Le filThèmes : RechercheÉvaluations
AnswerMap produit une carte spatiale de pertinence pour les modèles vision-langage sans accès interne
1 sourcemis à jour 29 sept.pertinence 2,8 sur5
L’essentiel
Cette méthode sans entraînement fonctionne en boîte noire. Elle s’aligne sur le point désigné par le modèle (AUC de 0,85 contre 0,38 pour l’attention), et la suppression de sa région inverse 53 % des réponses correctes.
Propagation1 article, publié par HF Daily Papers le 29 sept..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceMohamed Eltahir, Fardows Adam, Duaa M. Tahir et al.huggingface.co
AnswerMap: Faithful Spatial Interpretability of VLMs from Answer Posteriors (site externe)
When a VLM answers a visual query, current interpretability tools rely on text rationales, which use a mismatched modality, or on internal read-outs, which originate too early to reflect the final output and require white-box access to the model.
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