Des « modèles à grande échelle capables de dialoguer » aux « agents d'IA capables d'accomplir de manière autonome des tâches complexes », la recherche en intelligence artificielle entre dans une nouvelle phase axée sur la planification, l'exécution et la collaboration. À mesure que les grands modèles de langage acquièrent progressivement la capacité d'utiliser des outils, de conserver une mémoire à long terme et d'interagir avec l'environnement,La recherche ne se limite plus à l'amélioration des performances d'un seul modèle, mais s'oriente désormais vers la manière de permettre à l'IA de produire en continu des résultats vérifiables et réutilisables dans le monde réel grâce à une architecture multi-agents et à une division du travail au niveau des tâches.

Dans ce contexte, la technologie des agents pénètre rapidement de multiples domaines tels que la recherche et la production scientifiques, le développement de logiciels, l'analyse de données et l'interaction avec les environnements virtuels : de la génération automatique d'illustrations académiques de haute qualité et de l'optimisation de l'apprentissage par renforcement sans récompenses explicites, à l'exécution de tâches à long terme dans des mondes ouverts tridimensionnels, et même à la systématisation d'idées de recherche floues en récits scientifiques complets.Les communautés universitaires et industrielles mènent des recherches intensives sur « la manière de faire en sorte que les modèles deviennent de véritables exécutants plutôt que de simples générateurs ».

Cette semaine, nous vous recommandons 5 articles populaires sur l'IA et les agents.Cette présentation, qui réunit des équipes de l'Université de Pékin, de Google Cloud AI Research, d'AgentAlpha, d'Amazon et d'autres organismes, met en lumière des avancées majeures dans la recherche sur les agents, notamment la conception de frameworks, la collaboration intermodale, l'apprentissage par auto-rétroaction et la résolution de tâches de bout en bout. Elle offre ainsi une vision claire de l'évolution des agents généralistes de nouvelle génération. Apprenons ensemble ! ⬇️

En outre, afin de permettre à un plus grand nombre d'utilisateurs de comprendre les derniers développements dans le domaine de l'intelligence artificielle dans le milieu universitaire, le site web HyperAI (hyper.ai) a lancé une section « Derniers articles », mise à jour quotidiennement avec des articles de recherche de pointe en IA.

Derniers articles sur l'IA:https://go.hyper.ai/hzChC

Recommandation de papier de cette semaine

1. PaperBanana : Automatisation de l’illustration académique pour les chercheurs en IA

Des chercheurs de l'Université de Pékin et du Google Cloud AI Research Institute ont proposé PaperBanana, un cadre multi-agents qui automatise la recherche, la planification, la stylisation et l'optimisation itérative d'illustrations académiques de qualité publication. Ce cadre repose sur la coordination d'agents pilotés par un modèle de langage visuel (MLV) spécialisé. PaperBanana surpasse nettement les méthodes de référence en termes de fidélité, de simplicité, de lisibilité et d'esthétique des graphes de méthodes et des graphes statistiques.

Document et interprétation détaillée :https://go.hyper.ai/skQUQ

Les auteurs ont utilisé PaperBanana (un banc d'essai basé sur le graphe de méthodes NeurIPS 2025) pour évaluer la génération automatique de graphes. Ce banc d'essai couvre une grande variété de graphes esthétiquement complexes issus d'articles récents en intelligence artificielle.

2. Apprentissage par renforcement via l'auto-distillation

Cet article propose l'optimisation de politique par auto-distillation (SDPO). SDPO transforme le retour d'information post-segmentation en signaux d'apprentissage denses sans nécessiter de modèle enseignant externe ni de modèle de récompense explicite. SDPO considère la sortie du modèle actuel, sous des conditions de retour d'information données, comme un auto-enseignant, en réinjectant sa prédiction du mot suivant à partir de ce retour et en l'intégrant à la politique. Ainsi, SDPO exploite pleinement la capacité du modèle à revenir en arrière et à identifier ses propres erreurs dans le contexte. Sur LiveCodeBench v6, lors de tâches de raisonnement scientifique, d'utilisation d'outils et de programmation compétitive, SDPO surpasse significativement les méthodes RLVR de référence existantes, tant en termes d'efficacité d'échantillonnage que de précision finale.

Document et interprétation détaillée :https://go.hyper.ai/oBMuM

3. Lumine : Une recette ouverte pour créer des agents généralistes dans des mondes ouverts en 3D

Cet article propose Lumine, le premier système de développement d'agents intelligents open source et généraliste, capable d'exécuter des tâches complexes pendant des heures en temps réel dans des environnements 3D complexes en monde ouvert. Lumine adopte un paradigme d'interaction similaire à celui de l'humain, unifiant perception, raisonnement et action de bout en bout grâce à un modèle vision-langage. Il traite les entrées de pixels bruts à une fréquence de 5 images par seconde, génère des opérations précises au clavier et à la souris à 30 images par seconde et invoque dynamiquement le module d'inférence uniquement lorsque cela est nécessaire.

Document et interprétation détaillée :https://go.hyper.ai/aUakj

Les résultats expérimentaux montrent que Lumine possède une grande capacité d'adaptation à différents contextes et mécanismes d'interaction, ce qui constitue une étape importante vers la création d'un agent intelligent polyvalent dans des environnements ouverts.

4. Idea2Story : un processus automatisé pour transformer les concepts de recherche en récits scientifiques complets

L'équipe d'AgentAlpha a proposé Idea2Story, un cadre de pré-calcul qui transforme des idées de recherche vagues en modèles structurés et réutilisables grâce à la construction de graphes de connaissances méthodologiques à partir d'articles évalués par les pairs. Ceci réduit les contraintes contextuelles et les illusions des grands modèles de langage, tout en permettant des découvertes scientifiques efficaces et novatrices sans nécessiter de retraitement de la littérature à l'exécution.

Document et interprétation détaillée :https://go.hyper.ai/KyWe0

Cet ensemble de données a servi à entraîner Idea2Story. Le système utilise la méthode d'analyse d'articles scientifiques pour décrire et évaluer la contribution de la recherche en apprentissage, et favorise la récupération et la combinaison de modèles méthodologiques réutilisables, plutôt que du contenu spécifique à un domaine.

5. Insight Agents : un système multi-agents basé sur LLM pour l’analyse des données

Les chercheurs d'Amazon ont proposé Insight Agents (IA), un système multi-agents basé sur un modèle de langage étendu. Adoptant une architecture « planifier-exécuter », doté d'agents hiérarchiques et d'un mécanisme de routage prenant en compte la conception orientée objet, il permet aux vendeurs Amazon américains d'obtenir des informations commerciales précises en 15 secondes, avec une précision d'évaluation humaine de 90 % (TP3T).

Document et interprétation détaillée :https://go.hyper.ai/LbaHD

Les auteurs ont utilisé un ensemble de données soigneusement sélectionné pour l'entraînement et l'évaluation du modèle de détection des erreurs hors domaine et de routage d'agents. Cet ensemble comprend 301 questions : 178 questions du domaine et 123 questions hors domaine. Un ensemble de référence contenant 100 questions courantes avec leurs réponses réelles a également été fourni pour une évaluation complète.

Voici l'intégralité du contenu de la recommandation d'article de cette semaine. Pour découvrir d'autres articles de recherche de pointe en IA, veuillez consulter la section « Derniers articles » du site officiel d'hyper.ai.

Nous invitons également les équipes de recherche à nous soumettre des résultats et des articles de haute qualité. Les personnes intéressées peuvent ajouter leur compte WeChat NeuroStar (identifiant WeChat : Hyperai01).

À la semaine prochaine !