Sujet
Tous les articles d’Actu.ai consacrés à LLM : actualités, analyses et explications sur ce sujet lié à l’intelligence artificielle. 84 articles
Planifier un séjour impose de concilier budget, transports, hébergements, dates et envies personnelles. Des chercheurs du MIT et du MIT-IBM Watson AI Lab proposent une IA hybride qui comprend la demande en langage naturel, puis vérifie mathématiquement que l’itinéraire imaginé est réalisable.
Une étude menée par des chercheurs d’Apple met à l’épreuve les modèles de raisonnement les plus avancés sur des problèmes logiques contrôlés. Le constat est nuancé mais marquant : utiles à difficulté intermédiaire, ces systèmes voient leur précision s’effondrer lorsque la complexité franchit un certain seuil.
Les grands modèles linguistiques accélèrent l’automatisation et enrichissent les assistants numériques, mais ils introduisent aussi de nouvelles failles dans les systèmes d’information. Injection de prompt, fuite de données, sorties non contrôlées ou empoisonnement : sécuriser un LLM suppose de le traiter comme un composant critique, dès sa conception.
Une réponse convaincante n’est pas forcément une explication fidèle. Des chercheurs de Microsoft et du MIT proposent une méthode qui confronte les raisons avancées par les modèles de langage aux facteurs ayant réellement influencé leurs décisions, notamment dans des scénarios de biais social ou de santé.
La version R1-0528 du modèle de raisonnement de DeepSeek est accusée de refuser davantage les discussions politiques sensibles, notamment lorsqu’elles concernent la Chine. Des observations partagées en ligne pointent une différence troublante entre ce que le modèle semble savoir et ce qu’il accepte d’expliquer. Un débat qui dépasse largement le seul cas de DeepSeek.
GPT-4 peut atteindre un niveau comparable à celui d’humains dans certaines tâches de raisonnement analogique, selon une étude publiée dans PNAS Nexus. Les chercheurs l’ont notamment confronté à des énigmes contre-factuelles conçues pour limiter l’effet de la mémorisation. Le résultat est notable, mais il ne tranche pas à lui seul la question de la compréhension par l’IA.
Plutôt que d’interroger un moteur de recherche à chaque étape d’entraînement, Alibaba propose de simuler ses résultats avec des documents générés par IA. Baptisée ZeroSearch, cette méthode annonce un coût de 70,80 dollars pour 64 000 requêtes, contre 586,70 dollars avec des API de Google, mais suppose aussi de disposer de GPU puissants.
Face aux réponses inventées ou imprécises des modèles de langage, le prompt chaining propose une méthode simple : diviser une mission complexe en étapes courtes et contrôlables. Cette organisation ne rend pas une IA infaillible, mais elle aide à mieux cadrer son travail, repérer les erreurs et produire un résultat plus exploitable.
Des chercheurs de l’UCLA et de Meta AI proposent d1, un cadre qui associe modèle de langage à diffusion et apprentissage par renforcement. Testé sur des problèmes mathématiques et logiques, il vise à combler l’un des principaux retards de cette architecture face aux LLM classiques.
Un bon prompt ne se limite pas à une question bien tournée. Réglages techniques, exemples, méthode de raisonnement et tests permettent de mieux guider un modèle de langage. Voici cinq approches concrètes pour obtenir des réponses plus utiles, plus cohérentes et plus simples à exploiter avec Gemini ou d’autres LLM.
Les entreprises déploient rapidement des IA génératives, mais peinent encore à en recenser les usages et à en évaluer les failles. Avec TotalAI, Qualys propose une couche de visibilité et de tests dédiée aux modèles de langage, depuis leur développement jusqu’à leur utilisation en production.
Un code IA utile doit respecter la syntaxe d’un langage, mais aussi l’intention de la demande. Des chercheurs du MIT proposent de guider les LLM par des contraintes et une sélection probabiliste des générations, une piste prometteuse pour Python, SQL, la robotique et la biologie moléculaire.
Avec GPT-4.1, OpenAI promet un modèle plus attentif aux instructions détaillées. Cette qualité impose aussi une nouvelle rigueur : un prompt imprécis, contradictoire ou mal structuré peut dégrader le résultat. Voici comment organiser ses demandes, tester les réponses et exploiter le modèle dans des tâches complexes.
Des chercheurs du MIT et du laboratoire Watson d’IBM proposent SASA, une méthode de décodage qui réduit les sorties toxiques des modèles de langage. L’idée n’est pas de réentraîner le modèle, mais d’orienter en temps réel le choix de ses mots, tout en préservant autant que possible la qualité des réponses.
Un code qui semble convaincant peut contenir une erreur de syntaxe ou, plus difficile à repérer, ne pas répondre au besoin initial. Des chercheurs du MIT ont mis au point une approche qui guide les modèles de langage pendant la génération, afin de privilégier les résultats conformes aux règles attendues. Les essais couvrent notamment Python, SQL, les molécules et la robotique.
Les modèles de langage peuvent reproduire des insultes, stéréotypes et propos haineux présents dans leurs données d’entraînement. Des chercheurs du MIT-IBM Watson AI Lab proposent SASA, une méthode qui réoriente le choix des mots au moment de générer une réponse, sans modifier les paramètres du modèle.
Demander du code à un assistant d’IA peut aussi conduire à installer une dépendance qui n’existe pas. Les modèles de langage sont capables d’inventer des noms de paquets plausibles, qu’un attaquant peut ensuite enregistrer et détourner. Voici pourquoi cette faille de la chaîne logicielle impose de vérifier chaque recommandation.
Concevoir une molécule capable de répondre à des critères précis reste un travail long et complexe. Avec Llamole, des chercheurs du MIT combinent un modèle de langage et une IA spécialisée dans les graphes moléculaires. Leur méthode porte le taux de succès observé de 5 % à 35 % sur leurs tâches expérimentales.
Les grands modèles de langage ne servent plus seulement à rédiger ou résumer. Des chercheurs cherchent à leur apprendre à construire, tester et ajuster des plans face à des contraintes changeantes. Cette évolution pourrait aider à organiser des ressources, des itinéraires ou des projets, à condition de conserver une supervision humaine solide.
Planifier ne consiste pas seulement à produire une réponse plausible : il faut ordonner des actions, respecter des contraintes et s’adapter aux imprévus. Des travaux de recherche, dont l’approche Coconut et le benchmark NATURAL PLAN, cherchent à rendre les grands modèles de langage plus capables face à ces problèmes.
Google élargit sa famille Gemma avec quatre modèles capables, selon leur taille, de traiter du texte et des images. Gemma 3 promet une IA plus facile à déployer sur des appareils variés, sans renoncer à un long contexte ni aux usages multilingues. Voici ce que les développeurs peuvent réellement en attendre.
Google a présenté Gemma 3, une nouvelle famille de modèles d’intelligence artificielle ouverts, déclinée de 1 à 27 milliards de paramètres. Multimodale, multilingue et pensée pour fonctionner localement selon sa taille, elle ambitionne de rendre des capacités avancées plus accessibles aux développeurs et aux entreprises.
Google lance Gemma 3, une famille de modèles à poids ouverts issue des travaux de Gemini. De 1 à 27 milliards de paramètres, elle mise sur la vision, un contexte long et une exécution possible sur un seul GPU, avec des compromis à comprendre avant tout déploiement.
Les assistants d’IA générative facilitent la recherche dans les données d’entreprise, mais ils peuvent aussi exposer des informations au mauvais interlocuteur. Fondée en 2023, Knostic vient de lever 11 millions de dollars pour développer des contrôles d’accès conçus pour les grands modèles de langage.
