Le filThèmes : RechercheÉvaluations
Un papier montre que identifier la source de données synthétiques ne dit pas si elles servent à l’entraînement
1 sourcemis à jour il y a 12 hpertinence 3,2 sur5
L’essentiel
L’attribution du générateur atteint 98,7 % de précision sur les textes d’origine, puis 53,1 % après paraphrase et 29,0 % après réécriture de style. Deux règles de sélection ne montrent pas de différence stable.
Propagation1 article, publié par HF Daily Papers le 7 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceJoss Armstronghuggingface.co
Source Identification Is Not Fitness Testing: Measuring the Limits of Synthetic-Data Attribution (site externe)
Repeated training on model-generated data can degrade later models. One possible response is to use provenance when deciding which generated examples to reuse.
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