Aller au contenu

Veille IA du

Cette page est l’édition archivée d’un jour précis. Elle ne change plus.

Dernier digest S’abonner

Récap de la semaine : actualités

du 17 août au 23 août 2026 50 articles

Modèles d’IA et recherche

  • OpenAI suspend l’augmentation de ses modèles frontaliers pour mettre en place des mesures de sécurité, de surveillance et d’alignement plus strictes face aux préoccupations liées aux capacités cyber-⁠critiques, et présente Private Safety Processing pour des modèles frontaliers sans conservation de données [1, 2, 3, 4, 5].
  • Z.ai publie GLM-⁠5.3, atteignant des performances frontalières en codage et des capacités cyber émergentes grâce à un post-⁠entraînement étendu ; les poids sont retardés pour examen de sécurité et désormais disponibles sur API à 1.4/4.4 $ par million de tokens [6, 7, 8, 9, 10].
  • Qwen 3.8 27B obtient de solides résultats dans les benchmarks, fonctionne efficacement sur du matériel local et obtient un score de 52 à l’Artificial Analysis Intelligence Index [11, 12].
  • Anthropic indique ne pas prévoir de publier un modèle interne plus puissant ("Model 2") en raison des risques croissants et des défis de vérification [13].
  • La fonctionnalité ChatGPT Computer History d’OpenAI sur macOS enregistre tous les clics/frappes en texte brut, soulevant des préoccupations en matière de confidentialité [14].

Outils LLM, agents et RAG

  • Les agents gérés Claude permettent à ABC Legal de déployer une flotte gouvernée d’agents spécialisés, versionnés et observables auprès de 1 100 employés [15].
  • Cloudflare ajoute la détection du trafic MCP et des contrôles Zero Trust pour le trafic des agents IA, y compris les sélecteurs Gateway et la prise en charge OAuth pour les portails MCP [16, 17].
  • Needle 2 (45M paramètres) est un petit modèle ouvert et efficace pour l’appel d’outils et l’extraction structurée, surpassant des modèles plus grands dans les benchmarks [18].
  • DataBench de Hex évalue les agents IA sur des tâches analytiques réalistes, révélant des forces dans la collecte de preuves mais des faiblesses dans le jugement ouvert [19].
  • Google Antigravity introduit des agents personnalisés pour des configurations d’agents basées sur des fichiers et limitées, réduisant la surcharge de tokens et améliorant la concentration sur les tâches [20].
  • Agent Safehouse propose un bac à sable macOS pour restreindre l’accès des LLM locaux aux seuls fichiers/intégrations nécessaires [21].
  • Stripe acquiert OpenRouter pour plus de 7 milliards de dollars, obtenant une plateforme de routage de modèles pour renforcer son empreinte IA [22, 23, 24].
  • Le SDK IA de Vercel ajoute le mode Code pour que les modèles puissent écrire du JavaScript/TypeScript qui appelle les outils du SDK IA [25].
  • GitHub Copilot pour JetBrains bénéficie de paramètres gérés au niveau de l’entreprise pour les plugins, les listes autorisées de serveurs MCP, OpenTelemetry et les modes de permission [26].
  • Replit introduit le mode Free alimenté par GPT-⁠5.6 Luna pour permettre à chacun de créer des logiciels fonctionnels sans se soucier du coût des tokens [27, 28].
  • GraphRAG est présenté comme une technique pour répondre à des questions inter-⁠documents en structurant la récupération sur des graphes de connaissances plutôt que sur des corpus plats [29].

MLOps, DevOps et pratiques d’ingénierie

  • dbt Core v1.12 est disponible en version stable avec des améliorations des UDF, des simplifications du catalogue Iceberg et un analyseur Rust en option pour la préparation de la v2.0 [30].
  • Apache Hudi 1.0 accélère les recherches ponctuelles dans les lakehouses à des performances proches de celles des bases de données grâce à des index [31].
  • La version préliminaire de DuckDB v2.0 introduit un nouveau parseur SQL, un format de stockage et des fonctionnalités axées serveur, marquant un virage vers les cas d’usage serveur [32, 33, 34].
  • OpenSearch 3.8 améliore l’ingestion de vecteurs, le débit des requêtes radiales et ajoute l’inférence en streaming gRPC pour une latence réduite [35].
  • Docker Desktop 4.86 bêta introduit un hyperviseur unifié pour des performances cohérentes sur macOS/Windows/Linux [36].
  • Docker étend la sécurité de la chaîne d’approvisionnement avec de nouvelles mises à jour pour réduire les CVE face à la hausse du code généré par IA et des risques de dépendances [37].
  • AWS IAM Role Manager crée automatiquement des rôles pour les nouvelles charges de travail, simplifiant l’intégration pour les utilisateurs nouveaux sur AWS [38].
  • Argo Workflows 4.1 ajoute le traçage OpenTelemetry, l’allocation GPU/périphérique via Kubernetes DRA et réduit l’utilisation de la mémoire du contrôleur [39].
  • Mojo est désormais entièrement open source sous licence Apache 2.0 avec des exceptions LLVM, ciblant les GPU et les accélérateurs IA [40, 41].
  • GitHub ajoute la révocation d’identifiants par type de token, permettant une désautorisation plus fine lors des incidents de sécurité [42].

Sécurité et réponse aux incidents

  • Vulnérabilité critique de pollution de prototype (CVE-⁠2026-⁠33696) dans n8n permettant une exécution de code à distance via la manipulation du schéma du nœud GSuiteAdmin ; mise à jour immédiate requise [43].
  • RingCentral révèle une violation exposant les informations personnelles de 1,6 million de comptes via une attaque d’ingénierie sociale [44].
  • Tailscale identifie une condition de course dans le WAL SQLite vieille de 16 ans provoquant une corruption, menant à des corrections en amont et à des outils de récupération [45].
  • Les exports QUERY_HISTORY de Snowflake peuvent corrompre les valeurs INT32 ; le transtypage des colonnes concernées évite les débordements et les mauvaises analyses [46].
  • OWASP publie son Top 10 des risques de sécurité CI/CD, couvrant l’abus de dépendances, l’empoisonnement de pipeline et les lacunes de contrôle d’accès [47].
  • Mozilla révoque une clé de signature de Firefox après qu’une copie non chiffrée a été exposée dans un dépôt GitHub privé [48].
  • Vulnérabilité MLflow (CVE-⁠2026-⁠64849) activement exploitée : SSRF dans les versions <3.15.0 permet le vol d’identifiants via le rebind DNS ; correction immédiate requise [49].
  • Endor Labs a découvert 14 failles critiques/élevées dans les plateformes d’agents IA (NocoBase, Flowise, Langflow, Dify, Activepieces, Kestra, Airflow), dont des RCE non authentifiées et des échappées de bac à sable [50].
Sources
  1. Pacing model development in an era of cyber-⁠critical capabilities openai.com
  2. Offering Zero Data Retention for frontier models openai.com
  3. Offering Zero Data Retention for frontier models openai.com
  4. OpenAI Slowed Training Over Cyber Risks openai.com
  5. OpenAI Institutes New Safeguards After Hugging Face Breach techcrunch.com
  6. GLM-⁠5.3: Frontier Coding with Emergent Cyber Capabilities z.ai
  7. Z.ai Delays GLM-⁠5.3 Weights Two Weeks After Cyber Score Beats Mythos 5 implicator.ai
  8. GLM-⁠5.3: How Chinese labs keep stride with the frontier interconnects.ai
  9. GLM-⁠5.3 hits the API at 1.4/4.4 per million tokens venturebeat.com
  10. GLM-⁠5.3: Frontier Coding with Emergent Cyber Capabilities z.ai
  11. Qwen 3.8 27B is excellent, but it defaults to wildly overthinking things simonwillison.net
  12. Qwen 3.8 27B scores 52 on the Artificial Analysis Intelligence Index simonwillison.net
  13. Anthropic sees AI risks rising, no plan to release stronger "Model 2" axios.com
  14. ChatGPT Computer History Logs Every Click and Keystroke on Your Mac hwbusters.com
  15. How ABC Legal turned every employee into a builder with Claude Managed Agents claude
  16. Secure all your internal vibe-⁠coded applications, in one click blog.cloudflare.com
  17. How Cloudflare detects MCP traffic and helps secure it blog.cloudflare.com
  18. Needle github.com
  19. Introducing DataBench hex.tech
  20. Introducing Custom Agents antigravity.google
  21. Agent Safehouse github.com
  22. Stripe Clinches Over $7 Billion Deal to Buy AI Firm OpenRouter bloomberg.com
  23. Stripe Will Reportedly Acquire OpenRouter for Over $7B techcrunch.com
  24. [AINews] Stripe buys OpenRouter for $7B latent.space
  25. Code Mode ai-⁠sdk.dev
  26. Enterprise managed settings in GitHub Copilot for JetBrains github.blog
  27. Replit expands access to software creation with GPT-⁠5.6 Luna openai.com
  28. Replit Introduces Free Mode replit.com
  29. GraphRAG: How AI Answers Questions Hidden Across Many Documents blog.bytebytego.com
  30. dbt Core v1.12 is GA dbt.com
  31. Point Lookups on the Lakehouse: How Hudi Indexes Accelerate Read-⁠Heavy Workloads hudi.apache.org
  32. A Preview of DuckDB v2.0 duckdb.org
  33. DuckDB v2.0: Your Database Deserves a Better Parser duckdb.org
  34. A Preview of DuckDB v2.0 duckdb.org
  35. What’s new in OpenSearch 3.8 opensearch.org
  36. Docker Desktop Gets a Hypervisor of its Own cloudnativenow.com
  37. Make zero CVEs your new default docker.com
  38. How AWS IAM Role Manager Rethinks the Starting Point for IAM Roles aws.amazon.com
  39. Argo Workflows 4.1 medium.com
  40. Mojo🔥 is now open source! modular.com
  41. Mojo🔥 is now open source simonwillison.net
  42. Credential revocation and deauthorization by token type github.blog
  43. From a Schema Name to RCE in n8n simonkoeck.com
  44. RingCentral Data Breach Exposed Info of 1.6M Accounts bleepingcomputer.com
  45. How we tracked down a 16-⁠year-⁠old SQLite bug tailscale.com
  46. Snowflake says this 149 GB query scanned -1.5 GB espresso.ai
  47. OWASP Top 10 CI/CD Security Risks owasp.org
  48. Mozilla Revokes Firefox Signing Key After Unencrypted Copy Lands in GitHub theregister.com
  49. MLflow Bug Actively Exploited to Steal Credentials decipher.sc
  50. Hacking Your Life With AI Can Get You Hacked endorlabs.com

Récap de la semaine : publications

du 17 août au 23 août 2026 67 publications

Raisonnement, évaluation et sécurité des LLM

  • Un cadre pour le raisonnement des LLM sépare l’interprétation des preuves de l’agrégation des décisions en utilisant un tuple de preuves à quatre champs et identifie la dérive d’échelle de comptage comme un mode de défaillance désalignant les règles de vote avec l’ordre a posteriori lorsque les fiabilités des sources diffèrent [1].
  • Une méthode en un seul passage permet aux LLM gelés de répondre et de s’abstenir en reconstruisant les résidus pré-⁠pilotage, évitant ainsi les interférences de suffisance du pilotage et récupérant jusqu’à 8 points d’AUROC perdus dans les approches précédentes [2].
  • La satisfaction informationnelle en tant qu’axe d’évaluation centré sur le lecteur montre que les métriques de résumé (ROUGE, BERTScore) ne capturent pas l’utilité spécifique à l’utilisateur, les signaux de persona/contexte alignant mieux les résumés sur les besoins individuels [3].
  • Principle-⁠Bench évalue la fiabilité des LLM en tant que juges sur les axes de l’exactitude, de la robustesse aux paraphrases, de la robustesse adversariale et de l’étalonnage, révélant qu’aucune méthode ne domine tous les axes [4].
  • Faux mais utile : >40 % des messages à mauvaise réponse qui modifient la justesse finale dans la délibération multi-⁠agents apportent une valeur de trajectoire (par ex., des décompositions utiles) [5].
  • Les détecteurs de conformité présentent une cécité aux règles : supprimer, permuter ou substituer les règles directrices change à peine la précision de détection à travers les sondes d’activation et les modèles de garde, y compris les gardes conditionnés par des politiques [6].
  • L’hypnose de modèle montre que des indices discrets dans les prompts (par ex., paraphrases, fautes de frappe) peuvent contrôler systématiquement le comportement du modèle à travers différentes familles et échelles [7].
  • BabelSteering transfère les directions de refus de sécurité dérivées de l’anglais à des contextes multilingues via le pilotage d’activation, augmentant le refus des demandes nuisibles dans huit langues avec une perte marginale d’utilité mais un certain sur-⁠refus [8].
  • PCA-⁠guided Activation Scaling (PAS) permet un contrôle monotone et bidirectionnel sur la flagornerie des LLM (ρ de Spearman = +0,92, décalage moyen de 15,4 % par direction) [9].
  • GEOFlagBench (3 200 pages web) révèle des lacunes dans la détection de l’optimisation des moteurs génératifs (GEO) malgré un F1 global élevé (0,880) [10].
  • ConceptGuard évalue le désapprentissage sensible au contexte pour les concepts à double usage, comblant les lacunes des évaluations disjointes oublier/conserver [11, 12, 13].
  • AI4AI-⁠Bench teste l’auto-⁠amélioration récursive en faisant réécrire des algorithmes d’entraînement par des agents LLM dans un budget de calcul fixe [14, 15, 16].
  • Phantom Gains audite les affirmations d’auto-⁠amélioration, exposant des artefacts de mesure (par ex., changements de capacité induits par le batching) et proposant des tests exacts par problème [17, 18, 19].
  • MemTrapBench montre que les mémoires récupérées peuvent fausser le raisonnement (par ex., fixation, distorsion de croyance), toutes les stratégies de mémoire testées étant moins performantes que les bases sans mémoire de >10 % [20, 21, 22].
  • InsufficiencyBench évalue les LLM sur des requêtes juridiques sous-⁠spécifiées, révélant qu’aucun modèle ne dépasse F2=0,46 dans l’identification des informations matérielles manquantes [23, 24].
  • ContractScrub introduit le premier benchmark pour l’examen des contrats juridiques, testant la détection d’erreurs (par ex., mauvaise utilisation des termes définis) dans des documents artisanaux [25, 26].

Systèmes agentiques, planification et modèles du monde

  • Marionette modélise des états de monde 3D évolutifs (par ex., squelettes articulés) pour des jeux interactifs, déléguant la géométrie/occlusion à un rendu sans paramètre et se concentrant sur l’apparence, améliorant la cohérence à long terme [27].
  • Twin construit des modèles de monde exécutables à partir de l’interaction seule, inférant des règles et des objectifs pour réussir 97,8 % des niveaux ARC-⁠AGI-⁠3, souvent plus efficacement que les humains [28].
  • SheetCompass utilise des graphes de relations hiérarchiques pour le raisonnement agentique sur tableurs, capturant les associations inter-⁠tableaux et les dispositions spatiales [29].
  • Les agents incarnés neurosymboliques combinent l’exploration visuelle orientée tâche et la planification symbolique contrainte (PDDL), atteignant >90 % de succès sur VirtualHome et ALFWorld avec des modèles ouverts de 4B à 27B [30].
  • BATON aborde la manipulation robotique à long horizon via l’exploration agentique de sous-⁠tâches avec une mémoire consciente des transitions, réduisant le coût multiplicatif de l’exploration [31].
  • HAF adapte les modèles VLA à la loco-⁠manipulation corporelle complète des humanoïdes via un flux d’action hiérarchique et un RL latent spectral, évitant le fine-⁠tuning direct [32].
  • Recirculation introduit une récurrence au temps d’inférence pour les modèles de base, réduisant la perplexité et améliorant la précision avec un surcoût de latence minimal [33].
  • Learning When to Think entraîne les modèles à choisir de manière adaptative des modes de raisonnement (NoThink/Court/Long) via GRPO, les modes émergent sans effondrement et les modes brefs surpassent Long sur les problèmes plus faciles [34, 35, 36].
  • Break It Down, Pass It On constate que les compétences textuelles au niveau des sous-⁠tâches se transfèrent plus fiablement que les compétences au niveau des tâches ou du code, la spécificité/l’abstraction étant des propriétés clés [37, 38, 39].

Systèmes vision-⁠langage et multimodaux

  • Les modèles vision-⁠langage présentent un biais de couleur : les mots positifs colorés en vert orientent les prédictions de sentiment vers le positif, provoquant une mauvaise classification du contenu négatif et affectant les représentations latentes [40].
  • Rollplex optimise l’utilisation du GPU pour le post-⁠entraînement des VLMs en superposant le calcul des préfixes avec le décodage par rollout, réduisant la surcharge mémoire (par ex., 165 GiB pour Qwen2.5-⁠VL-⁠32B) sans rompre la sémantique on-⁠policy [41].
  • ReWEIGH étalonne les preuves visuelles ordinales au niveau des tokens dans les LVLMs en agrégeant des signaux basés sur le rang, réduisant les hallucinations sans entraînement [42].
  • MedUAG introduit un modèle multimodal médical unifié de compréhension et de génération, ainsi que MedUAGCorpus (6M+ instances, 14 modalités d’imagerie) et MedUAGBench (12 tâches de génération) [43].
  • GS-⁠VLA permet une canonicalisation plug-⁠and-⁠play du point de vue pour les politiques VLA gelées via Gaussian Splatting, restaurant la robustesse aux changements de caméra sans réentraînement (par ex., chute de succès de 90 %→10 % sur LIBERO atténuée) [44].

Efficacité, optimisation et architecture

  • Attention-⁠Aware Transform Coding (AATC) comprime les caches KV via un codage par transformée pour minimiser la distorsion consciente de l’attention, surpassant la quantification uniforme sur les benchmarks de contexte long [45].
  • DeaMoE regroupe les experts MoE en départements avec des paramètres partagés pour accélérer le décodage par petits lots, traitant les goulots d’étranglement mémoire [46].
  • LP-⁠NAS formule la recherche d’architecture comme un programme linéaire en utilisant les gradients de perte de validation et les hessiennes de perte d’entraînement, permettant une NAS différentiable plus rapide [47].
  • Proteus introduit l’activation mémoire incrémentale pour la modélisation de contexte long, étendant progressivement la mémoire pour forcer une compression précoce et réduire les interférences [48].
  • Relation remplace l’attention par des primitives de mélange de tokens (Relation Complète/Flash/Linéaire), atteignant un NLL de validation inférieur à celui du MHA à des échelles comparables et 76,4–84,9 % du débit de FlashAttention [49, 50, 51].
  • Daedalus-⁠150M est un hybride convolution-⁠attention optimisé pour l’inférence CPU, utilisant des convolutions courtes pour limiter la croissance mémoire et surpassant des bases plus grandes sur un benchmark à 5 tâches [52, 53, 51].
  • Quelle politique d’éviction un cache LLM doit-⁠il utiliser ? constate que LFU domine tous les types de charge de travail (aucune politique ne la dépasse de >0,041 pp), tandis que FIFO et SISO en streaming accusent un retard allant jusqu’à 8,67 pp [54].

Applications spécifiques à un domaine

  • RecipeNet capture les interactions au niveau des champs et les dépendances séquentielles dans les données de recettes, surpassant les modèles tabulaires sur les tâches de recettes [55].
  • CytoBERT est un modèle de base pour les données de cytométrie, pré-⁠entraîné sur 50M+ cellules à travers des panneaux de marqueurs hétérogènes [56].
  • G-⁠CARL introduit l’Interprétation des rapports médicaux orientée patient (PMRI) via un cadre RL aligné sur une checklist et ancré, équilibrant la factualité et l’accessibilité [57, 58, 59].
  • Claude (Mythos Preview et Opus 4.8/5) a conçu des liants protéiques contre 15 cibles (14 réussis, taux de liaison de 22–35 %) et a analysé des données NMR/LC-⁠MS à partir de fichiers de laboratoire bruts en 19–23 minutes, égalant l’analyse humaine sur les comptages d’hydrogène et la pureté [60].

Benchmarks et évaluation

  • InstaBind-⁠Lite formalise la Liaison erronée d’attributs de même classe dense (DSCAM) dans les VLMs avec 524 images et 9 580 questions [61].
  • CaliBench évalue l’étalonnage physique des modèles de monde vidéo en notant les résultats dans des espaces discrets et interprétables (par ex., faces de dés) [62].
  • FormalTCS évalue la recherche frontalière formelle en TCS de bout en bout (175 instances), révélant l’auto-⁠formalisation comme le goulot d’étranglement le plus marqué (11,5 vs 28,6 Pass@8 pour la preuve) [63, 64].
  • OenoBench propose un benchmark de connaissances dans le domaine du vin (3 266 QCM), avec des écarts de précision de 53 % à 84 % parmi 16 modèles frontaliers [65, 66].
  • SOP-⁠Bench évalue les agents IA sur des procédures opérationnelles standard (SOP) réelles issues des secteurs de la santé, de la logistique et de la finance [67].
Sources
  1. Split the Labor: Separating Evidence Interpretation from Decision Aggregation arxiv cs.CL
  2. You Only Pass Once: Answering and Abstaining Together in a Single Forward Pass of a Frozen Language Model arxiv cs.CL
  3. Information Satisfaction: A Reader-⁠Centered Axis for Summarization Evaluation arxiv cs.CL
  4. A Four-⁠Axis Trustworthiness Benchmark for LLM-⁠as-⁠Judge in Principle-⁠Based Regulation arxiv cs.CL
  5. Wrong but Useful: Trajectory Value Beyond Answer Correctness in Multi-⁠Agent Messages arxiv cs.CL
  6. What Do Compliance Detectors Read? An Audit of Activation Probes and Guard Models arxiv cs.AI
  7. Model Hypnosis: Strong control of AI via additive subliminal effects arxiv cs.CL
  8. BabelSteering: Multilingual Safety Alignment via English Steering Vectors arxiv cs.CL
  9. PCA-⁠guided Activation Scaling for Monotonic Bidirectional Control over LLM Sycophancy arxiv cs.CL
  10. GEO-⁠Flag: Detecting and Measuring GEO-⁠Optimized Web Content arxiv cs.LG
  11. ConceptGuard: Benchmarking Context-⁠Sensitive Unlearning in Large Language Models arxiv cs.CL
  12. ConceptGuard: Benchmarking Context-⁠Sensitive Unlearning in Large Language Models arxiv cs.CL
  13. ConceptGuard: Benchmarking Context-⁠Sensitive Unlearning in Large Language Models arxiv cs.CL
  14. AI4AI-⁠Bench: Benchmarking LLM Agents in Algorithmic Design for Recursive Self-⁠Improvement arxiv cs.CL
  15. AI4AI-⁠Bench: Benchmarking LLM Agents in Algorithmic Design for Recursive Self-⁠Improvement arxiv cs.CL
  16. AI4AI-⁠Bench: Benchmarking LLM Agents in Algorithmic Design for Recursive Self-⁠Improvement arxiv cs.CL
  17. Phantom Gains: Auditing Self-⁠Improvement Against a Measured Null arxiv cs.CL
  18. Phantom Gains: Auditing Self-⁠Improvement Against a Measured Null arxiv cs.CL
  19. Phantom Gains: Auditing Self-⁠Improvement Against a Measured Null arxiv cs.CL
  20. MemTrapBench: Benchmarking Cognitive Traps in LLM Memory Use arxiv cs.CL
  21. MemTrapBench: Benchmarking Cognitive Traps in LLM Memory Use arxiv cs.CL
  22. MemTrapBench: Benchmarking Cognitive Traps in LLM Memory Use arxiv cs.CL
  23. InsufficiencyBench: Evaluating LLM legal advice on underspecified user queries arxiv cs.AI
  24. InsufficiencyBench: Evaluating LLM legal advice on underspecified user queries arxiv cs.AI
  25. ContractScrub: A benchmark for final review of legal contracts arxiv cs.CL
  26. ContractScrub: A benchmark for final review of legal contracts arxiv cs.CL
  27. Marionette: Predicting World States, Rendering Geometry, Painting Appearance arxiv cs.AI
  28. Twin: Playing an Unknown Game with a Test-⁠Time Digital Twin arxiv cs.AI
  29. SheetCompass: Hierarchical Relation Graphs for Agentic Spreadsheet Reasoning arxiv cs.AI
  30. Neurosymbolic Embodied Agents arxiv cs.CL
  31. Don’t Drop the BATON: Long-⁠Horizon Robot Manipulation via Agentic Subtask Exploration and Transition-⁠aware Memory arxiv cs.AI
  32. HAF: Adapting Generalist VLAs to Humanoid Whole-⁠Body Loco-⁠manipulation via Hierarchical Action Flow and Spectral Latent RL arxiv cs.AI
  33. Recirculation arxiv cs.LG
  34. Learning When to Think: Adaptive Reasoning for Test-⁠Time Compute Allocation arxiv cs.AI
  35. Learning When to Think: Adaptive Reasoning for Test-⁠Time Compute Allocation arxiv cs.AI
  36. Learning When to Think: Adaptive Reasoning for Test-⁠Time Compute Allocation arxiv cs.AI
  37. Break It Down, Pass It On: Cross-⁠Task Skill Transfer in LLM Agents arxiv cs.CL
  38. Break It Down, Pass It On: Cross-⁠Task Skill Transfer in LLM Agents arxiv cs.CL
  39. Break It Down, Pass It On: Cross-⁠Task Skill Transfer in LLM Agents arxiv cs.CL
  40. Seeing Red, Thinking Bad: Color Bias in Vision Language Models arxiv cs.CL
  41. Rollplex: Cross-⁠Phase GPU Spatial Sharing for Vision Language Model Post-⁠Training arxiv cs.LG
  42. ReWEIGH the Evidence: Calibrating Token-⁠Level Ordinal Visual Evidence to Mitigate Hallucinations in Large Vision-⁠Language Models arxiv cs.CL
  43. MedUAG: Unified Understanding and Generation for Medical Multimodal Models arxiv cs.CL
  44. GS-⁠VLA: Plug-⁠and-⁠Play Viewpoint Canonicalization for Frozen VLA Policies via Gaussian Splatting arxiv cs.AI
  45. KV Cache Compression Through the Lens of Transform Coding arxiv cs.CL
  46. DeaMoE: Efficient MoE Structure for Fast Small-⁠Batch Decoding arxiv cs.LG
  47. LP-⁠NAS: Linear Programming-⁠based Neural Architecture Search arxiv cs.LG
  48. Proteus: Incremental Memory Activation for Long-⁠Context Sequence Modeling arxiv cs.CL
  49. Ask Self, Ask Others: Relation Is All You Need arxiv cs.LG
  50. Ask Self, Ask Others: Relation Is All You Need arxiv cs.LG
  51. Daedalus-⁠150M: A Convolution-⁠Attention Hybrid Designed for CPU Inference arxiv cs.CL
  52. Daedalus-⁠150M: A Convolution-⁠Attention Hybrid Designed for CPU Inference arxiv cs.CL
  53. Daedalus-⁠150M: A Convolution-⁠Attention Hybrid Designed for CPU Inference arxiv cs.CL
  54. Which Eviction Policy Should an LLM Cache Use? A Systematic Study Across Workloads, Capacities, and Encoders arxiv cs.LG
  55. RecipeNet: A Hierarchical Transformer for Recipe Data arxiv cs.LG
  56. CytoBERT: A Foundation Model for Cytometry Data arxiv cs.LG
  57. G-⁠CARL: Grounded Checklist-⁠Aligned Reward Learning for Patient-⁠Oriented Medical Report Interpretation arxiv cs.CL
  58. G-⁠CARL: Grounded Checklist-⁠Aligned Reward Learning for Patient-⁠Oriented Medical Report Interpretation arxiv cs.CL
  59. G-⁠CARL: Grounded Checklist-⁠Aligned Reward Learning for Patient-⁠Oriented Medical Report Interpretation arxiv cs.CL
  60. Aug 18, 2026ScienceHow Claude is accelerating protein design and analytical chemistry anthropic research
  61. Diagnosing Dense Same-⁠Class Attribute Misbinding in Large Vision-⁠Language Models arxiv cs.AI
  62. CaliBench: Are the Stochastic Dynamics of Video World Models Physically Calibrated? arxiv cs.LG
  63. FormalTCS: Benchmarking End-⁠to-⁠End Frontier Formal Theoretical Computer Science Research of Large Language Models arxiv cs.CL
  64. FormalTCS: Benchmarking End-⁠to-⁠End Frontier Formal Theoretical Computer Science Research of Large Language Models arxiv cs.CL
  65. OenoBench: A Wine-⁠Domain Benchmark for Knowledge-⁠Grounded Evaluation of Large Language Models arxiv cs.CL
  66. OenoBench: A Wine-⁠Domain Benchmark for Knowledge-⁠Grounded Evaluation of Large Language Models arxiv cs.CL
  67. SOP-⁠Bench: A new benchmark for evaluating AI agents on real business procedures amazon.science