Articles de recherche IA sélectionnés quotidiennement avec traductions
Nous présentons PerceptionRubrics, un cadre d'évaluation basé sur des grilles d'évaluation qui comble l'écart entre les scores de référence saturés et la fragilité en conditions réelles. En faisant passer l'évaluation d'une mise en correspondance sémantique holistique à un audit atomique rigoureux, PerceptionRubrics associe 1 038 images denses en information à plus de 12 000 grilles d'évaluation spécifiques à chaque instance. Ces critères sont dérivés de légendes de référence construites via un nouveau pipeline de consensus par révision par les pairs circulaire, puis distillés en un système à double flux composé de grilles Must-Right (faits essentiels) et Easy-Wrong (détails fins). Crucialement, PerceptionRubrics implémente un mécanisme de score à seuil : contrairement aux moyennes linéaires, l'échec sur des faits visuels obligatoires déclenche des pénalités binaires sévères. Une évaluation approfondie révèle des informations critiques : (1) Le fossé de fiabilité : les modèles vérifient souvent correctement des éléments fragmentés mais échouent face à des contraintes conjonctives strictes, exposant une fragilité dans les domaines denses ; (2) La stratification ouverte-fermée : contrairement aux tendances de raisonnement, nous révélons un déficit de perception persistant de 8 % entre les frontières open-source et propriétaires ; et (3) La rigueur alignée sur l'humain : nos métriques à seuil surpassent nettement les références conventionnelles, validant que la fidélité perceptuelle stricte est la condition préalable à une génération fiable.
La génération de vidéo en streaming émerge comme une nouvelle charge de travail de service dans laquelle les utilisateurs interagissent avec des sessions de longue durée qui génèrent de la vidéo progressivement, morceau par morceau. Contrairement à la génération de vidéo hors ligne ou au service typique de LLM, la génération de vidéo en streaming doit préserver l'état de la session pendant les périodes actives et inactives, réordonnancer de manière répétée les sessions en cours, et livrer chaque morceau dans un délai de latence strict. Cela crée deux défis clés de service dans les environnements multi-utilisateurs et multi-GPU : l'hétérogénéité de la durée des sessions, où les sessions de longue durée rendent les décisions de placement sous-optimales au fil du temps, et l'hétérogénéité temporelle de la demande des utilisateurs, où le nombre de sessions actives fluctue fortement entre les pics et les périodes d'inactivité. Nous présentons TurboServe, le premier système de service conçu spécifiquement pour les charges de travail de génération de vidéo en streaming. TurboServe formule le service comme un problème d'ordonnancement en ligne qui coordonne conjointement le placement des sessions et l'allocation des GPU. Son algorithme d'ordonnancement en boucle fermée combine un contrôleur de placement sensible à la migration, qui rééquilibre les sessions entre les GPU pour réduire la latence maximale par morceau, avec un contrôleur d'auto-ajustement piloté par la charge, qui adapte le budget GPU aux variations de la charge de travail pour améliorer l'efficacité des coûts. Pour soutenir ces décisions en cours d'exécution, TurboServe implémente un traitement coalescé des morceaux pour le batching des sessions actives concurrentes sur le même GPU, un déchargement GPU-CPU pour la suspension et la reprise des sessions, et une migration GPU-GPU basée sur NCCL pour le rééquilibrage en ligne. Nous évaluons TurboServe sur des traces de production réelles de Shengshu Technology pour plusieurs tailles de modèles et clusters GPU avec jusqu'à 64 GPU NVIDIA B300. Comparé aux configurations de service de référence, TurboServe réduit la latence maximale par morceau de 37,5 % et le coût total d'exploitation GPU de 37,2 % en moyenne. Notre code est disponible publiquement à l'adresse https://github.com/shengshu-ai/TurboServe.
Dans le cadre du service LLM désagrégé préremplissage-décodage (PD), chaque requête est affectée à un worker de décodage après le préremplissage. Les routeurs de décodage existants n'équilibrent que la charge ; pour les modèles à mélange d'experts (MoE), cela est insuffisant : des workers également chargés peuvent présenter des latences différentes, car chaque étape de décodage charge les poids de chaque expert distinct activé par son lot. Nous présentons ELDR, un routeur de décodage conscient de la localité des experts pour le service MoE désagrégé PD. À partir des activations d'experts lors du préremplissage d'une requête, ELDR construit une signature d'expert prédisant les experts qu'elle activera pendant la génération. Hors ligne, un K-moyennes équilibré partitionne l'espace des signatures entre les workers de décodage ; en ligne, un routage par bande de localité envoie chaque requête au worker le moins chargé parmi ceux correspondant le mieux à sa signature. Un cache de signatures, co-indexé avec le cache KV à la granularité des blocs KV, maintient les signatures exactes sous mise en cache des préfixes. Implémenté dans vLLM et évalué sur des déploiements allant jusqu'à 40 GPU, ELDR réduit le TPOT médian de 5,9 à 13,9 % par rapport au plus performant de quatre références d'équilibrage de charge sur trois modèles MoE et deux charges de travail, les sorties des modèles restant inchangées.
La mémoire est devenue une pierre angulaire des agents modernes basés sur les LLM, soutenant leur évolution depuis des assistants à échange unique jusqu'à des collaborateurs à long terme. Cependant, la mémoire n'est pas toujours bénéfique : les souvenirs récupérés induisent souvent un problème critique de sycophantisme, poussant les agents à se sur-aligner sur l'utilisateur au détriment de l'exactitude factuelle ou du raisonnement objectif. Malgré ce risque émergent, les benchmarks existants sur la mémoire évaluent principalement si les souvenirs sont correctement stockés, récupérés ou mis à jour, tout en négligeant la manière dont les souvenirs récupérés influencent le raisonnement et la prise de décision en aval. Pour combler cette lacune, nous proposons MemSyco-Bench, un benchmark complet pour évaluer le sycophantisme induit par la mémoire dans les systèmes d'agents. MemSyco-Bench mesure quand la mémoire doit influencer une décision et comment utiliser correctement une mémoire valide. Plus précisément, il couvre cinq tâches qui évaluent si les agents peuvent rejeter la mémoire comme preuve factuelle, respecter son champ d'application, résoudre les conflits entre la mémoire et les preuves objectives, suivre les mises à jour de la mémoire, et utiliser une mémoire valide pour la personnalisation. Toutes les ressources associées sont rassemblées pour la communauté à l'adresse https://github.com/XMUDeepLIT/MemSyco-Bench.
Nous présentons Seed2.0, une série de modèles qui franchit une étape significative vers la résolution de tâches complexes du monde réel. Notre approche commence par l'identification des besoins réels des utilisateurs et la construction d'un système d'évaluation fiable et tourné vers l'avenir, en sélectionnant et en abstraisant des références fondées sur ces besoins et sur des scénarios réalistes et complexes. Guidé par ce système d'évaluation, Seed2.0 cible deux défis persistants : les connaissances de longue traîne et le suivi d'instructions complexes, améliorant substantiellement la fiabilité du modèle sur des tâches complexes et à long terme. Au-delà de cela, Seed2.0 offre une intelligence de raisonnement, une compréhension visuelle et des capacités de recherche de classe mondiale, répondant aux besoins les plus courants d'une large base d'utilisateurs. À travers des cas d'utilisation réels étendus documentés dans cette fiche technique du modèle, nous démontrons que Seed2.0 commence à manifester la capacité de traiter des tâches complexes du monde réel initiales, apportant une valeur accrue à des centaines de millions d'utilisateurs.
Les modèles de langage multimodaux de grande taille (MLLMs) sont souvent limités par un goulot d'étranglement dans l'espace linguistique, qui force un raisonnement visuel complexe à passer par des jetons discrets, entraînant une perte de nuances perceptuelles. Une alternative prometteuse réside dans le raisonnement latent continu, dont l'objectif est de découvrir des chemins de raisonnement implicites faisant le pont entre la requête multimodale et la réponse finale. Cependant, cela introduit un sévère décalage entre l'entraînement et l'inférence : une postérieure en phase d'entraînement, conditionnée par la réponse de référence, peut exploiter des raccourcis dépendants de la réponse. L'entraînement variationnel standard force alors l'a priori en phase d'inférence à imiter une postérieure qui a accès à des informations indisponibles au moment du test, ce qui conduit à de mauvaises performances. Pour résoudre ce problème, nous proposons l'Apprentissage Variationnel Mutuel Asymétrique (AMVL), un cadre qui résout ce décalage via un objectif de calibration bidirectionnelle. Une divergence KL directe entraîne l'a priori indépendant de la cible à correspondre à la postérieure, tandis qu'une divergence KL inverse novatrice régularise simultanément la postérieure, l'empêchant de se réduire à des régions incompatibles avec l'inférence et atténuant cette « fuite de réponse ». Nous fournissons une analyse théorique formalisant cette fuite comme une contamination de l'a priori et prouvons que notre objectif double-KL la réduit. Nous instancions l'AMVL dans un MLLM à intégration latente et montrons qu'il surpasse systématiquement les références solides en raisonnement discret et latent, améliorant le score moyen sur le benchmark complexe BLINK de +10,83 et obtenant des gains allant jusqu'à +32,00 sur des tâches de raisonnement individuelles, avec des analyses confirmant une meilleure stabilité de l'espace latent.
Les modèles Vision-Langage-Action (VLA) échouent souvent à exécuter les mêmes tâches apprises en cas de changements environnementaux, tels que des modifications de la pose de la caméra ou le passage à un robot différent mais similaire (par exemple, de Panda à UR5e). Adapter ces modèles à l'environnement modifié (c'est-à-dire le domaine cible) nécessite généralement un entraînement sur de multiples démonstrations pour chaque tâche, dont la collecte est coûteuse. Afin de réduire la charge de curation et d'entraînement des données, nous proposons une méthode basée sur l'analogie qui adapte les modèles VLA face aux changements environnementaux par le biais d'une arithmétique des vecteurs de poids avec ajout d'informations spécifiques au domaine, nommée Domain ARiThmetic (DART). Contrairement aux approches antérieures, DART nécessite la collecte d'une seule démonstration, permettant ainsi une adaptation efficace. Pour isoler avec précision les informations spécifiques au domaine à ajouter, DART effectue un alignement de sous-espaces entre les composantes singulières des vecteurs de poids afin de filtrer les composantes bruyantes. Dans des expériences tant simulées que réelles, DART surpasse les méthodes existantes d'adaptation VLA dans des scénarios à un seul exemple, pour divers changements visuels et d'incarnation. Le code est disponible à l'adresse https://github.com/snumprlab/dart.
Dans l'entraînement des grands modèles de langage (LLM), le mélange de données joue un rôle crucial dans la détermination des performances du modèle. Les méthodes récentes optimisent les poids de mélange via des modèles proxy, mais elles reposent sur l'hypothèse de distributions de données statiques. Par conséquent, lorsque le pool de données sous-jacent évolue, ces méthodes nécessitent un réentraînement coûteux depuis zéro. Cette limitation restreint leur capacité à passer à l'échelle de manière fluide, depuis de petites configurations jusqu'à des pools de données et des tailles de modèle plus importants. Dans cet article, nous proposons CausalMix pour surmonter cette limitation en formulant l'optimisation du mélange de données comme un problème d'inférence causale. Nous définissons les caractéristiques statistiques du pool de données comme des covariables et le mélange de domaines comme le traitement. Après avoir ajusté un modèle causal sur 512 exécutions de Qwen2.5-0.5B pour estimer l'effet conditionnel moyen du traitement (CATE), nous extrapolons le mélange optimal pour un pool de 800 000 données et l'appliquons à l'entraînement d'un modèle de 7B. De plus, nous généralisons avec succès le cadre à des données de longues chaînes de pensée sur Qwen3-4B-Base. En exploitant la modélisation causale pour isoler les biais de confusion, CausalMix déduit dynamiquement des mélanges de données optimaux dépendant de l'état. Des expériences approfondies montrent que le mélange guidé par CausalMix améliore systématiquement les performances sur plusieurs tâches en aval, surpassant RegMix et d'autres références. En outre, nous utilisons l'interpréteur CATE pour fournir une analyse visuelle de la stratégie de mélange apprise. En résumé, CausalMix offre un cadre causal et interprétable pour l'optimisation des mélanges de données pour les LLM.
La programmation traditionnelle des robots est complexe : elle nécessite d'orchestrer une perception multimodale, de gérer les dynamiques de contact physique, et de traiter diverses configurations et défaillances d'exécution. Nous présentons ASPIRE (Apprentissage de Compétences Agentiques par Exploration Itérative du Robot), un système d'apprentissage continu qui écrit et affine de manière autonome des programmes de contrôle robotique dans un paradigme de code-en-tant-que-politique, tout en consolidant l'expérience dans une bibliothèque de compétences réutilisables. ASPIRE découvre des compétences qui persistent à travers les tâches, les environnements simulés et réels, ainsi que les incarnations. Il fonctionne dans une boucle ouverte avec trois composantes : (1) un moteur d'exécution robotique en boucle fermée qui expose des traces multimodales détaillées, permettant un diagnostic autonome des pannes, une synthèse de réparations et une validation ; (2) une bibliothèque de compétences en expansion continue qui distillent les corrections validées en connaissances réutilisables et transférables ; et (3) une recherche évolutionnaire qui génère diverses séquences de tâches et programmes de contrôle pour explorer au-delà du raffinement d'une seule trajectoire. ASPIRE surpasse les méthodes antérieures de jusqu'à 77 % sur LIBERO-Pro en manipulation sous perturbation, 72 % sur le transfert bimanuel Robosuite, et 32 % sur les tâches domestiques à long horizon BEHAVIOR-1K. Sa bibliothèque accumulée permet également une généralisation sans apprentissage préalable à des tâches à long horizon inédites : sur LIBERO-Pro Long, ASPIRE atteint 31 % de succès contre 4 % pour les méthodes antérieures malgré leur utilisation de raisonnement et de tentatives en temps de test. Enfin, les compétences découvertes en simulation fournissent une première indication de transfert sim-vers-réel, réduisant considérablement l'effort de programmation robotique réelle à travers différentes incarnations et API robotiques.
Le raisonnement visuel à granularité fine reste un défi pour les modèles vision-langage, en particulier lorsque de petits indices visuels mais cruciaux sont enfouis dans des images haute résolution. Les approches existantes reposent sur des recadrages répétés ou une recherche visuelle au moment du test pour introduire des preuves locales, mais elles ne distinguent généralement pas explicitement la perception du raisonnement. Dans cet article, nous proposons Perceive-to-Reason (P2R), un cadre unifié qui formule le raisonnement visuel à granularité fine comme un processus en deux étapes : le modèle localise d'abord les preuves pertinentes pour la question en tant que Percepteur, puis répond à la question en tant que Raisonneur sur la base de l'image annotée et des régions recadrées. Pour mieux aligner l'apprentissage sur cette formulation découplée, nous introduisons en outre l'Alternance Perception-Raisonnement GRPO (PRA-GRPO), une stratégie d'apprentissage par renforcement sensible aux rôles qui alterne entre des mises à jour axées sur la perception et des mises à jour axées sur le raisonnement en utilisant uniquement la supervision par la réponse finale. Construit sur la base de Qwen3-VL-Instruct-2B/4B/8B, P2R améliore systématiquement les performances à toutes les échelles de modèles. En particulier, P2R-4B atteint 93,2 % sur V-Star, 81,9 % sur HR-Bench-4K et 80,5 % sur HR-Bench-8K, surpassant nettement son réseau de base correspondant. Des expériences supplémentaires montrent que les avantages de P2R s'étendent au-delà des benchmarks haute résolution vers des tâches de raisonnement multimodal plus larges. Ces résultats suggèrent que le découplage explicite de la perception et du raisonnement fournit un cadre efficace pour le raisonnement visuel à granularité fine.
La manipulation mobile est une capacité clé pour les robots généralistes, mais elle reste difficile à réaliser avec les méthodes actuelles d'apprentissage incarné. Les politiques VLA sont généralement réactives et manquent d'une modélisation explicite du monde, tandis que les Modèles d'Action Mondiaux (WAM) existants sont encore mal alignés sur la structure de la manipulation mobile : ils opèrent sur des blocs vidéo grossiers, modélisent des actions de navigation et de manipulation entremêlées, et entraînent la dynamique inverse sous une supervision qui ne correspond pas à l'inférence autorégressive. En conséquence, ils manquent souvent les dynamiques de contact fines, souffrent de conflits de distribution d'actions, et accumulent des erreurs lors de déploiements à long horizon. Nous proposons ABot-M0.5, un nouveau WAM construit sur la constatation que la manipulation mobile nécessite un alignement à trois niveaux : la granularité temporelle, l'espace d'action, et la cohérence entre entraînement et test. Pour aligner la granularité temporelle, nous introduisons des actions latentes intermédiaires qui capturent les transitions locales d'état visuel et servent d'espace d'action pont entre les latents vidéo et les commandes spécifiques à l'incarnation. Pour aligner l'espace d'action, nous concevons une architecture à double niveau de Mixture-of-Transformers qui désentrelace à la fois les représentations modales et les sous-espaces d'action hétérogènes tels que le mouvement de la base et la manipulation du bras. Pour aligner les conditions d'inférence, nous proposons la stratégie d'entraînement dream-forcing qui entraîne progressivement la dynamique inverse sur des vidéos prédites par le modèle, améliorant l'alignement entraînement-test et la robustesse lors de la prédiction autorégressive. Des expériences sur des benchmarks exigeants de manipulation mobile et fine démontrent qu'ABot-M0.5 atteint des performances à l'état de l'art à la fois en termes de succès de tâches à long horizon et de précision de contrôle fin. Ces résultats soulignent l'importance cruciale d'une modélisation monde-action alignée en granularité, désentrelacée en actions, et cohérente en inférence.
L’entraînement des modèles de langage (LM) reste un processus très exigeant en main-d’œuvre humaine, même si les agents modèles de langage de pointe deviennent de plus en plus performants dans le génie logiciel et d’autres tâches à long horizon. Un défi central est que le post-entraînement autonome n’est pas simplement un problème de programmation : il nécessite que l’agent planifie itérativement des cycles, construise des données alignées sur les benchmarks, exécute des tâches d’entraînement stables, évalue les points de contrôle et préserve l’état de l’expérimentation sur de nombreuses heures d’interaction. Nous présentons AutoTrainess, un agent LM qui expose ces opérations sous forme d’un répertoire d’interfaces agent-ordinateur pour la planification, la préparation des données, l’entraînement, l’évaluation et la journalisation. Plutôt que de laisser l’agent opérer dans un environnement CLI brut avec un espace d’actions sous-spécifié, AutoTrainess externalise l’expérience humaine antérieure sous forme de flux de travail, de règles et de contraintes d’exécution explicites qui guident l’agent vers un comportement d’entraînement efficace et fiable. Sur PostTrainBench, AutoTrainess surpasse systématiquement les solutions de base CLI uniquement, obtenant un score moyen de 26,94 avec GPT-5.4 (Codex) contre 23,21 pour CLI uniquement. Il se généralise également à différents modèles et infrastructures, améliorant DeepSeek-V4-Flash (OpenCode) de 12,13 à 19,58.
Les Transformers utilisent le même flux de calcul avant pour prédire le jeton suivant et stocker l'état utile pour les prédictions futures de jetons. Nous formulons l'hypothèse de séparation état-prédiction : dissocier ces deux rôles améliore la performance en modélisation du langage. Nous concevons une variante de Transformer qui utilise deux flux de calcul pour séparer les deux fonctions, et menons des expériences de pré-entraînement à différentes échelles. Nos expériences montrent que la séparation état-prédiction offre systématiquement une meilleure efficacité en termes de données et de calcul, améliorant la perte de validation et surpassant les Transformers standards de 2 à 3 points de pourcentage en moyenne sur les tâches en aval. Nous réalisons également une analyse empirique approfondie qui écarte les facteurs confondants potentiels et démontre la différence fondamentale dans les gradients qu'engendre notre conception.
Les chercheurs biomédicaux utilisent de plus en plus des analyses et des rapports générés par l'IA pour interpréter les signaux au niveau des protéines, mais les sorties statiques sont souvent insuffisantes pour la prise de décision en recherche, où les utilisateurs doivent inspecter les preuves, évaluer l'incertitude, comparer les mécanismes et affiner les hypothèses. Nous présentons BioInsight, un système multi-agent qui passe de la génération statique de rapports biomédicaux à la génération interactive centrée sur les preuves d'interfaces interactives. Étant donné un nom de maladie, une table d'association protéique et des métadonnées de cohorte optionnelles, BioInsight organise les preuves spécifiques à la maladie via des artefacts intermédiaires typés, incluant des voies classées, des paquets de preuves issues de la littérature, des notes de raisonnement au niveau des protéines, des rapports fondés sur des citations, des schémas de tableau de bord et des interfaces interactives rendues. Le système dissocie l'extraction des preuves du raisonnement mécanistique, normalise les citations via des composants déterministes, et convertit les mêmes preuves structurées utilisées dans le rapport en une interface interactive. Nous évaluons BioInsight sur des questions-réponses biomédicales standardisées, un raisonnement difficile sur la fonction des protéines, et une synthèse de preuves biomédicales de bout en bout. Les résultats montrent que BioInsight atteint les meilleures performances, et suggèrent que les systèmes d'IA biomédicaux devraient dépasser les rapports purement textuels et statiques pour se tourner vers des artefacts de preuves interactifs et préservant la provenance.
Les modèles du monde peuvent permettre le Contrôle Prédictif par Modèle (MPC), mais cela nécessite une prédiction de la dynamique à la fois suffisamment rapide pour une utilisation en ligne et suffisamment expressive pour représenter des futurs incertains. Les modèles de diffusion offrent un mécanisme naturel pour modéliser une dynamique incertaine, mais leur procédure d'inférence itérative les rend difficiles à utiliser pour une planification latente à faible latence. Nous comblons cet écart avec les Modèles du Monde à Diffusion de Valeur (Valdi), en combinant un apprentissage en ligne de bout en bout pour le MPC avec un modèle de dynamique à diffusion latente. Dans des expériences préliminaires sur l'environnement CarRacing, nous montrons que Valdi, utilisant une seule étape de diffusion à la fois pour l'apprentissage et l'inférence, atteint les performances d'une référence MLP déterministe. Nos expériences révèlent un compromis entre la multimodalité prédictive et la performance de contrôle dans ce contexte. Le code est disponible à l'adresse https://github.com/Kit115/ValueDiffusionWorldModels.
Les modèles d'apprentissage automatique légers sont de plus en plus proposés pour la détection d'intrusions dans les réseaux de l'Internet industriel des objets (IIoT) en raison de leur adéquation aux déploiements en périphérie contraints en ressources. La plupart des résultats rapportés évaluent ces modèles uniquement au sein de leur réseau d'entraînement, laissant leur comportement sur des réseaux non vus non vérifié. Cette étude entraîne quatre architectures légères sur un jeu de données IIoT et les évalue, sans réentraînement, sur deux jeux de données IIoT structurellement distincts en utilisant une représentation des caractéristiques restreinte aux attributs disponibles dans les trois sources. L'analyse d'explicabilité sur deux des modèles les plus performants montre que les deux s'appuient massivement sur des caractéristiques grossières de catégorie de port ; la catégorie la plus influente apparaît dans le trafic d'attaque du domaine source à un taux 96 à 435 fois supérieur à celui des deux domaines cibles, indiquant que l'élargissement de la résolution des ports déplace plutôt qu'elle ne supprime un raccourci documenté. L'évaluation sous des distributions de classes naturellement déséquilibrées révèle un effet supplémentaire : le protocole d'évaluation utilisé peut inverser celui des réseaux cibles qui semble poser le plus grand défi de généralisation. La robustesse adversarial et la récupération par exposition limitée au domaine cible sont également évaluées ; la robustesse aux perturbations adversariales n'est pas liée à la généralisation inter-réseaux, et la récupération par adaptation varie considérablement selon l'architecture. Ces résultats suggèrent que la préparation au déploiement devrait être évaluée à l'aide d'une évaluation inter-réseaux sous des distributions de classes réalistes, plutôt que par la précision intra-domaine seule.
Les benchmarks d'optimisation de performance au niveau du dépôt, tels que GSO, SWE-Perf et SWE-fficiency, évaluent les agents de codage en appliquant des correctifs à des dépôts réels et en comparant le temps d'exécution par rapport à des bases de référence non optimisées et à des correctifs de référence officiels. Leurs scores de classement sont de plus en plus utilisés comme preuve des progrès des agents de codage, mais ces scores peuvent confondre l'instabilité du temps d'exécution, les règles de notation spécifiques aux benchmarks, et le nombre de tâches déjà résolues par au moins une soumission publique. Nous auditions ces problèmes à travers les trois benchmarks. Premièrement, nous rejouons les correctifs de référence officiels pour 740 tâches d'optimisation de code sur quatre types courants de machines Google Cloud. La plupart des tâches des benchmarks peuvent être rejouées, mais leurs correctifs de référence satisfont aux règles de validité originales des benchmarks lors de chaque rejeu sur différentes machines pour seulement 39/102 tâches GSO, 11/140 tâches SWE-Perf, et 411/498 tâches SWE-fficiency ; SWE-Perf est particulièrement fragile car de nombreux correctifs de référence produisent des changements de temps d'exécution quasi nuls. Deuxièmement, nous montrons que les classements des soumissions publiques dépendent fortement de la règle de notation du benchmark. Parmi les huit soumissions publiques partagées par GSO et SWE-fficiency, les classements officiels divergent sur 9 des 28 comparaisons par paires de soumissions, et la règle de notation du classement de SWE-fficiency attribue aux dix pires tâches des pondérations de score excessivement élevées, de 58,5 % à 82,8 %. Troisièmement, en examinant 10 soumissions publiques pour chaque tâche, nous constatons qu'au moins une soumission égale ou dépasse le correctif de référence sur 85,3 % (384/450) des tâches GSO et SWE-fficiency valides lors du rejeu, et dépasse le code de base non optimisé sur 99,8 % (449/450). Notre étude complète les scores des classements en identifiant les tâches présentant des signaux de performance plus fiables, en quantifiant les contributions des scores par tâche, et en exposant les écarts de performance restants qui sont masqués par les classements agrégés.
L'accélération de la découverte de matériaux nécessite des systèmes d'IA capables de générer des hypothèses scientifiquement valides via un raisonnement multi-étapes ancré dans le domaine. Les grands modèles de langage standards produisent souvent des réponses fluides mais faiblement traçables à des problèmes ouverts de conception de matériaux, ce qui rend difficile la détermination de savoir si les réponses finales sont étayées par un raisonnement intermédiaire cohérent. Nous développons Graph-PRefLexOR, une famille de modèles de raisonnement natifs des graphes affinés avec l'Optimisation de Politique Relative par Groupe (GRPO) pour organiser le raisonnement en phases explicites : exploration des mécanismes, construction de graphes, extraction de motifs et synthèse d'hypothèses. Cette conception lie la génération de langage neuronal à une structure relationnelle symbolique, permettant de construire, d'inspecter et de réutiliser des connexions causales. Sur 100 questions ouvertes issues de la littérature en science des matériaux et en mécanique, Graph-PRefLexOR obtient des améliorations de 40 à 65 % par rapport aux modèles de base correspondants, avec les plus grands gains en traçabilité du raisonnement. Les analyses des plongements montrent une exploration sémantique plus large et une diversité sémantique environ 2 à 3 fois supérieure à celle des références. Les analyses de rétrotraçage sémantique et des états cachés par couche montrent en outre un alignement plus fort entre le raisonnement structuré et les réponses finales. Enfin, l'expansion de graphe en phase de test révèle que le calcul supplémentaire augmente principalement la recombinaison conceptuelle à longue portée dans un espace sémantique borné, plutôt que de simplement élargir la couverture sémantique. Ces résultats établissent l'apprentissage par renforcement natif des graphes comme une voie vers des systèmes d'IA interprétables pour la génération d'hypothèses scientifiques dans la conception de matériaux et d'autres applications scientifiques.
Les métriques traditionnelles pour la génération de rapports médicaux (MRG) reposent principalement sur le recouvrement superficiel de n-grammes, ce qui ne parvient pas à capturer l'exactitude factuelle clinique et néglige souvent les erreurs de diagnostic catastrophiques. Nous répondons à cette limitation fondamentale en proposant AtomiMed, un cadre d'évaluation universel, indépendant de la modalité, qui décompose les récits médicaux complexes en une hiérarchie standardisée à plusieurs niveaux de faits cliniques atomiques, englobant les entités au niveau des maladies et les descripteurs au niveau des attributs, y compris la localisation, la morphologie et la sévérité. En mettant en œuvre une boucle de vérification croisée agentive entre les rapports de référence et les rapports prédits, AtomiMed simule un processus d'évaluation par les pairs multi-radiologue pour vérifier la cohérence clinique, permettant ainsi une évaluation découplée de la détection diagnostique et de la précision descriptive. Pour faciliter l'évaluation standardisée, nous introduisons MRGEvalKit, une boîte à outils open source pour l'extraction hiérarchique automatisée, et nous organisons OmniMRG-Bench, un benchmark multimodal complet couvrant la radiographie, la tomodensitométrie, l'IRM et l'échographie. Des expériences approfondies sur plusieurs études de lecture annotées par des experts démontrent qu'AtomiMed atteint une corrélation significativement plus élevée avec le jugement des radiologues humains par rapport aux métriques traditionnelles et basées sur des modèles. Notre code est publié à l'adresse https://github.com/Venn2336/MRGEvalkit.
Bien que les grands modèles de langage (LLMs) performent bien sur les tâches de tableaux, ils commettent encore des erreurs de référencement de données (DREs), c'est-à-dire qu'ils citent ou omettent incorrectement des valeurs de tableau, malgré la compréhension de la structure du tableau. Au-delà de la précision de la réponse finale, les DREs compromettent directement la justesse et la fiabilité des étapes de raisonnement intermédiaires. Cependant, les études antérieures n'ont proposé que des analyses limitées et à petite échelle. Dans ce travail, nous présentons la première évaluation systématique des erreurs de référencement de données tabulaires sur différents modèles et tâches. Nos résultats montrent que les DREs surviennent dans tous les modèles testés (de 1,7 à 20 milliards de paramètres). De plus, nous démontrons que l'intégration du référencement de données comme critique améliore significativement la précision des réponses jusqu'à 12,0 %, grâce au filtrage basé sur un critique et à l'échantillonnage par rejet. Enfin, nous avons entraîné un modèle critique léger de 4 milliards de paramètres qui atteint un score F1 moyen de 78,2 % pour détecter les DREs, à la fois dans la distribution et hors distribution, et assiste efficacement l'inférence pour des modèles plus grands.
Les benchmarks sont largement utilisés pour évaluer l’achèvement des tâches par les grands modèles de langage (LLM), mais cette approche accumule des problèmes de validité de construction, et un score de réussite peut ne pas démontrer que la tâche demandée a effectivement été accomplie. Nous étudions ces deux problèmes. Dans un cadre contrôlé de type « code comme spécification », deux agents Copilot CLI en production (claude-opus-4.7, gpt-5.5) réimplémentent en Angular, sous forme de bibliothèque réutilisable, une table de données React Fluent-UI, soumise à un oracle caché de Playwright comportant 222 tests, sur 18 exécutions et trois conditions de disponibilité de l’oracle. Parallèlement au score, nous réalisons un audit mécanique de la bibliothèque et vérifions chaque verdict à l’aide d’une ablation sans opération. Sans l’oracle, la bibliothèque est présente mais inachevée, ce que révèlent les scores. Avec l’oracle dans la boucle, le score atteint un niveau quasi parfait, mais, à partir d’une démonstration qui reproduit directement le comportement testé, la bibliothèque se révèle morte ou absente. Nous appelons cela « construire pour le test » ; la disposition plus large sous-jacente aux deux phénomènes est nommée « conscience de validation ». L’agent ne valide pas par lui-même, comme le ferait un utilisateur, ce qu’il livre. La prévalence de ce comportement reste une question ouverte pour d’autres agents, signaux et familles de modèles. Au-delà des scores de benchmark, des dispositions telles que la conscience de validation méritent une attention de la part de la recherche.
La conception de diapositives nécessite une personnalisation à la fois des thèmes de présentation et des mises en page. Pourtant, les méthodes actuelles basées sur des agents d'IA peinent à réaliser une conception fine au niveau de la page. En se reposant uniquement sur des modèles prédéfinis ou des instructions verbeuses de l'utilisateur, elles échouent à capturer les intentions de conception latentes, laissant ainsi le problème de la Personnalisation des Diapositives au Niveau de la Page (PSP) non résolu. Pour combler cette lacune, ce travail formule la PSP comme un problème de planification inverse. Nous proposons d'apprendre une intention de conception sans supposer aucune connaissance des outils d'exécution spécifiques (par exemple, PowerPoint, Beamer) utilisés. Cependant, renoncer au contrôle sur ces outils rend le problème intraitable à optimiser de bout en bout. Pour surmonter cela, nous proposons SPIRE, un cadre méthodologique pour résoudre approximativement la PSP. En corrompant intentionnellement les structures visuelles de diapositives propres, SPIRE crée une tâche vérifiable de débruitage de la corruption, grâce à laquelle deux agents apprennent à affiner en collaboration des designs exécutables via l'apprentissage par renforcement (RL). Nous présentons une preuve que le débruitage structurel est un substitut cohérent pour la PSP, et que la formulation multi-agent réduit strictement la variance du gradient de politique en RL. Des expériences approfondies démontrent la supériorité de SPIRE.
Bien que les modèles Texte-à-Image (T2I) aient connu un succès remarquable dans la génération de contenu visuel photoréaliste, ils peinent encore à atteindre l'alignement sémantique rigoureux et le raisonnement logique nécessaires à l'imagerie scientifique. Inspirés par la Triade sémiotique de Peirce, nous introduisons le Raisonnement d’Image Scientifique (SciIR), une ressource complète pour la formation et l'évaluation de la génération d'images scientifiques. Nous formalisons le raisonnement scientifique en trois dimensions fondamentales : la Structure d'entité (Icône), le Processus scientifique (Indice) et la Loi scientifique (Symbole). Plus précisément, pour surmonter la rareté des données d'entraînement dans la génération d'images scientifiques, nous créons minutieusement SciIR-82k, un jeu de données à grande échelle contenant plus de 80 000 paires texte-image scientifiques de haute qualité provenant de publications de pointe. Le jeu de données est organisé hiérarchiquement selon les dimensions sémiotiques et intègre une Chaîne de Pensée de Raisonnement Scientifique (Sci-RCoT) pour modéliser explicitement la logique visuelle sous-jacente. Pour l'évaluation, nous proposons SciIR-Bench, qui s'aligne sur ces trois niveaux sémiotiques et utilise une Liste de Vérification Atomique pour convertir la précision scientifique orientée vers les résultats en questions vérifiables, orientées processus et finement détaillées. Nos expériences approfondies révèlent des lacunes importantes dans les capacités de raisonnement scientifique des modèles actuels. De plus, en affinant sur le jeu de données SciIR-82k, nous avons développé le modèle Qwen-Image-SciIR, qui obtient une amélioration substantielle sur le SciIR-Bench, augmentant le score final de 35 % à 43 %, posant ainsi une base solide pour les futures avancées dans la génération d'images scientifiques.
Les systèmes autonomes de découverte scientifique offrent le potentiel d'accélérer la recherche en automatisant le processus de génération et de validation d'hypothèses. Cependant, les systèmes actuels opèrent dans des espaces de recherche contraints ou nécessitent des questions de recherche prédéfinies, ce qui limite leur capacité à mener une véritable exploration ouverte. De plus, bien qu'ils génèrent des hypothèses de manière itérative, ils manquent largement de la capacité de synthétiser explicitement leurs propres découvertes accumulées pour mettre au jour des phénomènes complexes et interconnectés. Nous présentons DiscoPER, un framework autonome alimenté par un grand modèle de langage qui mène une recherche ouverte en générant et en exécutant dynamiquement du code pour explorer des ensembles de données sans objectifs de recherche prédéfinis. Afin de garantir une validité scientifique rigoureuse, chaque découverte proposée doit passer des tests statistiques. Pour surmonter les limites de la recherche isolée, notre framework introduit un mécanisme de raisonnement de second ordre qui analyse périodiquement ses propres découvertes accumulées. En traitant les découvertes antérieures comme des données empiriques, DiscoPER identifie des schémas structurels, des facteurs de confusion et des lacunes épistémiques, redirigeant activement l'exploration d'hypothèses vers des régions inexplorées de l'espace de recherche. L'espace de recherche est encore élargi par l'intégration de l'utilisation d'outils, permettant au système d'explorer des hypothèses au-delà des métadonnées structurées en traitant et extrayant de manière transparente des informations utiles à partir de sources multimodales telles que les images. Évalué sur iNatDisco, un nouveau benchmark multimodal de connaissances écologiques dont les vérités terrain au niveau des motifs sont issues de la littérature évaluée par les pairs, DiscoPER retrouve 8 motifs sur 9 avec un taux de soutien d'hypothèse de 72,7 %, surpassant à la fois la découverte causale classique et les bases de référence guidées par LLM. Les ablations montrent que DiscoPER passe à l'échelle avec davantage de données et confirment les bénéfices de la méta-réflexion de second ordre.
La distillation de jeux de données vision-langage (VLDD) compresse un grand ensemble de paires image-texte en un petit ensemble de paires synthétiques capables d’entraîner efficacement des modèles contrastifs vision-langage sous des budgets stricts de données et de calcul. La plupart des méthodes existantes apparient les trajectoires d’experts ou les statistiques cross-modales, mais imposent encore un alignement pleine dimension dans un espace de plongement euclidien. Cette approche est souvent trop restrictive en raison de la corrélation image-texte de rang déficient, où la sémantique partagée se concentre dans un domaine de faible dimension et la variation restante se répartit dans un sous-espace résiduel faiblement corrélé. LoRS relâche l’alignement au niveau de la similarité par factorisation de bas rang, mais ne contrôle pas explicitement la capacité et la structure d’alignement dominantes dans l’espace de représentation. Nous proposons donc un alignement hyperbolique conscient du rang (RAHA) qui combine une géométrie hiérarchique avec un contrôle explicite de la capacité d’alignement. RAHA élève les représentations multimodales dans l’espace hyperbolique et optimise les paires distillées avec des objectifs asymétriques qui imposent un alignement géodésique dans le domaine partagé tout en régularisant le sous-espace résiduel pour préserver la diversité privée à la modalité et améliorer la robustesse au transfert. Des expériences sur des références montrent que RAHA démontre une récupération cross-modale compétitive et des indicateurs de transfert améliorés sous des budgets fixes.
La traduction par IA d'œuvres littéraires est de plus en plus courante. Bien que le contenu puisse être rendu de manière acceptable, nous ne savons pas suffisamment comment les lecteurs l'expérimentent en termes d'immersion et d'effet littéraire, aspects mal capturés par les métriques automatiques de traduction automatique ou par l'évaluation humaine axée sur la fluidité et l'adéquation. Nous demandons à 15 lecteurs assidus de comparer des traductions humaines (TH) récemment publiées à des traductions automatiques (TA) générées par un pipeline basé sur un modèle de langage large agentique, pour 15 romans récents en français, polonais et japonais, traduits vers l'anglais. Les lecteurs ont évalué des extraits d'environ 8 000 mots dans deux conditions : lecture immersive de l'extrait entier (30 comparaisons) et lecture rapprochée de 386 paires de segments TH-TA alignés (772 comparaisons), avec deux lecteurs par livre et un ordre de présentation alterné. Dans l'ensemble, les lecteurs considèrent les TA comme « acceptables », mais préfèrent les TH (légèrement au niveau des extraits, 19/30 ; plus nettement au niveau des segments, 522/772) pour leur aisance, leur clarté et leur nature immersive. Les annotations des lecteurs montrent que la qualité des TA varie davantage au sein d'un même livre que celle des TH. Fait crucial, les lecteurs ne parviennent pas à distinguer les deux de manière fiable (17/30 devinent correctement) et tendent à préférer la version qu'ils croient être humaine. Les métriques automatiques, y compris les approches de type LLM-en-tant-que-juge, ne parviennent pas à reproduire les préférences des lecteurs et favorisent les TA. Nous publions LAIT (Literary AI Translation), un jeu de données d'évaluation centré sur le lecteur comprenant 1 000 commentaires de lecteurs, 2 000 jugements et évaluations de préférence, et 7 200 annotations au niveau des segments, ainsi que notre protocole d'évaluation et l'interface associée.
Cet article explore le raisonnement visuel multi-tours et observe que les MLLMs échouent à plusieurs reprises à localiser la cible, ce qui entraîne des trajectoires longues et redondantes. Nous attribuons cet échec à l'intrication du raisonnement et de la perception au sein d'un seul modèle : le MLLM raisonne et localise simultanément, et une localisation inexacte déclenche des tours de raisonnement supplémentaires qui alourdissent la trajectoire. Pour résoudre ce problème, nous proposons PixelEyes, un agent de raisonnement visuel multi-tours qui découple explicitement le raisonnement de la perception, c'est-à-dire que le raisonneur décide quoi chercher, tandis qu'un outil de perception spécialisé indique où il se trouve. Spécifiquement, PixelEyes introduit 1) la Recherche Visuelle Guidée par Masque. Un modèle de segmentation par référence est invoqué pour fournir une localisation précise par masque, libérant le raisonneur de la nécessité de compenser un ancrage imprécis. 2) la Recherche en Largeur par Régions Sémantiques (BFS). Pour éliminer les boucles redondantes causées par le recadrage répété de sous-régions incorrectes, nous organisons l'exploration comme une recherche en largeur sur les régions sémantiques. Pour internaliser ces capacités, nous construisons l'ensemble de données PixelEyes-6K en resynthétisant des trajectoires expertes à partir de données existantes. Cela intègre explicitement notre logique de recherche guidée par masque et de BFS dans le modèle. Nous introduisons également Pinpoint-Bench, un benchmark de recherche visuelle sans indice, c'est-à-dire qu'aucun indice de localisation n'est fourni dans la question, avec des masques de niveau instance et des boîtes englobantes qui séparent les échecs de localisation des échecs de raisonnement, permettant une analyse fine des modes d'échec tels que la cécité d'inattention. Les MLLMs et agents de raisonnement visuel récents de pointe laissent une large marge d'amélioration sur Pinpoint-Bench, démontrant sa qualité et sa difficulté. Le code et les modèles sont open-source.
Les approches classiques de génération de graphes de scène 3D ne parviennent pas à fonctionner en temps réel en raison du coût de calcul élevé de la cartographie de l'environnement et de la nécessité de générer des représentations intermédiaires par nuages de points. Pour atténuer ce problème, un travail récent évite les nuages de points au profit d'une distribution gaussienne légère pour chaque objet. Cette approximation accélère considérablement l'inférence et permet la génération en temps réel de graphes de scène 3D. Cependant, cette représentation présente deux faiblesses majeures : 1) Chaque objet est approximé par une seule gaussienne 3D, ce qui entraîne une perte sévère des détails géométriques 3D. 2) L'écart entre cette approximation et la géométrie réelle de l'objet exacerbe la fusion inexacte des candidats objets lors de l'inférence en ligne. Pour résoudre ces problèmes, nous proposons NoPA, qui représente chaque objet comme une distribution non paramétrique distincte. Cette formulation conserve l'information géométrique 3D tout en préservant l'inférence en temps réel de la formulation gaussienne paramétrique. Afin de tirer parti de notre nouvelle représentation d'objets, nous proposons une stratégie de fusion adaptée pour reconstruire des instances d'objets cohérentes. Plus précisément, nous utilisons la discrepancy maximale moyenne sur des estimations par noyau de densité pour permettre une fusion robuste des candidats objets lors de l'exploration en ligne, tout en minimisant la complexité de calcul ajoutée. L'élément clé est de maintenir un ensemble fixe de particules par objet. De plus, pour corriger la perte de relations causée par des objets mal classifiés, NoPA propage les relations entre objets à haute affinité. Les expériences montrent que NoPA surpasse nettement les méthodes actuelles sans sacrifier la vitesse d'inférence en temps réel.
À mesure que les agents d'IA deviennent capables de raisonnements complexes sur de longs horizons, une évaluation rigoureuse et holistique est essentielle pour mesurer les progrès vers des applications concrètes en santé. Nous présentons HealthAgentBench, une suite de 54 tâches agentiques en santé réparties en 7 catégories, chacune dotée de son propre environnement. Ce banc d'essai couvre divers flux de travail tout au long du parcours patient ainsi qu'une large gamme de modalités. Chaque tâche est conçue pour reproduire un flux de travail clinique de bout en bout : à partir d'instructions minimales, un agent doit explorer des données brutes de santé, opérer dans un environnement complexe et exécuter des solutions en plusieurs étapes qui vont au-delà du simple prompting. Un taux de réussite final des tâches est rapporté afin de fournir une métrique unique et interprétable pour la performance globale de HealthAgentBench pour chaque agent. En évaluant les agents frontières sur HealthAgentBench, nous constatons que le taux de réussite global des tâches reste faible, soulignant la difficulté de la suite. L'agent le plus performant et le plus rentable, Codex GPT-5.5, n'atteint qu'environ 42 % de réussite. Au-delà de la performance agrégée, HealthAgentBench révèle des forces et faiblesses nuancées selon les catégories de tâches. Les agents frontières montrent un potentiel pour développer automatiquement des pipelines de modélisation de recherche sur les données de dossiers médicaux électroniques, mais l'imagerie médicale reste particulièrement difficile, notamment pour les modèles Claude Code, tandis que Codex GPT-5.5 manifeste une capacité émergente. Les tâches combinant de grands espaces de recherche avec des exigences de raisonnement compositionnel demeurent difficiles pour tous les agents actuels. Ensemble, ces résultats suggèrent que HealthAgentBench constitue un banc d'essai exigeant et réaliste, offrant une marge de progression significative. Nous publions notre banc d'essai à l'adresse https://github.com/microsoft/HealthAgentBench.
Trois des méthodes les plus populaires pour entraîner les modèles de langage à raisonner ressemblent à trois astuces différentes. Ce n’est pas le cas. Toutes trois ajustent un seul nombre : l’écart type, qui reflète le degré de désaccord entre les réponses échantillonnées à une requête. Lorsqu’un tel modèle est entraîné, il répond à chaque problème plusieurs fois, et un vérificateur automatique marque chaque réponse comme correcte ou incorrecte. L’écart type de ces marques mesure le désaccord : maximal lorsque les réponses se répartissent également entre bonnes et mauvaises, nul lorsqu’elles sont toutes d’accord. L’Optimisation Relative de Politique par Groupes (GRPO) divise par ce nombre, le GRPO Réalisé Correctement (Dr. GRPO) supprime la division, et l’Optimisation de Politique avec Clip Découplé et Échantillonnage Dynamique (DAPO) écarte les groupes où il est nul. Chacune est présentée comme une correction distincte, pourtant cet article prouve qu’elles sont trois réglages d’un même cadran. Ce cadran n’est pas cosmétique : pour des récompenses binaires correct/incorrect, le désaccord correspond exactement à la taille de la mise à jour d’entraînement — l’identité de l’écart type du groupe. Un groupe divisé enseigne le plus, tandis qu’un groupe unanime n’apprend rien et devient silencieux. Ce même résultat indique quels problèmes méritent le plus de poids et combien d’essais chacun nécessite. Cet article confirme l’intuition sur un large ensemble de données réelles de difficulté (Big-Math) et lors d’une session d’entraînement contrôlée. Ce qui semble n’être qu’une étape de normalisation anodine est en réalité le cadran qui décide où l’apprentissage a lieu et avec quelle force.
La déconvolution aveugle d'images exige la récupération de détails haute-fidélité et de structures cohérentes à partir de dégradations complexes et inconnues. Les méthodes actuelles de déconvolution aveugle peinent face aux dégradations réelles variant spatialement et manquent de la conscience sémantique nécessaire pour distinguer de manière fiable les textures valides des artefacts. Pour combler cette lacune, nous proposons CogSENet, un cadre de reconstruction dynamique et aligné sémantiquement, inspiré du système visuel de l'aigle. En imitant le balayage saccadique actif de l'aigle, nous concevons un module d'espace d'état piloté par la sémantique (SDSSM) avec un regroupement de jetons sémantiquement conscient par routage différentiable, permettant une modélisation des dépendances à longue portée conditionnée par des indices. Pour assurer une récupération physiquement interprétable des textures et des structures, un bloc de fusion bifréquence (BFFB) reflète la différenciation fonctionnelle de la rétine de l'aigle en décomposant les caractéristiques en hautes et basses fréquences à l'aide de transformées en ondelettes. Enfin, nous estimons un champ de flou continu (CBF) à partir de l'image floue et le fusionnons avec des a priori sémantiques de CLIP pour moduler les caractéristiques latentes les plus profondes, imitant l'adaptation focale et permettant une restauration adaptative sous un flou spatialement non uniforme. Des expériences approfondies montrent que CogSENet surpasse les méthodes de déconvolution de pointe à la fois en qualité visuelle et en fidélité structurelle avec moins de paramètres, tout en obtenant de bons résultats sur les tâches de désembuage, de dépluie et de débruitage.
Dans le dialogue collaboratif, la perception partagée ne garantit pas une interprétation partagée. La compréhension mutuelle doit s'établir par l'interaction. Nous étudions si les modèles vision-langage (VLMs) peuvent distinguer ce qui pourrait être partagé de ce qui a été effectivement partagé entre les participants au dialogue via l'ancrage. Nous formulons cela comme une tâche d'appariement d'interprétations sur 13 077 expressions de référence annotées issues des dialogues HCRC MapTask, et évaluons les VLMs sous des manipulations systématiquement contrôlées du contexte dialogique et de l'accès à l'information cartographique. Nos résultats montrent que fournir des images de cartes authentiques améliore la performance globale mais pousse les modèles à sur-prédire l'alignement. Les descriptions textuelles du même contenu cartographique reproduisent ce biais, tandis que des images non informatives suppriment entièrement les prédictions d'alignement, indiquant que ce biais est conduit par le contenu cartographique pertinent à la tâche, non par le canal visuel. Cette amélioration se fait au détriment d'une précision réduite sur les cas non alignés. L'analyse de calibration et le suivi des chaînes de référence suggèrent en outre que les modèles s'appuient sur des indices référentiels statiques sur les cartes plutôt que de suivre le déroulement de l'ancrage à travers l'historique dialogique. Nous observons ces schémas le plus clairement chez Qwen3-VL-8B-Instruct et, à des degrés divers, chez quatre modèles supplémentaires issus de deux familles architecturales. Dans les modèles qui présentent ce biais, le contenu cartographique, qu'il soit présenté visuellement ou textuellement, est traité comme une preuve de compréhension mutuelle, confondant la base commune potentielle avec la base commune établie.
Les humains trop réfléchissent ; les modèles de langage sur-échantillonnent, et l'effort supplémentaire peut amener les deux à une réponse moins bonne. Les systèmes de raisonnement répondent à une question difficile en l'échantillonnant de nombreuses fois (passage à l'échelle au moment du test), et plus ils tirent, plus une réponse correcte apparaît quelque part, de sorte que la couverture, la fraction de problèmes avec au moins une tentative correcte, augmente et semble être un progrès. Mais un système déployé doit renvoyer une seule réponse, et la choisir, sans savoir quelle tentative est correcte, c'est la sélection ; la sélection est plafonnée, et au-delà d'un certain point, des échantillons supplémentaires ne font que rendre le modèle plus sûr d'une erreur confiante, même si chaque tirage ajoute un coût. L'écart entre la couverture croissante et la sélection stagnante, l'écart d'identifiabilité, est la réponse qu'un modèle peut produire mais pas choisir. Donc la vraie question n'est pas de savoir s'il faut échantillonner, mais jusqu'où, et la réponse est : pas loin. Pour choisir une réponse, le vote s'est déjà stabilisé en quelques dizaines de tirages, le plafond modal ; pour noter un benchmark, encore plus tôt, le plafond de corrélation. Au-delà de cela, des tirages supplémentaires coûtent du calcul et n'ajoutent rien, et peuvent même rendre la réponse pire. Cet article transforme le seuil en un nombre unique, le nombre effectif d'échantillons, que toute session d'échantillonnage révèle déjà. Le goulot d'étranglement est de reconnaître une réponse correcte, pas d'en générer une.