Le filThèmes : RechercheÉvaluations
Collective Bias Mitigation réduit les biais des modèles de langage en faisant collaborer plusieurs modèles
1 sourcemis à jour il y a 2 jpertinence 2,6 sur5
L’essentiel
Dans la configuration top-7, la topologie Committee fait passer le score de biais lié à l’âge de 0,25 à 0,10. Selon le papier, elle équilibre l’efficacité de réduction des biais et le coût d’inférence.
Propagation1 article, publié par HF Daily Papers le 5 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceMingzhe Du, Luu Anh Tuan, Xiaobao Wu et al.huggingface.co
Collective Bias Mitigation via Model Routing and Collaboration (site externe)
Large language models (LLMs) are increasingly deployed in public health, finance, and governance, requiring both accuracy and societal value alignment.
Sur les mêmes thèmes
Évaluations
SkillSeek montre que BM25 rivalise avec la recherche agentique de skills pour les agents
Évaluations
VeriHarness transforme le LLM d’un générateur en agent vérificateur pour les tâches longues
Évaluations
Une étude montre que la date cachée dans les prompts système fait varier les évaluations de LLM
Évaluations
MILO fait évoluer des harnais d’agents et leur stratégie de recherche, et dépasse huit harnais de référence
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