Aller au contenu

Veille IA du

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

Dernier digest S’abonner

Actualités du jeudi 3 septembre 2026

62 articles

Modèles d’IA et progrès frontaliers

  • OpenAI lance GPT-⁠6 Astra, un modèle transformer en boucle au prix de 10 $/50 $ par million de tokens en entrée/sortie ; il sature FrontierMath (97,6 %) et ARC-⁠AGI-⁠3 (99,9 %), et est classé comme Critique pour les capacités de cybersécurité selon le Cadre de préparation d’OpenAI [1, 2, 3, 4].
  • Meta publie Muse Spark 1.3, rivalisant avec GPT-⁠5.6-⁠Sol et se classant n°3 mondial selon l’AAII ; il offre des réductions de plus de 90 % des coûts de formation pour l’utilisation de données opt-⁠in, avec des poids ouverts promis pour Spark 1.2 et à l’étude pour 1.3 ; il utilise également environ 20 % d’appels d’outils en moins et 25 % de tokens en moins que 1.2 dans les tests de codage internes [5, 6, 7, 8].
  • Google lance Gemini 3.8 Flash en versions générale et Cyber, avec un tarif promotionnel de 0.75 $/3.75 $ par million de tokens en entrée/sortie jusqu’à la fin de l’année ; la variante Cyber est optimisée pour la détection de vulnérabilités et est disponible via des programmes de défense restreints [9, 10, 11, 12].
  • Google DeepMind présente WeatherNext 3, un modèle météo IA avec des données satellite en temps réel, des mises à jour horaires, une résolution plus élevée et des variables d’énergie propre, intégré dans Search, Maps et Cloud [13].
  • OpenAI s’engage à investir 1 milliard de dollars dans Daybreak pour les Défenseurs de première ligne, élargissant l’accès à l’IA cyber frontalière, à la formation et au soutien pour les services essentiels [14].

Systèmes d’agents et outils

  • GPT-⁠6 Astra démontre une capacité complète d’ingénieur IA, aidant à la sélection/formation des modèles, à l’étiquetage des données, à la saturation des pipelines et à l’instrumentation ; les premiers adopteurs signalent une amélioration de 40 % des flux de travail et 50 % de corrections manuelles en moins dans le prototypage [1, 15, 16].
  • Le défi des agents IA de Google met en avant les modèles gagnants : MCP bidirectionnel pour les communications inter-⁠agents, bus d’événements asynchrones, validation unifiée pour les solutions de repli et routage hiérarchisé pour réduire les coûts d’inférence [17].
  • FrontierHarness Eval montre que les harnais d’agents de codage avec des taux de réussite similaires peuvent varier jusqu’à 17 fois en coût ; Codex mène avec 66,7 % de taux de réussite et un coût modéré, tandis qu’Exo est le moins cher et DSH Minimal le plus rapide [18].
  • Hugging Face introduit Funes, un benchmark et une méthode pour donner aux agents de codage une mémoire persistante et propriété via des traces de transfert/rappel [19].
  • GitHub détaille les tactiques d’efficacité des coûts pour le codage IA : optimiser pour le résultat de la tâche plutôt que pour le nombre de tokens, car des réponses d’outils concises peuvent augmenter les appels et ralentir les progrès [20].
  • Databricks retrace des échecs silencieux d’outils MCP ayant causé 499 000 $ de tokens gaspillés et 1,2 million de dollars de perte de productivité annuelle ; les corrections ont pris environ 1 heure, soulignant la nécessité de traçage des appels d’outils et de gestion des entrées tolérantes aux LLM [21].
  • La liste d’attente de la superapplication Muse de Meta s’ouvre pour iOS, avec un paramètre bureau pour l’utilisation sur ordinateur, indiquant des tests d’une variante de modèle prenant en charge le contrôle de l’ordinateur [22].
  • Cursor permet aux agents cloud de s’exécuter sur des pools de machines dynamiquement planifiés et gérés par l’utilisateur au sein de réseaux privés, permettant une proximité avec les services internes et le matériel personnalisé [23].
  • Claude-⁠BugHunter regroupe 83 compétences Claude Code à chargement automatique, distillées à partir de 681 rapports HackerOne, pour des modèles de détection par classe et des templates de charge utile [24].

MLOps, benchmarks et évaluations

  • MLCommons MLPerf Storage v3.0 ajoute des tests de cache KV, de base de données vectorielle et de stockage d’objets S3, reflétant les goulots d’étranglement réels de l’IA dans les caches d’inférence, les index et les points de contrôle [25].
  • TimesFM-⁠3 de Google étend les modèles de base de séries temporelles zero-⁠shot à la prévision multivariée avec des covariables passées/futures, ciblant le commerce, l’observabilité, la finance et les opérations sans fine-⁠tuning [26].
  • TxBench-⁠AB est un nouveau benchmark évaluant l’efficacité des LLM dans la découverte d’anticorps pour la recherche biomédicale [27].
  • Une architecture détaillée pour des harnais d’agents fiables insiste sur l’absorption de la complexité inévitable dans les abstractions principales plutôt que dans les extensions/utilisateurs [28].

Cloud et infrastructure

  • Netflix parallélise les expériences Apache Spark à l’échelle de production pour exposer plus rapidement les goulots d’étranglement de mémoire/redistribution, remplaçant les réglages ponctuels lents [29].
  • Lyft migre sa flotte de streaming d’un opérateur Kubernetes Flink personnalisé vers l’opérateur open-⁠source Apache Flink, utilisant des opérations parallèles et des contrats préservés pour simplifier la gestion [30].
  • Cloudflare prototype le transcodage de cache avec Zstandard dans Pingora, réduisant la taille des actifs texte à ~1/3 et débloquant des pétaoctets de capacité de cache avec une surcharge CPU minimale [31].
  • WAIT FOR LSN de PostgreSQL 19 permet une cohérence read-⁠your-⁠own-⁠writes sur les réplicas en attendant une position WAL spécifique, évitant l’épinglage du primaire ou les astuces de mise en veille [32].
  • Kubernetes 1.37 passe la prise en charge des ressources étendues DRA en GA, permettant aux pilotes DRA de satisfaire les demandes via l’API traditionnelle des ressources étendues sans plug-⁠in d’appareil séparé [33].
  • Uppy 6.0 consolide les packages, ajoute un plug-⁠in S3 robuste avec des modes de signature explicites et prend en charge les services compatibles S3 comme Cloudflare R2 et MinIO [34].
  • Wasmi 2.0, un interpréteur WebAssembly basé sur Rust, s’exécute ~2,2 fois plus vite que la v1.0 avec de nouveaux modes de dispatch, des cellules 64 bits fixes et une prise en charge des profils déterministes [35].

Outils de développement et données

  • AWS acquiert DuckLabs pour influencer la feuille de route de DuckDB, positionnant DuckDB/DuckLake/Quack comme bases d’analyse basées sur S3 et de fondations pour les agents IA ; DuckDB reste indépendant et open source [36].
  • dbt-⁠doctor est un outil d’analyse statique open-⁠source pour les projets dbt, signalant les documentations/tests manquants, la dérive de schéma, les modèles obsolètes, la complexité des DAG et les lacunes de gouvernance dans CI ou via des agents [37].
  • Keenable SELECT permet aux agents d’interroger le web en direct via DuckDB en lecture seule, combinant recherche, filtrage et extraction IA [38].
  • GitHub Actions ajoute une API REST pour les obsolescences de versions d’exécuteur, une nouvelle autorisation de vulnérabilités pour GITHUB_TOKEN et des propriétés de contexte de travail pour les workflows réutilisables [39].
  • La clé de signature du package Linux de GitHub CLI expire le 5 septembre ; les utilisateurs doivent vérifier la confiance de la clé de remplacement avant cette date [40].
  • CodeQL 2.26.4 améliore les détections de sécurité dans GitHub Actions, ajoute la prise en charge de Go 1.27 et affine les emplacements d’alertes pour les requêtes de flux de données Rust [41].
  • Rust 1.98.1 corrige une mauvaise compilation dans la génération de vtable [42].
  • GitHub va obsolescer certains modèles Copilot (par exemple, Gemini 3.5/3.6 Flash, Kimi K2.7, Claude Opus 4.7) le 2 octobre, suggérant des alternatives comme Gemini 3.8 Flash et Claude Opus 5 [43].
  • GitHub rouvre les inscriptions Copilot Business/Enterprise avec un contrôle plus strict et des frais de siège prépayés à partir du 1er octobre [44].
  • GitHub propose désormais plusieurs configurations de publication de confiance par package npm, un balayage de logiciels malveillants par étapes et une visibilité de l’historique par étapes [45].
  • Val Town met l’accent sur l’optimisation pour les moteurs de réponse (AEO) alors que les références pilotées par l’IA dépassent la recherche traditionnelle, préconisant un accès sélectif des crawlers et un contenu réellement utile [46].
  • Cline a migré 11 millions d’utilisateurs vers un SDK d’agent refactoré via un déploiement A/B d’un mois avec repli automatique, réduisant les erreurs consécutives d’agents de 6,34 % à 0,62 % [47].

Sécurité et paysage des menaces

  • Cloudflare intègre les modèles OpenAI Daybreak (y compris GPT-⁠5.6 Cyber) dans sa Défense gérée pour la découverte et la remédiation des vulnérabilités contextuelles, avec approbation des correctifs contrôlée par le client [10].
  • CrowdStrike signale que 88 % des vulnérabilités observées ont été exploitées dans les 48 heures suivant la publication du PoC (janvier–juin 2026), avec des groupes avancés armant les failles en moins de 24 heures ; les menaces du registre npm ont augmenté [48].
  • Un détournement BGP a redirigé le trafic de mise à jour de Virtualizor via un préfixe Softaculous détourné, facilité par des mauvaises configurations RPKI et l’absence de vérification des packages de mise à jour [49].
  • Des modules Apache malveillants sur des serveurs gouvernementaux brésiliens ont servi de reverse proxy aux visiteurs vers de fausses boutiques d’applications promouvant des sites de paris, utilisant des outils comme DownPro, AlphaAgent et oRAT [50].
  • Les robots humanoïdes Unitree G1 présentent des failles permettant une exécution de code à distance root non authentifiée via Bluetooth par extraction de clé AES-⁠128 et traversée de chemin [51].
  • Une vulnérabilité critique de RCE dans Langflow (CVE-⁠2026-⁠0768, CVSS 9.8) est activement exploitée [52].
  • La lignée de vers Shai-⁠Hulud a compromis plus de 400 packages npm en quelques heures via des pipelines signés détournés, utilisant des contrats intelligents Ethereum pour le C2, et cible désormais les tokens d’authentification des outils IA [53].
  • Anthropic commence à déployer des garde-⁠fous frontaliers pour les entreprises, conservant les journaux d’activité dans un stockage cloud contrôlé par le client et automatisant la détection des abus cyber/biologiques offensifs et des identifiants volés [54].
  • Nvidia et CrowdStrike introduisent SafeMind, une famille de modèles d’IA agentiques pour trouver et fermer les chemins d’attaque [55].
  • Unit 42 a enquêté sur une attaque par ransomware exploitant l’IA frontalière pour compromettre un réseau d’entreprise à une vitesse sans précédent [56].
  • Un service du dark web a vendu plus de 153 millions de permis de conduire scannés américains/canadiens, retracés à une éventuelle violation chez idscan.net ; le FBI a ouvert une enquête [57].
  • Le botnet P2P Sality, âgé de 23 ans, a été perturbé par une opération internationale [58].

Pratiques d’ingénierie et tendances

  • Les entreprises technologiques (Uber, Pinterest, Stripe, Coinbase, Ramp, AT&T) signalent des économies de coûts IA d’environ 50 % en routant les charges de travail plus simples vers des modèles ouverts [59].
  • Les volumes de code générés par l’IA sollicitent la révision de code obligatoire, incitant à des changements vers une collaboration/design plus précoce, l’automatisation et la réservation de la révision humaine pour les modifications à haut risque [60].
  • L’agent "Second Cerveau Organisationnel" de Meta codifie les connaissances expertes avec une architecture structurée, auditable et une boucle d’auto-⁠amélioration, préservant l’expertise à grande échelle [61].
  • OpenAI Astra utilise des transformateurs en boucle pour augmenter la capacité du modèle sans ajouter de paramètres, échangeant un coût de calcul plus élevé contre une réduction du stockage/RAM [62].
Sources
  1. GPT-⁠6 Astra: an automated AI Engineer you can hire for <$6 an hour latent.space
  2. GPT‑6 Astra simonwillison.net
  3. Safety overview: GPT-⁠6 Astra openai.com
  4. Path to Astra: Critical Capabilities and Frontier Safeguards openai.com
  5. [AINews] Muse Spark 1.3 matches GPT-⁠5.6-⁠Sol, confirming Meta Superintelligence as the newest Frontier Lab, >90 % discount for training latent.space
  6. Meta Releases More Powerful AI Model, Edging Closer to Rivals bloomberg.com
  7. Muse Spark 1.3 research.meta.ai
  8. Muse Spark 1.3 (Website) developer.meta.com
  9. Google releases Gemini 3.8 Flash, its third Flash model in six weeks arstechnica.com
  10. Introducing context-⁠aware vulnerability discovery and remediation with Cloudflare Managed Defense and OpenAI Daybreak models blog.cloudflare.com
  11. Gemini 3.8 Flash is now available in GitHub Copilot github.blog
  12. Google Launches Gemini 3.8 Flash blog.google
  13. Introducing WeatherNext 3, our most advanced and accurate global weather AI model deepmind.google
  14. Daybreak for Frontline Defenders: $1B to protect essential services openai.com
  15. Legora reviewed 41 documents in minutes with GPT-⁠6 Astra openai.com
  16. Playco cut manual fixes 50 % prototyping games with GPT-⁠6 Astra openai.com
  17. 4 engineering patterns behind the strongest AI Agents Challenge submissions google ai
  18. Introducing FrontierHarness Eval runta.com
  19. Give Your Coding Agents a Memory You Own huggingface.co
  20. How we make AI coding more cost efficient without sacrificing task quality github.blog
  21. How we eliminated $1 million a year of wasted AI agent spend in one hour databricks.com
  22. Muse superapp from Meta and Ava model with computer use testingcatalog.com
  23. Run cloud agents on machines you manage cursor.com
  24. Claude-⁠BugHunter github.com
  25. MLCommons Releases New MLPerf Storage v3.0 Benchmark Results mlcommons.org
  26. TimesFM-⁠3: A zero-⁠shot foundation model for multivariate forecasting research.google
  27. TxBench: Antibody Discovery latch.bio
  28. How to Build a Reliable Agent Harness stencil.so
  29. Running Apache Spark experiments in my sleep (and on a plane) netflixtechblog.medium.com
  30. Rerouting the Stream: How Lyft Moved to the Apache Flink Operator eng.lyft.com
  31. How we could save petabytes of cache storage with Zstandard and Pingora blog.cloudflare.com
  32. Read your own writes, off the primary boringsql.com
  33. Kubernetes v1.37: DRA Updates kubernetes.io
  34. Uppy 6.0: fewer packages, fewer moving parts, and a robust S3 Plugin uppy.io
  35. Wasmi 2.0: Engineering one of the fastest Wasm interpreters wasmi-⁠labs.github.io
  36. Why AWS Bought DuckLabs linkedin.com
  37. dbt doctor github.com
  38. Keenable SELECT showcase (Tool) keenableai.github.io
  39. GitHub Actions: Early September 2026 updates github.blog
  40. GitHub CLI Linux package signing key expires September 5 github.blog
  41. CodeQL 2.26.4 improves GitHub actions security detections github.blog
  42. Announcing Rust 1.98.1 blog.rust-⁠lang.org
  43. Upcoming deprecation of selected GitHub Copilot models github.blog
  44. Reopening Copilot Business and Enterprise signups github.blog
  45. Multiple trusted publishing configurations for npm github.blog
  46. A docs page is a very long and complex search query to find wandering AI agents and make them route interested people to your company blog.val.town
  47. How We Migrated 11 Million Users to Cline’s Biggest Refactor cline.ghost.io
  48. CrowdStrike 2026 Threat Hunting Report: Exploitation Window Closes as AI Use Accelerates crowdstrike.com
  49. BGP Hijack Infecting Networks Caused By a Comedy of Errors That’s Not Funny at All arstechnica.com
  50. Malicious Apache Modules Hijack Brazilian Government Site Traffic to Push Betting Pages thehackernews.com
  51. Unitree G1 Humanoid Robot Flaws Allow Unauthenticated root RCE Over Bluetooth gbhackers.com
  52. Critical Langflow Vulnerability Exploited as Attacks on AI Platform Rise darkreading.com
  53. Shai-⁠Hulud: Whoever Controls Your Package Registry Controls Your Pipeline thenewstack.io
  54. Developing Enterprise Frontier Safeguards With Our Customers anthropic.com
  55. Nvidia and CrowdStrike Develop New Cybersecurity AI Models wsj.com
  56. An AI-⁠Assisted Cyber Attack: Inside a Unit 42 Investigation unit42.paloaltonetworks.com
  57. FBI Probes Service Selling 153M+ Drivers Licenses krebsonsecurity.com
  58. 23-⁠Year-⁠Old Sality P2P Botnet Disrupted securityweek.com
  59. The Pulse: tech companies move to open AI models newsletter.pragmaticengineer.com
  60. Maybe We Shouldn’t Be Reviewing All This Code martinfowler.com
  61. An Organizational Second Brain: Building an AI That Learns From Experts engineering.fb.com
  62. OpenAI Astra and Looped Transformers sebastianraschka.com

Publications du jeudi 3 septembre 2026

22 publications

Raisonnement, Alignement & Évaluation des LLM

  • Programmation compétitive : un pipeline de spécialisation de bout en bout (problèmes sélectionnés, SFT/RL, calcul à l’inférence GenCorrect) pousse les modèles Nemotron-⁠3 au-⁠delà du seuil de l’or de l’IOI 2025 (30B : 468 contre 438,3 ; 550B : 502) et est validé prospectivement à l’IOI 2026 sous de vraies contraintes [1].
  • Les retours utilisateurs constituent un signal hautement exploitable pour l’amélioration des LLM ; des expériences synthétiques et naturalistes montrent que les révisions informées par ces retours résolvent les problèmes ciblés à des taux significativement plus élevés, tandis que les juges LLM échouent souvent à reconnaître ces corrections, révélant un biais d’évaluation [2].
  • L’analyse des Dutch Books expose une incohérence substantielle dans les prévisions probabilistes des LLM ; cette incohérence croît avec le nombre d’événements et est détectable sans étiquettes de résultats via des mesures d’arbitrage basées sur la programmation linéaire [3].
  • La détection d’hallucinations dans les LLM en boîte noire bénéficie de la combinaison de l’entropie sémantique (désaccord entre les significations des réponses échantillonnées) et de l’incertitude au niveau des tokens ; les classifieurs hybrides et par portes améliorent les compromis précision/rappel [4].

Systèmes Agentiques & Utilisation d’Outils

  • SafeEvolve co-⁠évolue un harnais et une politique à partir de trajectoires d’agents en politique, convertissant les preuves de sécurité au niveau des trajectoires en mises à jour de harnais bornées et amorçant la politique via un SFT d’utilisation du harnais puis du RL, améliorant l’alignement de la sécurité sans sacrifier les performances [5].
  • EarlyEval réduit le coût d’évaluation des agents en interrompant prématurément les exécutions lorsque des classifieurs de succès/échec (entraînés sur des caractéristiques comportementales/textuelles) franchissent des seuils de confiance calibrés ; il atteint 0,97–1,00 en AUROC et 0,82–0,98 en F1, économisant 20–40 % de coût sur ALFWorld et WebArena [6].
  • Loom agrège des hypothèses diagnostiques de forme libre (provenant d’heuristiques modulaires) en un consensus fiable via une repondération par centroïde dans l’espace des embeddings, surpassant les modèles de référence et égalant la précision humaine sur un jeu de données réel de RCA [7].
  • CORAL boucle la boucle pour les moteurs de recommandation en production : un agent LLM observe les signaux, raisonne sur la mémoire et appelle des outils (y compris un optimisateur numérique) pour réviser de manière itérative la récupération, le classement et le service sous contraintes réelles [8].

Récupération, RAG & Connaissances

  • L’évaluation LLM incrémentale mutualisée réutilise les jugements entre systèmes de récupération candidats en étendant un pool commun uniquement avec de nouveaux documents, préservant 97 % des ordres par paires et réutilisant 65–80 % des jugements en production [9].
  • DKL dissocie l’apprentissage des connaissances : un pré-⁠entraînement étendu sur un LLM de base injecte les connaissances du corpus, puis l’adaptation de rang inférieur (LoRA) les transfère au modèle affiné par instruction, préservant le suivi des instructions tout en surpassant le RAG et les méthodes de fine-⁠tuning antérieures sur les QA [10].
  • RVSD atténue les hallucinations visuelles dans les LVLM via un cadre de décodage sans entraînement et prêt à l’emploi qui unifie la sparsification des tokens avec la récupération visuelle dans l’espace sémantique, améliorant la précision et réduisant les hallucinations sur les benchmarks POPE et LLaVA [11].

Efficacité & Architecture

  • ShallowStream réduit le coût de compréhension de vidéos en streaming en utilisant des couches MLLM peu profondes pour l’encodage simultané des images et la construction de l’index de récupération, puis des couches profondes uniquement pour la génération de réponses, réduisant la latence et la croissance du cache KV [12].
  • L’attention déclarative (Declarative Attention) permet aux modèles d’auto-⁠diriger leur attention vers des régions de contexte pertinentes via des tokens <global>/<focus>/<local>, permettant de contourner le cache KV et d’atteindre jusqu’à 11,9× d’accélération avec une perte de précision minime sur les tâches à contexte long [13].
  • Graph Machine (GM) introduit un routage dynamique et creux basé sur les arêtes pour maintenir un accès à l’état en O(n) dans les Transformers ; remplacer 75 % des couches denses dans Qwen3-⁠0.6B par GM préserve/améliore la perte avec seulement 2 à 4 tokens récupérés par tête KV [14].
  • La mise à l’échelle par blocs FP4 UE5M3 associe des charges utiles E2M1 à des échelles de blocs E5M3 non signées, permettant une mise à l’échelle périodique des tenseurs et un arrondi stochastique sélectif ; un Nemotron-⁠H 8B pré-⁠entraîné sur 190B tokens atteint une perte inférieure et de meilleurs scores en aval par rapport à la recette du Transformer Engine de NVIDIA [15].

Applications Spécifiques à un Domaine

  • DiscoSign introduit un cadre de traduction de texte en gloss ASL sensible au discours, traitant la coréférence spatiale, les clauses questions-⁠réponses et la cohérence concept-⁠gloss, avec de nouvelles métriques d’évaluation pour la cohérence du discours [16].
  • Un cadre de raisonnement structuré pour la RCA télécom activée par LLM aligne le raisonnement diagnostique avec les preuves et connaissances du domaine, s’attaquant aux hallucinations et au raisonnement instable dans les réseaux 5G/6G [17].
  • ASR dysarthrique par patient : une étude de cas sur deux bases (Whisper-⁠large-⁠v3, Qwen3-⁠ASR-⁠1.7B) montre que LoRA et DoRA sont comparables (p>0.5), tandis que QLoRA (NF4) dégrade le taux d’erreur par caractère (CER) ; les adaptateurs de projection d’attention génèrent des gains substantiels [18].

Sécurité & Sûreté

  • CodePoisonRAG démontre l’empoisonnement ciblés de connaissances en amont pour le RACG : transformer du code bénin en artéfacts empoisonnés via l’injection de vulnérabilités et un mauvais étiquetage sémantique augmente l’exploitabilité du code généré sans modifier le LLM [19].
  • L’illégibilité linguistique dans les LLM (inadéquation entre le langage externalisé et le calcul interne) compromet les mécanismes de sécurité reposant sur l’auto-⁠déclaration linguistique (par exemple, la surveillance par CoT, le sondage d’activations), plaidant en faveur de défenses non linguistiques [20].

Avancées Théoriques & d’Optimisation

  • Amélioration des bornes inférieures pour la descente de gradient : Ω(n⁻¹.⁶³⁴²) non-⁠anytime et Ω(n⁻¹.²⁴⁰⁸) anytime, renforçant les résultats précédents et séparant les exposants réalisables dans les deux contextes [21].
  • Résolution de frb100-⁠40 : un ensemble indépendant à 100 sommets vérifié et une partition en cliques prouvent l’optimalité après deux décennies ; une étude pré-⁠enregistrée ne trouve aucune accélération due à l’ajout d’opérateurs de réparation par rapport au ULSA de base [22].
Sources
  1. Post-⁠Training Language Models for Gold-⁠Medal Performance in Coding Competitions arxiv cs.CL
  2. User Feedback Provides a Unique Signal that LLMs Can not Detect arxiv cs.CL
  3. Dutch Books for Language Models arxiv cs.CL
  4. From Tokens to Semantics: Leveraging Complementary Signals for Hallucination Detection in Black-⁠Box LLMs arxiv cs.CL
  5. SafeEvolve: Harness-⁠Policy Co-⁠Evolution from Agent Experience for Safety Alignment arxiv cs.AI
  6. EarlyEval: Cheaper Agent Evaluation via Early Outcome Prediction arxiv cs.CL
  7. Loom: Weaving Diagnostic Strands into Free-⁠Text Consensus via Embedding-⁠Space Reweighting arxiv cs.AI
  8. CORAL: An LLM-⁠Native Harness for Production Recommender Systems arxiv cs.CL
  9. Incremental Pooled LLM Evaluation for Cost-⁠Effective Retrieval Model Selection arxiv cs.CL
  10. DKL: Decoupled Knowledge Learning for Instruction-⁠Tuned Language Models arxiv cs.CL
  11. RVSD: Retrieval Vision Sparse Decoding for Mitigating Visual Hallucinations in Large Vision-⁠Language Models arxiv cs.AI
  12. ShallowStream: Index Shallow then Answer Deep for Streaming Video Understanding arxiv cs.CL
  13. Language Models Can Control Their Own Attention arxiv cs.CL
  14. Graph Machine: Towards Better Pretraining via Edges arxiv cs.LG
  15. UE5M3 FP4 Block Scaling for Stable Language Model Pretraining arxiv cs.LG
  16. DiscoSign: Discourse-⁠Aware Text to Sign Language Gloss Translation arxiv cs.CL
  17. Large Language Models (LLMs) for Telecom Root Cause Analysis (RCA): A Structured Reasoning Framework for Evidence-⁠Grounded Diagnosis arxiv cs.AI
  18. Choosing a PEFT Variant for Per-⁠Patient Dysarthric ASR: A Single-⁠Speaker Case Study on Two ASR Bases arxiv cs.CL
  19. CodePoisonRAG: Knowledge Poisoning Attacks on Retrieval-⁠Augmented Code Generation arxiv cs.LG
  20. The Implications of Linguistic Illegibility for LLM Security arxiv cs.LG
  21. Improved Gradient Descent Lower Bounds Beyond Nesterov arxiv cs.LG
  22. frb100-⁠40 After Two Decades: An Optimality Certificate and a Preregistered Search Study arxiv cs.AI