Nos Publications

• Behavioral Machine Learning generalization LLM neurips persona prompt stanford « Behavioral Machine Learning » ? Derrière cette question se cache tout un courant de recherche visant à étudier le comportement de modèles IA quand nous leur demandons d’imiter, de prêt ou de loin, un être humain. Hors, cette approche est semée…
• GraphRAG is the new black connaissance documents graphes GraphRAG RAG Vous vous apprêtez à tester le RAG pour « poser des questions à une base documentaire ». Ou plutôt : vous venez de tester ces solutions et êtes un peu déçu ? Voici l’occasion de revenir sur les défauts fondamentaux…
• Causalité et IA ? Entre fantasmes de raisonnement et réalité scientifique Causalité Concept Extraction Graphe LLM Plonger dans la causalité en IA, c’est naviguer entre le rêve d’une machine raisonneuse capable d’identifier causes et effets et la réalité scientifique, qui souligne les limites de nos modèles statistiques. Ce dossier retrace l’essor du « causal representation learning…
• Freeform pixels EdgeAI feature visualization Imitation Learning interprétabilité modélisation physique Le sujet du edge AI est encore en friche avec une vraie difficulté à déployer des réseaux de neurones correctement. L’arrivée d’une caméra auto-suffisante et préservant l’anonymat est un événement à ne pas sous-estimer, surtout que l’approche du freeform Pixel…
• Le RAG sous contrôle, la boite noire optimisée, et la modélisation 3D du futur boîte noire évaluation gaussian splatting NeRF optimisation RAG Si vous utilisez un RAG et vous vous demandez désespérément comment évaluer la qualité de ses réponses d’une manière objective, vous trouverez ici un travail récent et prometteur pour déjà mieux mesurer les choses. Si vous voulez chercher les solutions…
• Représentations « platoniciennes », images à très haute résolution, world models & Mambas diffusion Embeddings état d’un système haute résolution mamba Mieux comprendre ce qu’apprennent les réseaux de neurones est fondamental pour appréhender notre domaine de travail, et nous avons ici une publication pertinente (quoique un peu ambitieuse) montrant que ces représentations se ressemblent à travers les architectures et les modalités.…
• IAGen comme Simulateur « universel », nouvelles architectures et meilleure compréhension GAHB Kolmogorov-Arnold modèles de diffusion UniSim Soyons honnêtes et avertissons le lecteur : les deux tiers de cet article sont plus techniques que d’habitude. Ceci dit, nous discutons dans cet article d’une nouvelle architecture fondamentale qui pourrait demain révolutionner de nombreuses approches Deep Learning, comme nous…
• Domptez votre LLM architectures hallucinations limites LLM robustesse sécurité Les LLM s’imposent partout, avec des promesses incroyables de nouveaux outils performants et, tenez-vous bien, « intelligents ». La recherche avance plus lentement que ces promesses, et nous donne régulièrement une vision plus claire et plus précise des choses. Ici, nous exposons…
• Dansons le Mamba DinoV2 Efficacité LLM mamba Sequence Mamba annonce une nouvelle famille d’architecture efficace et polyvalente qui s’impose de plus en plus dans le paysage de l’intelligence artificielle. En bonus : une meilleure compréhension des embeddings d’images issus de DinoV2, et un nouveau moyen de contourner les Large…
• Apprentissage par imitation : l’IA en robotique devient crédible et accessible ALOHA Deep Reinforcement Learning Diffusion Policies Imitation Learning Robotique Si vous travaillez en contrôle robotique, vous n’avez pas le droit d’ignorer la révolution en cours sur l’imitation. Et au-delà du contrôle robotique, tout problème d’optimisation modélisant un agent devant prendre des décisions peut s’inspirer de ces approches.
• AlphaGeometry : quelles leçons tirer de dernier exploit de DeepMind ? Deepmind donnée synthétique Exploration de l’espace des solutions IA Symbolique LLM Deepmind a fait beaucoup de bruit avec cette IA pouvant résoudre des problèmes complexes en géométrie. Cette approche nous offre plusieurs enseignements théoriques et pratiques pour adresser d’autres problèmes avec le Deep Learning : comment lutter contre les hallucinations, l’intérêt…