En bref. Un modèle de langage qui invente une référence ne dysfonctionne pas. Il fait exactement ce pour quoi il a été noté. En septembre 2025, quatre chercheurs, trois chez OpenAI et un à Georgia Tech, ont publié un argument selon lequel l’hallucination survit à cause de la manière dont les modèles sont notés : sur une échelle binaire juste ou faux, un modèle qui devine bat toujours un modèle identique qui admet son incertitude. Ils ont passé en revue dix évaluations de premier plan et constaté que neuf utilisent une notation binaire, et qu’aucune n’accorde le plein crédit à un « je ne sais pas » calibré. Nous avons repris les propres résultats SimpleQA d’OpenAI et calculé une colonne que leur article ne rapporte pas : le taux de bluff, c’est-à-dire la part des échecs où le modèle a répondu faux au lieu de s’abstenir. Il va de 20,5% à 99,0%, soit un écart de 4,8 fois, et il est presque indépendant de l’exactitude. Ensuite nous avons consulté le classement des hallucinations de Vectara, mis à jour le 11 mai 2026, pour voir ce qui se passe quand les faits sont fournis dans l’invite. L’ancrage aide beaucoup, mais il a produit un résultat inattendu : sur quatre comparaisons distinctes au sein d’une même famille, augmenter l’effort de raisonnement a fait monter le taux d’hallucination, et les résumés se sont allongés à chaque fois sans exception. Voici les cinq mécanismes vérifiés, le régime dans lequel se situe votre tâche, et un test de détection pour chacun.
C’est la couche mécanique sous nos travaux sur l’évaluation des productions de l’IA et sur le calibrage de la confiance. Ces articles disent quand faire confiance. Celui-ci dit pourquoi les défaillances surviennent là où elles surviennent.
La réponse en une phrase
Les modèles hallucinent parce que deviner rapporte plus que s’abstenir, et tout le reste n’est qu’un détail sur le moment.
Ce cadrage vient de « Why Language Models Hallucinate », déposé sur arXiv le 4 septembre 2025 par Adam Tauman Kalai et Ofir Nachum d’OpenAI, Santosh S. Vempala de Georgia Tech et Edwin Zhang d’OpenAI. Leur analogie est celle d’un candidat à un examen. Face à une question à laquelle vous ne savez pas répondre, une case vide vaut zéro et une supposition vaut zéro ou un. Sous cette règle, la stratégie rationnelle est toujours de deviner, et de deviner précisément, car « 30 septembre » et « quelque part à l’automne » sont notés identiquement si les deux sont faux, mais seul le premier peut être juste.
Les modèles de langage, soutiennent les auteurs, vivent en permanence dans cet examen. Ils sont optimisés sur des référentiels qui imitent les tests standardisés et se trouvent donc toujours en mode examen.
La contribution la plus concrète de l’article est un relevé de ce que font réellement les référentiels. Les auteurs ont examiné dix évaluations très utilisées et classé chacune selon que sa métrique principale est une exactitude stricte juste ou faux, et selon qu’une abstention peut obtenir le moindre crédit.
| Référentiel | Méthode de notation | Notation binaire | Crédit pour « je ne sais pas » |
|---|---|---|---|
| GPQA | Exactitude à choix multiples | Oui | Aucun |
| MMLU-Pro | Exactitude à choix multiples | Oui | Aucun |
| IFEval | Vérification programmatique des consignes | Oui | Aucun |
| Omni-MATH | Notation par équivalence | Oui | Aucun |
| WildBench | Grille notée par un modèle de langage | Non | Partiel |
| BBH | Choix multiples / correspondance exacte | Oui | Aucun |
| MATH (sous-ensemble niveau 5) | Notation par équivalence | Oui | Aucun |
| MuSR | Exactitude à choix multiples | Oui | Aucun |
| SWE-bench | Le correctif passe les tests unitaires | Oui | Aucun |
| HLE | Choix multiples / notation par équivalence | Oui | Aucun |
Source : Kalai, Nachum, Vempala et Zhang, « Why Language Models Hallucinate », prépublication arXiv 2509.04664v1, septembre 2025, tableau 2. Notre comptage de leurs lignes : 9 sur 10 utilisent une notation binaire ; 9 sur 10 n’accordent aucun crédit à l’abstention ; 0 sur 10 accorde le plein crédit à une abstention calibrée. La grille de WildBench n’offre qu’un crédit partiel, et les auteurs notent que son échelle de 1 à 10 peut encore noter une abstention en dessous d’une réponse assurée mais hallucinée.
Cette dernière ligne contient tout le problème en miniature. Même le seul référentiel qui n’utilise pas de notation binaire peut encore récompenser une fausseté assurée davantage qu’un honnête « je ne sais pas ».
La solution proposée n’est pas un nouveau référentiel d’hallucination. C’est de changer la notation des référentiels qui dominent déjà les classements, en énonçant un seuil de confiance dans les consignes : ne réponds que si tu es sûr à plus de t, car les erreurs sont pénalisées de t/(1-t) points, les bonnes réponses valent 1 point et « je ne sais pas » vaut 0.
Une note sur cette formule, pour les lecteurs qui vérifient les calculs. La prépublication cite comme valeurs naturelles t = 0,5 (pénalité 1), t = 0,75 (pénalité 2) et t = 0,9 (pénalité 9). En appliquant la formule que l’article énonce lui-même, t/(1-t), on obtient 1 pour t = 0,5 et 9 pour t = 0,9, les deux concordent, mais 3 pour t = 0,75, et non 2. La parenthèse de la valeur intermédiaire contredit la formule qu’elle accompagne. C’est un petit dérapage dans une prépublication par ailleurs soignée et cela ne change rien à l’argument. Nous le signalons parce que c’est exactement le type de nombre dérivé que cet article vous invite à recalculer, et la leçon ne s’arrête pas aux articles des laboratoires de pointe. L’observation porte sur la version 1 de la prépublication arXiv datée du 4 septembre 2025 ; les versions publiées ultérieurement peuvent différer.
Le taux de bluff : une colonne inédite
C’est ici que la théorie devient mesurable.
OpenAI a publié SimpleQA en novembre 2024, un référentiel de 4 326 questions factuelles courtes écrites pour être difficiles pour GPT-4o, chacune ayant une seule réponse incontestable. Sa notation comporte trois issues plutôt que deux : correcte, incorrecte et non tentée, cette dernière couvrant les réponses qui ne donnent pas pleinement la réponse de référence, y compris un franc « je ne sais pas ».
Cette troisième catégorie rend le jeu de données utile ici, car elle sépare deux choses que les référentiels binaires confondent : ne pas savoir, et faire semblant de savoir.
Le tableau publié rapporte correcte, non tentée et incorrecte pour huit modèles. Il ne rapporte pas le ratio qui compte le plus pour un professionnel en activité. Si un modèle doit vous faire défaut, à quoi ressemble cet échec ? Vous dit-il qu’il ne sait pas, ou vous tend-il quelque chose de faux sans sourciller ?
C’est une simple division : incorrecte divisée par la somme d’incorrecte et de non tentée. Nous l’avons calculée pour chaque ligne.
| Modèle | Correcte (%) | Non tentée (%) | Incorrecte (%) | Taux de bluff (%) |
|---|---|---|---|---|
| GPT-4o-mini | 8,6 | 0,9 | 90,5 | 99,0 |
| GPT-4o | 38,2 | 1,0 | 60,8 | 98,4 |
| OpenAI o1-preview | 42,7 | 9,2 | 48,1 | 83,9 |
| OpenAI o1-mini | 8,1 | 28,5 | 63,4 | 69,0 |
| Claude-3.5-sonnet (2024-06-20) | 28,9 | 35,0 | 36,1 | 50,8 |
| Claude-3-opus (2024-02-29) | 23,5 | 39,6 | 36,9 | 48,2 |
| Claude-3-haiku (2024-03-07) | 5,1 | 75,3 | 19,6 | 20,7 |
| Claude-3-sonnet (2024-02-29) | 5,7 | 75,0 | 19,3 | 20,5 |
Cadre éditorial CEOtudent. Les colonnes correcte, non tentée et incorrecte sont reprises verbatim d’OpenAI, « Measuring short-form factuality in large language models », prépublication arXiv 2411.04368, tableau 3. Le taux de bluff est notre calcul : incorrecte / (incorrecte + non tentée), soit la part des réponses non correctes dans lesquelles le modèle a affirmé une réponse fausse plutôt que de s’abstenir. Chaque ligne du tableau source totalise 100,0, ce que nous avons vérifié. Les modèles et les dates correspondent à l’évaluation de fin 2024 et les systèmes actuels diffèrent ; la colonne est incluse pour montrer l’amplitude des comportements d’abstention, non pour classer des fournisseurs aujourd’hui.
Deux lectures, et la seconde est la plus importante.
La lecture évidente est l’amplitude. GPT-4o-mini, quand il ne sait pas, vous répond quand même 99 fois sur 100. Claude-3-sonnet, dans la même situation, décline quatre fois sur cinq. C’est un écart de 4,8 fois dans la manière dont l’échec se présente.
La lecture qui compte davantage : le taux de bluff est largement découplé de l’exactitude. GPT-4o-mini a répondu correctement à 8,6% des questions. Claude-3-haiku à 5,1%. Un écart de 3,5 points de pourcentage en compétence, et un écart de 78 points dans leur comportement lorsqu’ils sont dépassés. Ces deux modèles savent presque aussi peu. L’un le dit, l’autre non.
C’est précisément ce que prédit l’article sur l’hallucination. Le comportement d’abstention n’est pas un sous-produit de la capacité. C’est une disposition distincte et apprise, fixée par ce que le processus d’entraînement et d’évaluation a récompensé. Et puisque neuf référentiels de premier plan sur dix ne paient rien pour l’abstention, le gradient d’incitation pointe dans une seule direction.
La conséquence pratique : vous ne pouvez pas déduire la fiabilité des scores de référentiels. Le modèle en tête d’un classement peut être celui qui a le plus de chances de vous tendre une référence fabriquée, car la position au classement et la propension au bluff sont produites par la même pression.
Le second régime : ce qui se passe quand vous fournissez les faits
Tout ce qui précède concerne le rappel à livre fermé, où le modèle répond à partir de ses seuls paramètres. La plupart du travail professionnel n’est pas ainsi. Vous collez un document, joignez un rapport, pointez vers une base de code. Cela règle-t-il le problème ?
Vectara tient un classement public des hallucinations à l’aide de son Hallucination Evaluation Model. La tâche est délibérément étroite : chaque modèle reçoit un document et doit le résumer en n’utilisant que les faits qui y figurent, puis le résumé est vérifié pour repérer les affirmations que la source ne soutient pas. Le jeu de données contient plus de 7 700 articles couvrant actualité, technologie, science, médecine, droit, sport, économie et éducation, de 50 à 24 000 mots, il est tenu privé pour éviter le surapprentissage, et les modèles sont appelés à température 0. La version ci-dessous a été mise à jour le 11 mai 2026 et couvre 106 modèles.
Sur l’ensemble du classement, les taux d’hallucination sur source fournie vont de 1,8% pour le meilleur à 24,2% pour le pire.
Comparez cela aux chiffres à livre fermé plus haut, où GPT-4o a répondu incorrectement à 60,8% des questions SimpleQA. Ce sont des tâches, des modèles et des dates différents : ce n’est donc pas une comparaison de modèles à périmètre égal et il ne faut pas la lire ainsi. C’est une comparaison de deux régimes, et l’écart entre eux est d’environ un ordre de grandeur. Mettre le fait dans la fenêtre de contexte est la plus grande intervention à votre disposition, et elle est disponible sur chaque tâche, gratuitement, dès maintenant.
Mais elle ne ramène pas le taux à zéro, et la forme de l’erreur résiduelle est là où cela devient intéressant.
Le résultat que nous n’attendions pas : l’effort de raisonnement aggrave l’hallucination sur source fournie
En lisant le classement, nous avons remarqué que plusieurs familles de modèles y apparaissent plusieurs fois avec des réglages de raisonnement différents. Cela crée des comparaisons contrôlées naturelles : même famille, même passage du référentiel, même date, une seule variable modifiée.
Il existe cinq paires de ce type. Voici ce qu’elles montrent.
| Famille | Réglage effort faible | Taux | Mots | Réglage effort élevé | Taux | Mots | Variation du taux | Variation de longueur |
|---|---|---|---|---|---|---|---|---|
| GPT-5.2 | faible | 8,4% | 126,5 | élevé | 10,8% | 186,3 | +2,4 pts | +59,8 mots |
| GPT-5.1 | faible | 10,9% | 165,5 | élevé | 12,1% | 254,4 | +1,2 pt | +88,9 mots |
| Grok-4.1-fast | sans raisonnement | 17,8% | 87,5 | avec raisonnement | 19,2% | 99,5 | +1,4 pt | +12,0 mots |
| Grok-4-fast | sans raisonnement | 19,7% | 141,9 | avec raisonnement | 20,2% | 173,9 | +0,5 pt | +32,0 mots |
| o4-mini | faible | 18,6% | 130,9 | élevé | 18,6% | 127,7 | 0,0 pt | -3,2 mots |
Cadre éditorial CEOtudent. Tous les taux et longueurs moyennes de résumé sont repris verbatim du classement des hallucinations de Vectara dans sa version du 11 mai 2026 ; l’appariement, les colonnes de variation et la lecture de la longueur sont les nôtres. Quatre des cinq paires internes à une famille montrent le taux d’hallucination et la longueur du résumé augmentant ensemble avec l’effort de raisonnement. La cinquième, o4-mini, ne montre aucun mouvement significatif sur l’un ou l’autre, ce qui est cohérent avec la même relation plutôt qu’une exception.
Quatre paires sur quatre qui ont bougé ont bougé dans le même sens, et sur les deux variables à la fois. La cinquième n’a bougé sur aucune. Dans ces données, il n’existe aucun cas où un effort de raisonnement accru a produit un taux d’hallucination plus bas sur source fournie.
La colonne de longueur suggère pourquoi, et le mécanisme n’a rien de spectaculaire. Un effort de raisonnement plus élevé produit une sortie plus longue. GPT-5.1 à effort élevé écrit 254 mots là où le réglage faible en écrit 166, soit une hausse de 54%. Chaque phrase supplémentaire dans un résumé est une occasion de plus d’affirmer quelque chose que le document source ne soutient pas. Le modèle ne raisonne pas jusqu’à la fausseté ; il écrit davantage, et les affirmations non étayées s’accumulent avec le volume.
Le même schéma apparaît sur toute la famille OpenAI dans ce seul passage du classement : gpt-5.4-nano, le plus petit modèle listé, est à 3,1%, tandis qu’o3-pro, un vaisseau amiral du raisonnement, est à 23,3%. C’est un écart de 7,5 fois au sein de la gamme d’un seul fournisseur, allant à contresens de la capacité des modèles.
Deux mises en garde avant toute surinterprétation. Le référentiel mesure une tâche étroite, le résumé fidèle d’un document fourni, et les avantages d’un modèle de raisonnement en mathématiques, en code et en analyse à plusieurs étapes ne sont tout simplement pas ce qui est noté ici. Et ce sont des mesures uniques sans intervalles de confiance publiés : les deux plus petits écarts, 0,5 et 1,2 point, doivent être traités comme indicatifs plutôt que décisifs. Ce qui porte le poids, c’est la cohérence entre familles indépendantes, non une ligne isolée.
La version actionnable : pour l’extraction et le résumé, où le travail consiste à rester à l’intérieur d’un document source, se tourner vers le plus gros modèle de raisonnement n’est pas automatiquement le choix sûr, et c’est peut-être l’inverse. Demandez une sortie plus courte. C’est le même levier.
Les cinq mécanismes, et à quoi chacun ressemble
L’article sur l’hallucination énumère les facteurs statistiques derrière ces erreurs. Les voici, associés à ce que vous pouvez concrètement faire pour chacun. Les mécanismes sont ceux de l’article ; les tests de détection et la colonne d’exposition sont les nôtres.
| Mécanisme | Cause | À quoi cela ressemble | Test de détection | Tâches les plus exposées |
|---|---|---|---|---|
| Faits arbitraires | Le fait n’a aucun motif généralisable et est apparu rarement ou jamais à l’entraînement. L’article formalise cela par un taux de singletons : si une fraction des faits n’est apparue qu’une seule fois, les modèles de base devraient halluciner au moins sur cette fraction | Assuré, précis, plausible, faux. Dates, noms, références, chiffres, numéros de page | Posez la même question dans trois sessions distinctes. Des réponses instables signifient qu’il devine. Des réponses stables ne prouvent pas l’exactitude, mais l’instabilité est presque une preuve d’erreur | Références, détails biographiques, statistiques, entités peu connues |
| Mauvaise adéquation du modèle | L’architecture représente mal la tâche, indépendamment des connaissances. L’exemple de l’article est le comptage de lettres | Échoue sur quelque chose de trivialement facile tout en réussissant quelque chose de difficile. Comptage de caractères, manipulation de chaînes, arithmétique exacte | Donnez une tâche que vous pouvez vérifier à la main en deux secondes. S’il échoue là, méfiez-vous de la classe de tâche, pas du sujet | Comptage, tokenisation, travail exact sur les chaînes, arithmétique sur de longs nombres |
| Difficulté computationnelle | Le problème est intraitable. Aucun système, si capable soit-il, n’échappe aux limites de complexité | Une réponse fluide à quelque chose qui n’a pas de solution efficace | Demandez si une réponse correcte est seulement calculable à cette échelle. Sinon, la réponse fluide est décorative | Requêtes cryptographiques, grande optimisation combinatoire, recherche exhaustive |
| Décalage de distribution | L’invite ne ressemble à rien de l’entraînement. Les entrées hors distribution cassent les classifieurs, et les modèles ne font pas exception | Défaillances curieuses sur des questions pièges, des formulations inhabituelles ou des situations réellement nouvelles | Reformulez sous une forme conventionnelle et redemandez. Si la réponse change, la formulation d’origine était le problème | Scénarios inédits, cadrage volontairement inhabituel, événements très récents |
| Déchets à l’entrée, déchets à la sortie | L’erreur était dans le corpus d’entraînement. Le modèle la reproduit fidèlement | Répète avec assurance une idée fausse répandue, un chiffre périmé ou une citation erronée largement diffusée | Vérifiez la source primaire, pas un résultat de recherche. Les chiffres très répétés sont la catégorie la plus risquée, précisément parce que c’est la répétition qui les a mis dans l’entraînement | Statistiques populaires, science de sens commun, histoire contestée, normes dépassées |
Cadre éditorial CEOtudent. Les cinq mécanismes et leur base technique proviennent de Kalai, Nachum, Vempala et Zhang, prépublication arXiv 2509.04664v1, sections 3.3 et 3.4. Les tests de détection, les évaluations d’exposition et la correspondance avec les tâches relèvent de notre synthèse et ne sont pas des résultats de cet article.
La cinquième ligne mérite d’être soulignée car c’est celle qui piège les gens rigoureux. Une statistique répétée dans cent articles a plus de chances d’être reproduite par un modèle qu’une statistique rapportée une seule fois dans la source primaire, et la répétition n’est pas une preuve. Nous y avons été confrontés directement : des chiffres omniprésents dans la couverture secondaire et tout simplement absents de l’étude sous-jacente.
La règle qui en découle est inconfortable et juste. Si un chiffre compte, ouvrez le document primaire et trouvez-y le chiffre. Pas un résumé du document. Le document.
Un protocole opérationnel
Cinq étapes, dans l’ordre qui attrape le plus pour le moindre effort.
Établissez dans quel régime vous êtes. La réponse est-elle dans la fenêtre de contexte ou dans les paramètres du modèle ? Le rappel à livre fermé est environ un ordre de grandeur plus risqué. Si vous pouvez convertir une question à livre fermé en question ancrée en collant la source, faites-le d’abord. C’est le geste au plus fort effet de levier.
N’acceptez jamais une référence que vous n’avez pas ouverte. Titres, auteurs, années, noms de revues et numéros de page sont la défaillance canonique par faits arbitraires : aucun motif généralisable, forte plausibilité une fois fabriqués. Traitez toute référence non ouverte comme non vérifiée.
Reposez la question dans une session neuve. Peu coûteux, rapide, et cela exploite directement le mécanisme. Un modèle qui devine un fait unique produira des suppositions différentes. L’article sur l’hallucination s’ouvre exactement là-dessus : interrogé sur la date de naissance d’un auteur lors de trois tentatives, un modèle de pointe a produit trois dates fausses différentes.
Demandez des sorties plus courtes sur les tâches ancrées. Les paires du classement montrent que la longueur et les affirmations non étayées montent ensemble. La longueur est le levier que vous contrôlez.
Demandez la confiance et autorisez explicitement l’abstention. Dites explicitement que « je ne sais pas » est une réponse acceptable. C’est la version côté utilisateur de la solution proposée dans l’article. Vous ne changerez pas la notation des référentiels, mais vous pouvez changer la règle de notation à l’intérieur de votre propre invite.
Ce que cela ne signifie pas
Cela ne signifie pas que les modèles sont globalement peu fiables. Des taux ancrés de 2 à 7% pour de bons modèles en résumé fidèle constituent un taux d’erreur exploitable pour un premier passage, à condition de savoir qu’il n’est pas nul et de vérifier les parties qui comptent.
Cela ne signifie pas que l’hallucination sera éliminée par l’ingénierie l’an prochain. L’argument de l’article est structurel : tant que les évaluations dominantes ne paient rien pour une incertitude calibrée, les modèles optimisés pour ces évaluations continueront de deviner. Y remédier exige de changer le tableau d’affichage, ce qui est un problème de coordination à l’échelle du champ plutôt qu’un problème de modélisation dans un laboratoire.
Et cela ne signifie pas qu’il faut tout vérifier, ce qui reviendrait à refuser d’utiliser l’outil. Cela signifie qu’il faut savoir auquel des cinq mécanismes votre tâche précise est exposée, et vérifier là. Un effort de vérification réparti uniformément est un effort de vérification gaspillé.
La compétence décrite ici n’est pas le scepticisme. C’est le calibrage : savoir où vivent les erreurs pour cesser de chercher partout ailleurs. C’est la compétence abordée dans littératie contre aisance en IA, appliquée à la surface des défaillances plutôt qu’à celle des capacités.
Questions fréquentes
Les modèles récents hallucinent-ils moins ?
Pas de manière fiable, ni sur toutes les tâches. Sur le classement du résumé ancré mis à jour en mai 2026, le plus petit modèle de la famille OpenAI listée obtenait 3,1% tandis qu’un vaisseau amiral du raisonnement de la même famille obtenait 23,3%. Capacité et fidélité sont des axes différents, et sur cette tâche précise ils peuvent pointer en sens inverse.
La génération augmentée par récupération règle-t-elle le problème ?
Elle vous fait passer dans le meilleur régime, ce qui est un gain important, mais les taux ancrés de cet article sont mesurés avec le document source déjà fourni. Chacun de ces chiffres est une erreur résiduelle que l’ancrage n’a pas supprimée. La récupération ajoute aussi son propre mode de défaillance : récupérer le mauvais document produit une réponse assurée, fidèlement ancrée dans la mauvaise source.
Pourquoi le modèle semble-t-il si sûr quand il a tort ?
Parce que la précision a été récompensée et la prudence non. Sous notation binaire, une réponse vague et une réponse fausse valent identiquement zéro, tandis qu’une supposition précise a une chance de valoir un. L’assurance fluide est le produit entraîné de cette incitation, pas un signal sur la réponse.
Demander au modèle s’il est sûr sert-il à quelque chose ?
Faiblement. La confiance déclarée est systématiquement surestimée. Les auteurs de SimpleQA l’ont mesuré directement en demandant aux modèles d’énoncer un pourcentage de confiance et en le comparant à leur exactitude réelle, et ils ont constaté une surestimation constante. L’échantillonnage répété sur des sessions neuves est un meilleur signal que l’auto-déclaration, car il mesure un comportement plutôt qu’une affirmation sur ce comportement.
Quelle habitude unique attrape le plus d’erreurs ?
Ouvrir les sources primaires pour tout chiffre ou toute référence qui influencera une décision. Cela vise les deux mécanismes responsables de la plupart des erreurs professionnelles conséquentes, les faits arbitraires et les déchets à l’entrée, et cela prend environ une minute par élément.
Sources
- Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala et Edwin Zhang, « Why Language Models Hallucinate », prépublication arXiv 2509.04664 version 1, septembre 2025. Tableau 2 sur la notation des référentiels ; sections 3.3 et 3.4 sur les mécanismes d’erreur ; section 4.2 sur les cibles de confiance explicites.
- OpenAI, « Measuring short-form factuality in large language models », prépublication arXiv 2411.04368, novembre 2024, présentant le référentiel SimpleQA. Tableau 3 sur la performance des modèles ; section 4 sur le calibrage.
- Vectara, Hallucination Leaderboard, calculé avec le Hallucination Evaluation Model sur un corpus privé de plus de 7 700 documents, version du classement mise à jour le 11 mai 2026.
- Vapnik et Chervonenkis, travaux fondateurs sur la dimension des familles de fonctions, cités par Kalai et ses collègues comme base de l’analyse des faits arbitraires.
- I. J. Good, sur l’estimation des fréquences de population des espèces non observées, l’estimateur de masse manquante qui sous-tend l’argument du taux de singletons.
- Stanford Institute for Human-Centered Artificial Intelligence, Artificial Intelligence Index Report, sur les pratiques d’évaluation des modèles et la saturation des référentiels.
Ce contenu a été compilé avec le soutien de l’IA à la suite d’une recherche approfondie, puis rédigé et préparé pour publication par l’équipe éditoriale de CEOtudent.
This post is also available in:
