Données synthétiques
Fellow suit ce sujet depuis juillet 2026 : 10 articles résumés en français, dont 4 jugés majeurs ou notables.
Toute l'actualité · 10 articles
Des évaluations sur données d'entreprise synthétiques à la confiance dans Microsoft Copilot
Microsoft Research présente une plateforme générant des environnements d'entreprise entièrement synthétiques, issus de sources publiques, pour évaluer Copilot sans recourir à des données réelles sensibles.
Lois d'échelle pour les agents utilisant des outils grâce à la synthèse contrôlable d'environnements
Le pipeline SynthAPI fait varier la diversité des outils, des tâches et des bases de données pour dériver une loi d'échelle prédisant la généralisation des agents LLM à outils.
LongZero : renforcer le raisonnement long contexte des LLM à partir de zéro donnée
Des chercheurs proposent LongZero, une méthode où un LLM améliore seul son raisonnement sur contexte long, sans corpus externe ni modèle enseignant, via GRPO.
Indic pretraining : 2,8 trillions de tokens et un pipeline ouvert de génération de données
NVIDIA, avec IIT Madras et AI4Bharat, annonce Nemotron-pretraining-Indic-v1, un corpus d'environ 2,8 trillions de tokens couvrant 22 langues indiennes, publié avec son pipeline de génération.
Combien vaut un token d'IA ? Lois d'échelle pour le texte web généré par IA en conditions réelles
800 modèles entraînés révèlent que le texte IA dans les corpus web profite d'abord puis nuit à la qualité du pretraining, selon les volumes disponibles.
FleXray : un modèle universel de segmentation pour les radiographies cliniques
Un moteur de données synthétiques basé sur la physique permet d'entraîner un modèle segmentant 60 structures anatomiques sur des radiographies inédites.
Apprendre une frontière taille-poids pour l'inférence augmentée par données synthétiques
Un cadre statistique permet d'exploiter des données synthétiques (dont celles générées par LLM) sans compromettre la fiabilité de l'inférence.
Un modèle de diffusion transformer pour générer des données de santé synthétiques tabulaires
Un nouveau framework en deux étapes permet d'apprendre un générateur unique à partir de tables hétérogènes multiples et de produire des données synthétiques réalistes.
Pleias publie SYNTH, un dataset synthétique open-source
Le laboratoire français dévoile un corpus de données synthétiques destiné à l'entraînement de modèles de langage, disponible sur Hugging Face.
SYNTH : Pleias publie une collection de données synthétiques d'entraînement
Le lab européen Pleias met en ligne SYNTH, une collection Hugging Face de jeux de données synthétiques destinés à l'entraînement de modèles.