Fiabilité des LLM
2 published articles
Recherche en IA
Les LLMs corrompent vos documents lorsque vous déléguez : un examen approfondi du benchmark DELEGATE-52
Le benchmark DELEGATE-52 révèle que les LLMs actuels accumulent une dégradation de la fidélité lorsqu'ils sont chargés d'éditions documentaires en plusieurs étapes. Les erreurs affectent 19 à 34 % du contenu des artefacts sur 20 itérations, bien que les workflows Python présentent une perte inférieure à 1 %. L'étude est un outil de diagnostic, pas un verdict sur l'utilité réelle de l'IA.
2026-07-05
Analyse de recherche
Corruption de documents par l'IA dans les flux de travail délégués : ce que révèle un nouveau test de résistance
Le benchmark DELEGATE-52 évalue les systèmes d'IA sur des tâches d'édition de documents déléguées à long terme, constatant que les modèles de pointe accumulent une perte de fidélité sémantique de 19 à 34 % sur 20 itérations. Les flux de travail Python ont montré une dégradation moyenne inférieure à 1 %, mais l'étude souligne que la délégation fiable à long terme reste un défi ouvert.
2026-07-04