Dans la nouvelle ICML 26,L'équipe de recherche de l'université Tsinghua a remporté le prix du meilleur article.

Cette étude porte sur les modèles de langage diffus (dLLM). Bien que les dLLM aient permis des avancées considérables dans le domaine du traitement automatique du langage naturel grâce à leur génération désordonnée et à leur décodage parallèle, l'équipe souligne que ce mécanisme présente un « piège de flexibilité » lorsqu'il s'agit de tâches de raisonnement général telles que les mathématiques et la programmation : la génération désordonnée conduit le modèle à ignorer les mots logiques à forte incertitude, limitant ainsi son potentiel de raisonnement.

Pour remédier à ce problème, l'équipe a proposé le modèle JustGRPO. Cette approche abandonne les adaptations complexes d'apprentissage par renforcement, en introduisant directement le séquençage autorégressif (AR) et l'algorithme GRPO standard lors de l'entraînement, tout en conservant les avantages du décodage parallèle du dLLM lors de l'inférence. Cette conception minimaliste exploite pleinement le potentiel d'inférence du modèle, atteignant une précision de 89,11 TP3T sur le benchmark GSM8K.

Le site web d'HyperAI propose désormais « JustGRPO : Libérer la puissance de raisonnement des modèles de langage de diffusion avec GRPO standard », alors venez l'essayer !

Titre de l'article :Le piège de la flexibilité : repenser la valeur de l’ordre arbitraire dans les modèles de langage de diffusion

Lien vers l'article :https://go.hyper.ai/hM7mt

Utilisation en ligne :https://go.hyper.ai/c1a0C

Bienvenue sur notre site web officiel pour plus d'informations :

https://hyper.ai

Aperçu rapide des mises à jour du site web officiel d'hyper.ai du 4 au 10 juillet :

* Ensembles de données publiques de haute qualité : 10

* Une sélection de tutoriels de haute qualité : 9

* Analyse d'un article de la communauté : 1 article

* Entrées d'encyclopédie populaire : 5

Visitez le site officiel :hyper.ai

Ensembles de données publiques sélectionnés

1. Jeu de données Agents Last Exam (jeu de données de tâches à long terme pour agents intelligents)

Agents Last Exam est un jeu de données de tâches conçu pour évaluer les performances des agents informatiques dans des tâches professionnelles de longue durée. Il vise à fournir une description structurée pour l'évaluation des agents. Ce jeu de données contient des informations sur 153 tâches issues du test de référence Agents Last Exam (ALE), incluant des données telles que les titres des tâches, leurs résumés, les systèmes de classification, les instructions complètes, les listes d'actions requises, les logiciels attendus et les descripteurs des fichiers d'entrée.

Utilisation en ligne :https://go.hyper.ai/p8Y8D

2. Ensemble de données de référence vidéo pour robots WGO-Bench

WGO-Bench est un jeu de données de référence pour les vidéos de robots, publié par Macrodata Labs. Il vise à évaluer la capacité des modèles de langage visuel à convertir des vidéos d'action de robots et des vidéos filmées à la première personne en annotations de sous-tâches horodatées. Ce jeu de données se concentre principalement sur deux tâches : la détection des contours et l'annotation des sous-tâches. Les étiquettes d'annotation décrivent en détail les événements d'action et les changements d'état visibles dans les clips vidéo.

Utilisation en ligne :https://go.hyper.ai/TPr8O

3. Ensemble de données de référence RedlineBench pour la négociation de contrats juridiques

RedlineBench, publié par Crosby en 2026, est un jeu de données de référence pour l'évaluation de la négociation de contrats juridiques. Il vise à mesurer la capacité des agents d'IA à effectuer des annotations et à prendre des décisions de négociation dans des scénarios de transactions commerciales réelles. Le jeu de données contient 140 tâches Harbor exécutables, couvrant trois scénarios de négociation à plusieurs tours, chacun composé de quatre tours alternés.

Utilisation en ligne :https://go.hyper.ai/b2EzE

4. Ensemble de données des matchs de la Coupe du Monde de la FIFA 2026

Le jeu de données de la Coupe du Monde de la FIFA 2026 est un ensemble de données de matchs de la Coupe du Monde de la FIFA 2026, conçu pour l'analyse de données footballistiques et la modélisation par apprentissage automatique. Il vise à faciliter l'analyse approfondie du jeu, la modélisation statistique et les prédictions par apprentissage automatique. Ce jeu de données comprend trois composantes principales : des données structurées sur les matchs, des données sur les joueurs et des données sur les équipes, couvrant des informations statistiques multidimensionnelles aux niveaux du match, du joueur et de l'équipe.

Utilisation en ligne :https://go.hyper.ai/idr4l

5. Ensemble de données de commandes d'inférence audio et vidéo OmniVideo-100K

OmniVideo-100K est un jeu de données d'inférence audio et vidéo publié en juin 2026 par l'Université de Nanjing en collaboration avec l'Institut d'automatisation de l'Académie des sciences de Chine. Il est conçu pour l'optimisation des instructions dans les grands modèles de langage multimodaux, dans le but d'améliorer leurs capacités de collaboration pour les séquences temporelles longues et les dépendances intermodales. Ce jeu de données contient 100 000 paires question-réponse issues de 5 214 vidéos YouTube, couvrant 10 catégories de tâches de question-réponse audio et vidéo, réparties en trois niveaux cognitifs : alignement, compréhension et raisonnement.

Utilisation en ligne :https://go.hyper.ai/aJIuZ

6. Jeu de données d'optimisation des instructions Nemotron-SFT-SWE-v3

Nemotron-SFT-SWE-v3 est un jeu de données d'optimisation des instructions de génie logiciel, publié par NVIDIA en 2026. Il vise à améliorer la compréhension et la correction du code des grands modèles de langage dans les tâches de type SWE-Bench. Ce jeu de données contient 237 970 échantillons, collectés à partir de trajectoires d'agents utilisant différents frameworks tels qu'OpenHands, SWE-agent et mini-SWE-agent, et étiquetés à l'aide de méthodes automatisées et synthétiques.

Utilisation en ligne :https://go.hyper.ai/qOzpP

7. Ensemble de données d'ajustement fin des instructions de l'agent Open-SWE-Traces

Open-SWE-Traces, publié par NVIDIA en 2026, est un jeu de données destiné à l'optimisation des instructions d'agents dans les grands modèles de langage. Il vise à améliorer les capacités de réparation de code et d'invocation d'outils en plusieurs étapes du modèle en génie logiciel. Ce jeu de données contient 207 489 trajectoires d'interaction d'agents, synthétisées à l'aide des algorithmes Minimax-M2.5 et Qwen3.5-122B-A10B, collectées grâce aux frameworks SWE-agent et OpenHands, et couvrant plusieurs langages de programmation.

Utilisation en ligne :https://go.hyper.ai/WckNP

8. Ensemble de données RadImageNet-VQA pour la réponse visuelle aux questions sur les images médicales

RadImageNet-VQA est un vaste ensemble de données médicales destiné aux tâches de réponse visuelle aux questions (VQA) en radiologie. Il vise à améliorer la compréhension visuelle et les capacités de raisonnement des modèles multimodaux médicaux appliqués aux images CT/IRM. Il est largement utilisé pour les tâches de réponse visuelle aux questions médicales, l'entraînement et l'évaluation des modèles d'analyse d'images radiologiques, ainsi que pour la recherche et le développement d'applications d'IA médicale multimodale.

Utilisation en ligne :https://go.hyper.ai/WzGOV

9. Ensemble de données de référence pour le modèle de monde du langage AgentWorldBench

AgentWorldBench, publié par Qwen en 2026, est un jeu de données de référence complet pour l'évaluation des modèles de langage, conçu pour évaluer leurs capacités de modélisation environnementale et de raisonnement. Ce jeu de données contient 2 170 échantillons avec une moyenne de 22,8 interactions et est construit à partir de trajectoires de modèles réels issues de benchmarks reconnus tels que Tool Decathlon, Terminal-Bench 1.0/2.0 et OSWorld-Verified.

Utilisation en ligne :https://go.hyper.ai/y1s1b

10. Package public GeneBench-Pro : Ensemble de données de référence pour les cas de gènes

GeneBench-Pro Public Package est un jeu de données de référence pour l'analyse génétique, accessible au public et publié par OpenAI. Il vise à fournir un environnement d'évaluation reproductible pour les études de cas de recherche destinées aux agents d'IA dans les domaines de la génomique et de la biomédecine. Ce jeu de données contient 10 cas problématiques indépendants dans les domaines de la génomique et de la bioinformatique, couvrant des domaines tels que la génétique statistique, la génomique clinique, la génétique des populations, l'analyse unicellulaire, la génomique tridimensionnelle et la génomique fonctionnelle.

Utilisation en ligne :https://go.hyper.ai/qd9PF

Tutoriels publics sélectionnés

1. JustGRPO : Exploiter la puissance de raisonnement des modèles de langage de diffusion avec GRPO standard

Le modèle JustGRPO a été publié par l'équipe LeapLab de l'Université Tsinghua en janvier 2026. Ses principales caractéristiques et innovations sont les suivantes : une méthode d'apprentissage par renforcement minimaliste qui traite le modèle de langage de diffusion (DLM) comme un modèle autorégressif standard lors de l'entraînement et applique directement l'optimisation de politique relative de groupe (GRPO). Il atteint des performances d'inférence de pointe (GSM8K 89,1%) sans approximation de trajectoire, estimation de vraisemblance marginale ni adaptation spécifique à la diffusion. 

Exécutez en ligne :https://go.hyper.ai/c1a0C

2. Prédiction des maladies coronariennes : d'après les données de Framingham

Framingham est un ensemble de données pour la recherche sur les maladies cardiaques, publié par le National Heart, Lung, and Blood Institute en septembre 1948. Plusieurs modèles de classification d'apprentissage automatique ont été élaborés pour prédire le risque individuel de développer une maladie coronarienne (MC) au cours des 10 années suivantes. Le projet a couvert de manière exhaustive les étapes clés, notamment le nettoyage des données, l'analyse exploratoire des données, l'ingénierie des caractéristiques, la gestion du déséquilibre des classes, l'optimisation des hyperparamètres et l'apprentissage d'ensemble.

Exécutez en ligne :https://go.hyper.ai/tMRDG

3. Tutoriel d'introduction aux algorithmes génétiques : Algorithmes d'optimisation globale basés sur la sélection naturelle

L'algorithme génétique (AG) est un algorithme d'optimisation inspiré de la théorie de la sélection naturelle de Darwin. Il simule les mécanismes de sélection, de croisement et de mutation de l'évolution biologique afin de trouver efficacement des solutions optimales dans l'espace de recherche. Ce tutoriel présente les concepts fondamentaux des algorithmes génétiques de manière accessible et illustre le processus complet de l'AG étape par étape en utilisant l'optimisation de la fonction sphère comme exemple.

Exécutez en ligne :https://go.hyper.ai/Bm7Pr

4. Higgs Audio v3 TTS : Modèle de synthèse vocale multilingue conversationnelle

Développé par Boson AI et sorti en juin 2026, Higgs Audio v3 TTS est un modèle de synthèse vocale conversationnelle conçu pour les agents vocaux. Basé sur un décodeur autorégressif d'environ 4 milliards de paramètres, il encode la parole en 8 dictionnaires de jetons audio discrets à 25 images par seconde grâce au Higgs Tokenizer, et reconstruit le signal audio à une fréquence d'échantillonnage de 24 kHz. Ce modèle prend en charge la synthèse sans exemple de plus de 100 langues, le clonage sonore sans exemple et offre un contrôle précis des émotions, du style, de la prosodie, des pauses et des effets sonores grâce à des balises de contrôle intégrées.

Exécutez en ligne :https://go.hyper.ai/Sj9mk

5. Affiner GPT à l'aide de nanoGPT sur l'ensemble de données Shakespeare.

nanoGPT Shakespeare est un framework de génération de texte de style shakespearien construit sur le projet nanoGPT publié par Andrej Karpathy en janvier 2023. Il utilise GPT-2 (124M) publié par OpenAI en février 2019 comme base de pré-entraînement et introduit une stratégie de réglage fin Transformer, qui peut être rapidement entraînée sur des GPU grand public pour générer du texte de style shakespearien.

Exécutez en ligne :https://go.hyper.ai/iqcyS

6. Segmentation-3.0 : Modèle de segmentation multilocuteur « Powerset »

Segmentation-3.0, publié par l'équipe Pyannote en septembre 2023, est un modèle de segmentation vocale léger et performant, entraîné sur pyannote.audio 3.0.0 et principalement utilisé pour l'analyse vocale au niveau de la trame. Ce modèle prend en entrée un fichier audio mono de 10 secondes à 16 kHz et produit une matrice de classification multilocuteur. Basé sur l'architecture PyanNet, il comprend des couches SincNet, LSTM et linéaires, et compte environ 1,47 million de paramètres.

Exécutez en ligne :https://go.hyper.ai/rXNuo

7. Qwythos-9B-Claude-Mythos-5-1M Déploiement d'inférence GGUF

Qwythos-9B-Claude-Mythos-5-1M est un modèle de langage étendu basé sur le raisonnement, développé par Empero en juin 2026 et entraîné sur Qwythos3.5-9B avec tous ses paramètres. Ce modèle offre des capacités de raisonnement améliorées, avec un gain de 34 points en MMLU et de 30 points en gsm8k-strict par rapport à la version originale de Qwythos3.5-9B. Il prend en charge les appels de fonctions natifs, conformément au format d'appel d'outils spécifié dans Qwythos3.5 ; la mise à l'échelle YaRN est activée par défaut, permettant la gestion de contextes ultra-longs jusqu'à 1 million d'occurrences ; et il hérite des capacités de vision multimodale de Qwythos3.5-9B. Ce modèle n'est soumis à aucune restriction de censure et peut traiter des problématiques techniques spécialisées telles que la cybersécurité et la biomédecine.

Exécutez en ligne :https://go.hyper.ai/dxqRP

8. Classification en puzzle de la toxicité des biais non intentionnels — Tutoriel d'analyse exploratoire des données (EDA)

En 2018, Kaggle et Jigsaw ont organisé un concours de classification des commentaires toxiques. Cependant, en raison d'un déséquilibre des données d'entraînement, le modèle a développé des biais involontaires, associant à tort des termes identitaires comme « gay » à la toxicité et classant ainsi des commentaires neutres comme toxiques. Pour remédier à ce problème, l'équipe a lancé un nouveau concours visant à éliminer les biais envers certains groupes identitaires.

Exécutez en ligne :https://go.hyper.ai/LnJ2r

9. Qwen-AgentWorld-35B-A3B : Le premier modèle de monde linguistique couvrant sept grands domaines d'interaction d'agents.

Qwen-AgentWorld-35B-A3B est un modèle de monde en langage natif publié par l'équipe Qwen du groupe Alibaba en juin 2026. Il ne s'agit pas d'un modèle de langage conversationnel à grande échelle traditionnel. Basé sur Qwen3.5-35B-A3B-Base, il prend en entrée les actions et l'historique des interactions de l'agent et prédit l'état suivant de l'environnement par inférence en chaîne longue, simulant ainsi l'environnement d'interaction de l'agent, comme les terminaux, la recherche et les appels d'outils.

Exécutez en ligne :https://go.hyper.ai/PbwGD

Interprétation des articles communautaires

1. OpenAI lance GeneBench-Pro, un outil qui évalue les capacités de recherche en IA à travers 129 questions et 10 domaines.

L'équipe de recherche d'OpenAI a récemment proposé une version mise à jour de GeneBench, GeneBench-Pro, qui couvre un plus large éventail de domaines industriels et académiques. Elle ne se limite plus à la génomique, mais s'étend aux scénarios nécessitant une inférence statistique multi-étapes, tels que la biologie moléculaire et quantitative, la pharmacogénomique, la biologie du cancer, la génomique microbienne et la recherche translationnelle clinique.

Voir le rapport complet :https://go.hyper.ai/yS7Cv

Articles populaires de l'encyclopédie

1. Modèle d'action mondial (WAM)

2. Jeton de glitch

3. Moyenne harmonique

4. Test du mode Ombre

5. Moyenne bayésienne des modèles

Voici des centaines de termes liés à l'IA compilés pour vous aider à comprendre « l'intelligence artificielle » ici :

https://go.hyper.ai/wiki

Voici tout le contenu de la sélection de l’éditeur de cette semaine. Si vous avez des ressources que vous souhaitez inclure sur le site officiel hyper.ai, vous êtes également invités à laisser un message ou à soumettre un article pour nous le dire !

À la semaine prochaine !

À propos d'HyperAI

HyperAI (hyper.ai) est une communauté leader en matière d'intelligence artificielle et de calcul haute performance en Chine.Nous nous engageons à devenir l'infrastructure dans le domaine de la science des données en Chine et à fournir des ressources publiques riches et de haute qualité aux développeurs nationaux. Jusqu'à présent, nous avons :

* Fournit des nœuds de téléchargement accéléré nationaux pour plus de 2100 jeux de données publics

* Comprend plus de 700 tutoriels en ligne classiques et populaires

* Analyse de plus de 300 études de cas sur l'IA au service de la science

* Permet de rechercher plus de 700 termes associés

* Hébergement de la première documentation complète d'Apache TVM en Chine

Visitez le site Web officiel pour commencer votre parcours d'apprentissage :

https://hyper.ai