Apple ML Research
Source d'actualités IA. Les articles sont sélectionnés et adaptés par la rédaction de Hamidun News.
Dernières publications

Apple propose SelfCompact : l'agent décide lui-même quand compresser son contexte
Les chercheurs d'Apple suppriment le seuil fixe de tokens pour la compression du contexte : avec SelfCompact, le modèle choisit lui-même quand et comment compacter, via un outil dédié.

Apple Research dévoile Minions : un cloud GPU virtuel bâti sur les Mac inactifs
Des chercheurs d'Apple décrivent Minions, un cloud distribué qui agrège les GPU Apple Silicon inactifs des appareils macOS pour exécuter de l'inférence ML à grande échelle.

Apple a testé les LLM comme juges de traduction : avec MQM et ESA, la tâche est difficile pour les humains comme pour les modèles
Apple ML Research a comparé les annotations de qualité de traduction automatique produites par des LLM et par des humains avec les schémas MQM et ESA. Le titre résume la conclusion : les deux camps peinent.

Apple ML Research étudie l'alignement des LLM multimodaux et leur propension aux hallucinations
Apple ML Research publie une étude approfondie sur le rôle du preference alignment dans les modèles de langage multimodaux, où les hallucinations s'avèrent plus complexes que dans les LLM classiques.

Apple ML Research propose des modèles compacts pour corriger les erreurs de reconnaissance vocale
Apple ML Research propose des modèles seq2seq compacts plutôt que des LLM pour corriger les erreurs d'ASR, entraînés sur des erreurs réelles et synthétiques.

Apple ML Research présente Text-to-Sounding-Video, une méthode pour générer des vidéos sonorisées à partir de texte
Apple ML Research explore le Text-to-Sounding-Video, la génération de vidéos sonorisées à partir de texte, et identifie deux problèmes clés encore non résolus.

Apple ML Research dévoile TopoPrimer, un contexte topologique pour les modèles de prévision
Apple ML Research présente TopoPrimer, un framework qui injecte la structure topologique globale des données dans les modèles de prévision de séries temporelles.

Apple précise quand la on-policy distillation aide vraiment à entraîner les modèles
Des chercheurs d'Apple ML identifient les conditions dans lesquelles la on-policy distillation est efficace pour entraîner des modèles de raisonnement, et celles où elle peut être inefficace, voire contre-productive.

Self-Reflective Program Search : Apple améliore le traitement des contextes longs par les LLM
Apple ML Research a publié une étude sur Self-Reflective Program Search, une méthode qui améliore le traitement des contextes longs par les modèles de langage grâce à une décomposition récursive en sous-requêtes.

Apple met au point TGPO pour apprendre aux modèles vidéo à comprendre le temps
Apple ML Research dévoile TGPO, une méthode qui apprend aux modèles vidéo l'ordre et l'évolution des événements dans la vidéo égocentrique grâce au renforcement du raisonnement temporel.

Faille IA : un seul neurone suffit à contourner la protection des grands modèles, selon Apple
Des chercheurs d'Apple montrent que la protection des LLM peut être entièrement contournée en agissant sur un seul neurone, sans réentraînement ni modification des prompts, sur sept modèles de deux familles.

FlowEval d'Apple : une IA pour évaluer les interfaces générées par IA
Apple ML Research a conçu FlowEval, un framework qui évalue automatiquement les interfaces générées par IA en comparant leurs trajectoires de navigation à celles de vrais sites web.

Apple ML Research dévoile Weblica, un environnement évolutif pour entraîner des agents web visuels
Apple publie Weblica, un framework qui rejoue les états interactifs de pages web et génère des environnements d'entraînement via des LLM, pour entraîner de façon fiable des agents IA opérant dans le navigateur.

Apple met au point MT-EditFlow pour l'édition d'images par IA en plusieurs étapes
Apple ML Research dévoile MT-EditFlow, un système fondé sur l'apprentissage par renforcement qui s'attaque à l'accumulation d'erreurs lors de l'édition itérative d'images.

LensVLM : un réseau de neurones pour lire du texte dans des images compressées
Apple ML Research présente LensVLM, un cadre qui permet aux modèles vision-langage de lire du petit texte dans des images compressées sans perte de précision.

Comment adapter une IA à de nouvelles tâches sans lui faire perdre ses capacités
DynaMiCS, d'Apple, traite le choix des données lors du fine-tuning comme un problème sous contraintes, afin de préserver instructions, connaissances et sécurité du modèle face à de nouveaux domaines.

Comment fonctionne le Mixture-of-Experts : l'architecture des réseaux de neurones modernes
Des chercheurs d'Apple ont constaté que les tokens des architectures MoE n'empruntent qu'une infime part des routes théoriquement possibles, et proposent une architecture pour y remédier.

Les réseaux de neurones pour la parole passent à l'échelle comme ceux du texte, selon Apple
Apple ML Research a constaté que les modèles de parole à diffusion continue progressent de façon aussi prévisible que les modèles autorégressifs, et introduit la métrique pJSD.

Apple ML Research s'attaque à la dégradation des modèles ASR sur les longs enregistrements
Apple ML Research publie Segmental Attention Decoding, quatre modifications d'architecture visant le principal problème des réseaux de neurones face aux longs enregistrements audio.

Apple publie Fortress, un framework qui stabilise les systèmes de recommandation en élaguant les caractéristiques
Apple ML Research décrit Fortress, un système qui supprime l'instabilité temporelle des modèles de recommandation en repérant puis en retirant les caractéristiques à l'origine de prédictions incohérentes.

Apple ML Research étudie pourquoi les annotateurs de données de sécurité de l'IA divergent
Apple ML Research a mis au point une méthode pour analyser les désaccords entre annotateurs de données de sécurité, ces personnes qui apprennent aux modèles d'IA à distinguer le contenu acceptable du contenu dangereux.

Apple ML Research propose une méthode pour généraliser les modèles de ML à de nouveaux domaines sans annotation
Les chercheurs d'Apple ML Research ont mis au point une approche de généralisation de domaine qui s'appuie sur des données non étiquetées du nouveau domaine plutôt que sur une annotation coûteuse.

Un réseau de neurones plus efficace : comment Apple a optimisé l'inférence
Apple ML Research dévoile Conformal Thinking, un framework qui gère automatiquement le budget de tokens des modèles de raisonnement et garantit un niveau d'erreur fixé avec un calcul minimal.

Apple ML Research : comment les modèles de diffusion apprennent à choisir les tokens sans heuristiques manuelles
Apple ML Research propose de remplacer les heuristiques manuelles de sélection des tokens dans les modèles de langage à diffusion par des politiques apprenables, pour supprimer l'instabilité et le réglage manuel.

Apple ML Research propose MemoryLLM, une « mémoire » interprétable pour les transformers
Des chercheurs d'Apple décrivent les blocs feed-forward des LLM comme une mémoire neuronale de recherche et proposent de les analyser isolément, sans le mécanisme d'auto-attention.

Apple ML Research : les équipes multi-agents de LLM brident leurs agents experts
Apple ML Research conclut que les équipes auto-organisées de modèles de langage ne créent aucune synergie : elles brident les agents experts au lieu de les renforcer.