Une revue de littérature analyse l’évolution de l’attention dans les grands modèles de langage
1 sourcemis à jour il y a 6 jpertinence 2,6 sur5
L’essentiel
Elle propose une grille à cinq dimensions et s’appuie sur 59 enregistrements de versions issus de 14 grandes lignées de modèles. Selon elle, la conception d’architectures efficaces repose sur l’organisation de la mémoire contextuelle.
Propagation1 article, publié par HF Daily Papers le 1 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceZhentao Tan, Jingyi Shen, Yanbo Li et al.huggingface.co
The Evolution of Attention in Large Language Models: Mechanisms, Trade-offs, and Emerging Trends (site externe)
Self-attention gives LLMs fine-grained, query-dependent access to context, but dense token interactions incur quadratic prefill cost and a key--value cache growing with context length.
Sur les mêmes thèmes
Infra
Ai2 publie Olmo-core 3, son framework d’entraînement ouvert pour de grands modèles à mélange d’experts
Infra
SlimWise élague les experts uniquement au décodage pour servir plus efficacement les modèles MoE
Recherche
RayOrch, un moteur distribué, préserve les liens parent-enfant dans la préparation de données d’IA
Infra
TRACE propose un entraînement FP4 par RL pour les modèles MoE, guidé par les rollouts
À lire ensuite
Modèles
Google DeepMind annonce Gemini 4 Argon, déployé d’abord auprès de défenseurs cyber de confiance via Fairwind
Modèles
OpenAI lance GPT-6 Sol et GPT-6 Luna, deux modèles plus économiques qui complètent GPT-6 Astra
Modèles
Anthropic publie Claude Opus 5.5 et OpenAI lance GPT-6 Sol et GPT-6 Luna à environ une heure d’écart
Modèles
Anthropic lance Claude Sonnet 5.5, deuxième modèle de la famille Claude 5.5