Trois voix,
et ça devient
une nouvelle.

La qualité de la recherche dépend fortement de l'efficacité des clés d'index, mais les stratégies d'optimisation fixes peinent à s'adapter aux environnements divers, laissant l'évolution des index largement pilotée par l'humain. Nous proposons SELF-INDEX, un framework permettant à un index de s'auto-évoluer sans intervention humaine. Son optimiseur diagnostique de manière autonome les lacunes de recherche, révise sélectivement les clés d'index et valide chaque révision avant la mise à jour. De plus, un simulateur de requêtes explore proactivement des demandes supplémentaires au-delà des requêtes disponibles. Sur divers corpus et récupérateurs, SELF-INDEX améliore systématiquement les performances de recherche et l'efficacité des agents de recherche.

Les agents multi-tours entraînés par apprentissage par renforcement utilisent souvent la distillation sur politique (OPD) avec un professeur privilégié pour une supervision dense des jetons, mais les informations privilégiées ne sont pas toujours fiables et les avantages du professeur dépendent des étapes. Nous proposons RetireOPD (Self-Retiring On-Policy Distillation), optimisant un professeur découplé avec des récompenses environnementales et entraînant un étudiant conjointement avec RL et OPD. Grâce à la retraite adaptative, l'étudiant abandonne le professeur une fois que l'écart cesse de diminuer et atteint un taux de réussite cible, poursuivant avec RL seul. Sur les modèles Qwen2.5 de 1.5B à 7B, RetireOPD améliore le taux de réussite ALFWorld de 14,1% à 18,8% et la précision WebShop de 11,8% à 19,0%.

Les auteurs proposent EvoSkill-GUI, un cadre sans entraînement qui permet aux agents GUI de mettre à jour et d'affiner dynamiquement leurs compétences procédurales grâce à une boucle reflect-revise-reuse lors du déploiement. Chaque compétence est structurée en un package multi-fichier contenant des métadonnées de récupération, des plans d'exécution et des règles de récupération d'erreur. Un exécuteur effectue des révisions instantanées pendant l'exécution tandis qu'un critique isolé diagnostique les échecs. Des expériences sur les benchmarks MobileWorld, AndroidWorld et OSWorld démontrent des améliorations de performance constantes par rapport aux modèles de base sans aucun entraînement supplémentaire.

L'article présente la Discovery Intelligence et les Discovery Foundation Models (DFMs) comme des systèmes polyvalents pour la découverte ouverte. Les auteurs instancient ce cadre via Zetema, qui associe dynamique d'état de recherche et évolution des compétences, et GALILEO, une boucle de découverte physique fermée combinant raisonnement Dry-Lab et expérimentation Wet-Lab robotisée. Cette approche permet d'entraîner et d'évaluer le comportement de découverte au-delà de la simple performance de réponse finale.

The paper investigates the impact of candidate-generation schedules on LLM test-time scaling, demonstrating that candidate count N alone is insufficient to describe system costs. The authors compare four schedules (1x8, 2x4, 4x2, and 8x1) while keeping N = 8 fixed. Results on A100 GPUs show that eight serial calls consume 4.64-4.86x as much gross GPU-device energy and exhibit 5.77-6.12x the P95 latency of a single batched call. Consequently, when candidates are independent and memory allows, fewer generation calls with larger batch sizes are more efficient.

L'article examine la convention d'appliquer la perte uniquement aux jetons d'action écrits par l'agent lors du réglage fin supervisé (SFT) et introduit ActObs pour superviser également les jetons d'observation. En entraînant le modèle à prédire les conséquences des actions sans ajouter de données ou de paramètres, cette méthode empêche les gradients d'action et d'observation de devenir orthogonaux. Sur Qwen3-4B, le GRPO d'ActObs atteint un pass@k plus élevé sur Terminal-Bench 2.0. Sur Qwen3-8B, il augmente le pass@16 de +3,4 pp et étend les avantages à l'édition de code multi-domaine sur aider-polyglot avec +4,2 pp au pass@1 pour 4B.

Les auteurs présentent ScienceBuddy, un espace de travail de recherche scientifique interactif qui met en œuvre l'auto-amélioration récursive dans la récursive pour adapter continuellement les agents d'IA. Ce paradigme associe l'évolution du harnais d'exécution à l'apprentissage par renforcement du modèle : une récursion interne optimise le harnais avec des poids de modèle fixes, tandis qu'une récursion externe entraîne le modèle sur le harnais amélioré. Des études de cas couvrant quatre familles de tâches scientifiques démontrent l'efficacité de cette approche.

Les auteurs présentent HazardAuditor, un cadre fondé sur l'exécution qui supervise des agents informatiques hétérogènes tels que Claude Code, Codex, Hermes et OpenClaw en normalisant leurs interactions d'exécution en une représentation d'événements canonique. Ils observent que les objectifs de post-entraînement au niveau des tokens créent une inéquation structurelle pour les gardes génératifs, entraînant la domination des mises à jour de gradient par les raisonnements longs. Pour y remédier, ils proposent l'optimisation des politiques de garde (GuardPO), qui convertit les résultats de sécurité déterministes en avantages au niveau de la séquence et normalise les régions de raisonnement et de verdict. Le système améliore la précision jusqu'à 16.5 percentage points par rapport au meilleur garde antérieur.

Les auteurs présentent Grouped Value Attention (GVA), une technique d'optimisation du cache KV qui stocke des valeurs groupées et reconstruit les clés de contenu à l'aide d'une application linéaire apprise. Lors de l'inférence, cette application peut être absorbée dans la requête, éliminant le besoin de matérialiser les clés de contenu, tandis qu'un petit canal RoPE partagé retient les informations positionnelles. À l'échelle de 350M paramètres avec 30B jetons FineWeb-Edu, la variante positionnelle à 16 dimensions atteint une précision moyenne de 44,18 sur cinq tâches, contre 44,36 pour GQA et 43,88 pour MLA, tout en réduisant les scalaires de cache persistants d'environ 45-47 %.

Cet article présente LynnReal-Omni, un cadre de génération vidéo multimodale native basé sur un transformateur de diffusion partagé de 32B qui unifie le texte-vidéo, le conditionnement par image et la génération longue. Il intègre également un transformateur Flash de 27B dédié au rendu en temps réel et une évaluation MSAVP de 100 prompts et 20 métriques. Sur un H100, la génération et le décodage d'une vidéo 540p de 22 images prennent 843 ms avec LynnReal-Omni et 377 ms avec Flash.

Les auteurs présentent Video DeltaNet (VDN), une architecture d'attention hybride conçue pour atténuer les goulets d'étranglement informatiques dans les modèles de diffusion vidéo. La branche linéaire de VDN introduit la Video Delta Attention pour mettre à jour la mémoire par trame à l'aide de jetons spatiaux, tout en conservant l'attention Softmax pour les interactions textuelles et audio. En utilisant une recette d'alignement enseignant par étapes, une distillation en huit étapes et une pile de service SGLang optimisée, VDN-H3 complète efficacement le débruitage de flux vidéo haute résolution sur plusieurs GPU NVIDIA B200.

Les auteurs proposent EvolveTrade, un cadre d'auto-évolution pour les agents de trading LLM qui traite l'invite système comme une politique paramétrée par du texte. Après chaque intervalle de mise à jour, un agent de politique révise cette politique à l'aide de traces de décision accumulées et de retours de portefeuille, tout en maintenant le modèle de base LLM fixe. Des expériences menées dans divers régimes de marché démontrent qu'EvolveTrade améliore régulièrement le ratio de Sharpe et le rendement cumulé par rapport aux références LLM à politique fixe.

L'article aborde l'inefficacité des Large Reasoning Models, qui surréfléchissent souvent aux problèmes faciles et sous-réfléchissent aux problèmes difficiles. Les auteurs proposent When2Think, un framework de post-entraînement qui alloue dynamiquement le calcul selon la difficulté du problème. La méthode introduit l'Instance-level Difficulty-Aware Control (IDAC), un mécanisme de modelage de récompense exploitant des statistiques de référence pré-calculées. Les résultats expérimentaux sur AIME24 montrent que le Pass@3 augmente de 10.0% tandis que l'utilisation des tokens est réduite de 27.9% par rapport au modèle de base.

Les auteurs présentent PACT (Pressure-Applied Compliance Testing), un banc d'essai évaluant le respect des règles des assistants IA d'entreprise dans douze domaines réglementés et quarante-huit scénarios multi-tours. L'évaluation de vingt-deux modèles LLM courants sous diverses pressions montre que même les meilleurs assistants violent les règles sur 6 à 10 % des éléments, et que la pression ordinaire des utilisateurs augmente le taux de violation de 65 % en moyenne.