentation actuelle de l'écosystème des compétences, Skills-Coach explore les limites des capacités des compétences, facilitant ainsi la couverture complète des compétences essentielles pour les applications intelligentes. Le cadre comprend quatre modules principaux : un Module de Génération de Tâches Diversifiées qui crée systématiquement une suite de tests exhaustive pour diverses compétences ; un Module d'Optimisation Léger dédié à l'optimisation des invites de compétences et de leur code correspondant ; un Module d'Exécution Comparative facilitant l'exécution et l'évaluation des compétences originales et optimisées ; et un Module d'Évaluation Traçable, qui évalue rigoureusement les performances par rapport à des critères spécifiés. Skills-Coach offre des options d'exécution flexibles grâce à ses modes virtuel et réel. Pour valider son efficacité, nous présentons Skill-X, un ensemble de données de référence complet comprenant 48 compétences diverses. Les résultats expérimentaux démontrent que Skills-Coach permet des améliorations significatives des performances des compétences sur un large éventail de catégories, soulignant son potentiel pour faire progresser le développement d'agents basés sur les LLM plus robustes et adaptables.
L'apprentissage par renforcement (RL) est devenu un outil central de post-entraînement pour améliorer les capacités de raisonnement des grands modèles de langage (LLM). Dans ces systèmes, le *rollout* – la trajectoire échantillonnée à partir d'une instruction jusqu'à son terme, incluant les étapes de raisonnement intermédiaires et les interactions facultatives avec des outils ou l'environnement – détermine les données à partir desquelles l'optimiseur apprend. Pourtant, la conception des *rollouts* est souvent sous-déclarée. Cette étude propose une vision agnostique de l'optimiseur concernant les stratégies de *rollout* pour le post-entraînement par RL des LLM de raisonnement. Nous formalisons les pipelines de *rollout* avec une notation unifiée et introduisons **Generate-Filter-Control-Replay (GFCR)**, une taxonomie de cycle de vie qui décompose ces pipelines en quatre étapes modulaires : **Generate** propose des trajectoires et topologies candidates ; **Filter** construit des signaux intermédiaires via des vérificateurs, juges ou critiques ; **Control** alloue le calcul et prend des décisions de continuation/ramification/arrêt sous contraintes budgétaires ; et **Replay** conserve et réutilise des artefacts entre les *rollouts* sans mise à jour des poids, incluant des curricula auto-évolutifs qui génèrent automatiquement de nouvelles tâches d'entraînement. Nous complétons GFCR par une taxonomie de critères – fiabilité, couverture et sensibilité au coût – qui caractérise les compromis des *rollouts*. En utilisant ce cadre, nous synthétisons des méthodes couvrant le RL avec récompenses vérifiables, la supervision du processus, le jugement par portail, les *rollouts* guidés et arborescents/segmentés, l'allocation adaptive de calcul, les *rollouts* à sortie anticipée et partiels, l'optimisation du débit, et la relecture/recomposition pour l'auto-amélioration. Nous ancrons le cadre avec des études de cas en mathématiques, code/SQL, raisonnement multimodal, agents utilisant des outils, et des benchmarks de compétences agentiques évaluant l'induction, la réutilisation et le transfert inter-tâches de compétences. Enfin, nous fournissons un index diagnostique qui cartographie les pathologies courantes des *rollouts* vers les modules GFCR et les leviers d'atténuation, ainsi que des défis ouverts pour construire des pipelines de *rollout* reproductibles, efficaces en calcul et dignes de confiance.
L'adaptation des modèles de raisonnement à de nouvelles tâches lors du post-entraînement avec uniquement une supervision au niveau des sorties stagne sous l'apprentissage par renforcement à partir de récompenses vérifiables (RLVR) lorsque la probabilité de succès initiale p₀ est faible. En utilisant le q-logarithme de Tsallis, nous définissons une famille de pertes J_Q qui interpole entre le RLVR (à q=0, le pôle d'exploitation) et la log-vraisemblance marginale sur les trajectoires latentes (à q=1, le pôle d'estimation de densité). Tous les membres partagent la même direction de gradient par exemple, ne différant que par une amplification scalaire P_{θ^{-q}} qui repondère chaque instance indépendamment du taux d'apprentissage. Cette amplification est le mécanisme qui résout le blocage en démarrage à froid : sous un flux de gradient, le pôle d'exploitation nécessite un temps Ω(1/p₀) pour échapper au démarrage à froid, tandis que le pôle d'estimation de densité s'en échappe en Θ(log(1/p₀)) ; un q intermédiaire échange la vitesse d'échappement contre la mémorisation du bruit. Comme P_θ est intraitable, nous dérivons deux estimateurs de Monte Carlo à partir des deux factorisations du gradient : le Renforcement Amplifié par le Gradient (GARL) échantillonne à partir de l'a priori et amplifie le gradient RL, et le Fine-Tuning Atténué par la Postérieure (PAFT) rééchantillonne par importance à partir de la postérieure et exécute un SFT standard. Les deux ont un biais O(q/(M P_θ^{q+1})) ; GARL a une variance plus faible, PAFT a des gradients sémantiquement cohérents. Sur FinQA, HotPotQA et MuSiQue, GARL à q=0,75 atténue substantiellement le blocage en démarrage à froid, s'échappant du démarrage à froid là où GRPO échoue complètement. En démarrage à chaud, GARL à faible q domine sur FinQA où l'entraînement est stable ; sur HotPotQA et MuSiQue, GARL se déstabilise pendant l'entraînement, et PAFT à q=0,75 fournit des gradients stables (meilleur résultat global sur HotPotQA à 47,9 maj@16, +14,4 par rapport à GRPO).
La Génération Augmentée par Récupération Itérative (iRAG) est apparue comme un paradigme puissant pour répondre à des questions complexes à sauts multiples en récupérant et en raisonnant progressivement sur des documents externes. Cependant, les systèmes actuels fonctionnent principalement sur du texte analysé, ce qui crée deux goulots d'étranglement critiques : (1) L'attribution à granularité grossière, où les utilisateurs sont contraints de localiser manuellement les preuves dans de longs documents sur la base de citations textuelles vagues ; et (2) La perte sémantique visuelle, où la conversion de documents visuellement riches (par exemple, des diapositives, des PDF avec graphiques) en texte supprime la logique spatiale et les indices de mise en page essentiels au raisonnement. Pour combler cette lacune, nous présentons Chaîne de Preuves (CoE), un cadre d'attribution visuel agnostique au récupérateur qui exploite les Modèles Vision-Langage pour raisonner directement sur des captures d'écran des documents candidats récupérés. CoE élimine l'analyse spécifique au format et produit des boîtes englobantes précises, visualisant la chaîne de raisonnement complète au sein de l'ensemble des candidats récupérés. Nous évaluons CoE sur deux benchmarks distincts : Wiki-CoE, un jeu de données à grande échelle de pages web structurées dérivé de 2WikiMultiHopQA, et SlideVQA, un jeu de données complexe de diapositives de présentation comportant des diagrammes complexes et des mises en page libres. Les expériences démontrent que Qwen3-VL-8B-Instruct, après fine-tuning, atteint des performances robustes, surpassant significativement les modèles de base textuels dans les scénarios nécessitant une compréhension de la mise en page visuelle, tout en établissant une solution agnostique au récupérateur pour une iRAG interprétable au niveau pixel. Notre code est disponible à l'adresse https://github.com/PeiYangLiu/CoE.git.