Summarize Paper logo SummarizePaper.com

Résumé IA · arXiv: 2610.39415v1 · cs.LG

Accuracy is not compatibility: two Evo 2 checkpoints hinge on one FP8 matrix multiplication

Xun Ding (Independent researcher), Ziyuan Qin (Emory University)
Article original Soumis à arXiv le 29 Oct. 2026 18 pages, 3 figures, 1 table. Data: https://doi.org/10.5281/zenodo.23740390 ; code: https://github.com/astding/mmaemu Licence : NONEXCLUSIVE-DISTRIB 1.0 Aussi en : en

Comment lire ce résumé ? Guide illustré

L’essentiel

Deux checkpoints Evo 2 dépendent de l’accumulation FP8 d’une première projection : une arithmétique plus exacte les dégrade, tandis que son émulation rétablit la classification de variants.

Question

Un checkpoint à poids fixes conserve-t-il son fonctionnement lorsque l’accumulation des produits FP8 change, même vers davantage d’exactitude ? L’étude cherche à localiser cette dépendance et à restaurer les performances sans modifier les poids.

Méthode

Les auteurs comparent Evo 2 1B, 7B et 40B sur des GPU de référence et deux GPU Blackwell sm_120, avec des tests sur quatre séquences et une évaluation de 500 variants BRCA1, dont 111 avec perte de fonction. Leur émulateur mmaemu permet de remplacer sélectivement l’arithmétique des projections FP8, en conservant les poids et les opérandes ; il reproduit bit pour bit les 168 sorties H100 capturées pour le 1B. Des interventions sur l’exactitude, le gain des accumulateurs et les perturbations du flux résiduel examinent les propriétés responsables de la dégradation.

Résultats

  • Résultat Sur la première projection du 1B étudiée, le calcul natif du RTX 5070 Ti est plus exact que celui des GPU de référence, mais une accumulation fp32 des mêmes opérandes reproduit l’échec des checkpoints 1B et 40B.
    Voir le passage dans l’article
    Both gave the native loss of 1.2480 in the 1B, and fp32 accumulation gave the native 1.4023 in the 40B: more accurate accumulation of the same operands, with no FP8 kernel involved, reproduces the failure (Fig. 1b).
  • Résultat Dans le 1B, émuler uniquement la première projection suffit à réussir le test, tandis que conserver uniquement cette projection en calcul natif suffit à le faire échouer.
    Voir le passage dans l’article
    With only block 0’s projection computed by hopper-te and the other 20 native, the 1B passed its forward test (0.5027); with block 0 native and the other 20 emulated, it failed (1.2500).
  • Résultat Pour le 1B, réduire les sommes exactes d’environ 1,4 %, selon le gain mesuré du H100 sur les données étudiées, permet de réussir le test malgré des sorties différentes de la référence.
    Voir le passage dans l’article
    Multiplying the exact accumulator by the H100’s least-squares gain at this projection, $a=0.985869$ (a 1.4% shrinkage towards zero, close to F13’s own gain), passed at 0.5027, although its outputs differ from the reference chain’s; dividing the reference accumulator by $a$, which keeps the truncation pattern but removes the shrinkage, failed at 1.3730.
  • Résultat La substitution de la première projection fait passer l’AUROC du 40B de 0,434 à 0,869 sur RTX 5070 Ti et de 0,481 à 0,867 sur PRO 6000.
    Voir le passage dans l’article
    Within the PRO 6000 configuration (cu13), the same intervention raised AUROC from 0.556 to 0.721 for the 1B and from 0.481 to 0.867 for the 40B on the same 500 variants (Fig. 3a–d); the 40B’s paired improvement was 0.385 (0.306–0.463).
  • Interprétation des auteurs Les auteurs concluent que la compatibilité d’un checkpoint peut dépendre de propriétés particulières de l’arithmétique de référence, et non simplement d’une précision moindre.
    Voir le passage dans l’article
    The lesson is not that less accurate arithmetic is safer: a larger shrinkage and round-to-nearest at reference precision failed as surely as exact sums. Rather, a fixed checkpoint can depend on specific properties of its reference arithmetic.

Limites

  • La généralisation reste limitée à une famille de modèles et deux GPU sm_120, sans expérimentation des modèles 20B ni des GPU B200 et B300.
    Voir le passage dans l’article
    We tested one model family on two sm_120 GPUs; the 20B, B200 and B300 were not run, and the 7B has no reference-GPU comparison.
  • L’évaluation biologique porte sur un seul essai et 500 variants, avec des intervalles qui ne représentent ni la dépendance entre fenêtres chevauchantes ni la variabilité entre exécutions.
    Voir le passage dans l’article
    Biology is one assay and one 500-variant cohort; bootstrap intervals are conditional on the recorded runs and model neither overlapping-window dependence nor run-to-run variation.
  • La restauration de l’AUROC ne garantit pas la compatibilité globale : le 40B corrigé manque le seuil du test sur RTX 5070 Ti, et sa génération corrigée n’a pas été testée.
    Voir le passage dans l’article
    The 40B table misses the forward tolerance on the RTX 5070 Ti, the PRO table’s forward loss was not recorded, and 40B generation was not tested under emulation or with the table.

Portée

Les auteurs proposent de distinguer l’accord des opérateurs, le fonctionnement du modèle et l’accord applicatif lors de la validation des checkpoints basse précision. Ils recommandent de documenter l’arithmétique de référence, la configuration matérielle, la pile logicielle et les tolérances, plutôt que le seul format FP8.

Rédigé par une IA à partir de l’article. Les passages cités sont vérifiés mot pour mot dans le texte analysé ; le reste peut contenir des erreurs.

Mots clés générés par l'IA : FP8 compatibilité numérique Evo 2 arithmétique matricielle GPU Blackwell

Pour aller plus loin

  • Résumé Complet
  • Résumé vulgarisé
  • Article de blog
  • Abstract original
Cet article examine si un modèle entraîné en basse précision conserve ses performances lorsque ses poids restent inchangés, mais que les multiplications matricielles deviennent plus précises. Les formats FP8 définissent l’encodage des valeurs sans imposer la manière d’accumuler les produits. Les auteurs étudient cette distinction dans Evo 2, un modèle de langage génomique dont certains points de contrôle nécessitent officiellement un GPU Hopper. Leur question centrale porte sur la compatibilité numérique : des calculs plus exacts peuvent-ils paradoxalement dégrader les performances d’un modèle ? Ils comparent principalement les versions 1B et 40B sur un H100, une RTX 4060 et deux GPU Blackwell, la RTX 5070 Ti et la RTX PRO 6000. La version 7B sert de comparaison supplémentaire. Leur outil, mmaemu, reproduit les multiplications matricielles FP8 des plateformes de référence et permet de remplacer sélectivement l’arithmétique d’une projection tout en conservant les poids et les opérandes FP8. L’émulation reproduit à l’identique, bit pour bit, les 168 sorties capturées sur les projections du modèle 1B exécuté sur H100. Les évaluations comprennent le test officiel de propagation avant, fondé sur une perte moyenne calculée sur quatre séquences, des tests de génération et la classification de 500 variants de BRCA1, dont 111 entraînent une perte de fonction. Sur les deux GPU Blackwell testés, les modèles 1B et 40B échouent au test officiel en FP8 natif, tandis que le modèle 7B le réussit. Sur la RTX 5070 Ti, leurs pertes atteignent respectivement 1,2480 et 1,4023, contre des valeurs attendues proches de 0,5020 et 0,2159. Pour le modèle 40B, l’exactitude de la prédiction de la base suivante tombe à 25,7 %, un résultat proche du hasard, contre 91,7 % sur H100. Pourtant, dans la fenêtre étudiée pour la première projection du modèle 1B, le GPU Blackwell produit 99,996 % de résultats correctement arrondis, contre environ 30 % sur les GPU de référence. L’accumulation des mêmes opérandes en FP32 reproduit l’échec : celui-ci ne résulte donc pas simplement d’un calcul moins exact. Les interventions localisent l’essentiel de cette dépendance dans la première projection FP8, située dans le bloc 0. Émuler uniquement cette projection suffit à faire réussir le test au modèle 1B. À l’inverse, conserver son calcul natif tout en émulant toutes les autres projections provoque l’échec des deux modèles. Pour le modèle 1B, réduire les sommes exactes d’environ 1,4 %, conformément au gain mesuré sur H100, permet de réussir le test, contrairement à l’utilisation des sommes exactes ou à une réduction de 2,1 %. Des perturbations aléatoires de même norme que la différence observée avec le calcul natif ne provoquent pas l’effondrement des performances : la structure de l’erreur joue donc également un rôle. Une table des sorties émulées de cette seule projection rétablit largement les performances de classification biologique. Pour le modèle 40B, l’AUROC passe de 0,434 à 0,869 sur RTX 5070 Ti et de 0,481 à 0,867 sur RTX PRO 6000, contre 0,868 sur H100. Toutefois, sur la RTX 5070 Ti, cette correction reste légèrement en dehors de la tolérance du test de propagation avant : la perte atteint 0,2170, soit un écart de 0,0011 pour une tolérance de 0,001. Les auteurs concluent que la précision arithmétique, la compatibilité du modèle et la concordance des résultats applicatifs constituent des critères distincts. Ils recommandent de documenter l’arithmétique de référence et les conditions d’exécution. La portée de l’étude reste néanmoins limitée : elle concerne une seule famille de modèles, deux GPU Blackwell et une seule cohorte biologique. Les contrôles mécanistiques reposent sur quatre séquences, et le gain correctif a été ajusté sur les données étudiées. L’origine éventuelle de cette dépendance pendant l’entraînement n’est pas démontrée. Enfin, le rétablissement des scores biologiques ne garantit pas une compatibilité générale.
Créé le 02 Nov. 2026

Cette synthèse vous a-t-elle été utile ?

Note : 0

Pourquoi avons-nous besoin de votes ?

Les votes sont utilisés pour déterminer si nous devons réexécuter nos outils de synthèse. Si le compte atteint -10, nos outils peuvent être redémarrés.

Posez des questions sur cet article à notre assistant IA

Comment discuter avec cet article ? Guide illustré

Comparer avec le PDF

Vous pouvez aussi discutez avec plusieurs papiers à la fois ici.

Figures et graphiques

Posez une question sur une figure en indiquant son numéro ou en utilisant son bouton de question pour demander une analyse visuelle. Au maximum deux figures et quatre panneaux par question. Les valeurs lues sur les graphiques sont approximatives ; vérifiez les données originales.
Instructions pour utiliser l'assistant IA ?

Outils pour cet article

Expliquer autrement 3 réécritures gratuites restantes aujourd'hui
Enregistrer dans une collection Regroupez des articles en collections pour les comparer, les interroger et les exporter. Créer un compte gratuit Se connecter
Exporter BibTeX · RIS (Zotero, Mendeley, EndNote) · Obsidian (Markdown) · Notion (Markdown)

Outils avancés Premium

Pour suivre un domaine de près : alertes de citations, diapositives de journal club, comparaison des versions et envoi vers Zotero. Découvrir Premium

Zotero
Alertes de citation Guide des alertes de citations
Qui travaille dessus ? Les personnes et institutions qui publient sur son sujet
Lettre hebdomadaire Présenté dans « Intelligence artificielle cette semaine » du 2 novembre 2026. Intelligence artificielle cette semaine : ce que les bons scores ne disent pas
Journal club Premium+ Des slides pour le présenter Proposer pour le journal club
Versions Ce qui a changé entre les versions
En parler en public Premium+ Kit presse : communiqué, questions, détecteur de hype Guide du kit presse

Les articles autour de celui-ci

Les voir sur une carte

Classés selon la proximité de leur titre et de leur résumé avec ceux de cet article. Sélectionnez-en pour les lire ensemble.

Les articles les plus proches

  1. Proche Contexte plus large
    Demystifying Numerical Instability in LLM Inference: Achieving Reproducible Inference for Mission-Critical Tasks with HEAL
    Zhenting Zhu, Lucas Thai, Shan Yu et al. · 2026 · arXiv.org · preprint, non relu par les pairs · cité 3 fois · Pas encore résumé

    HEAL étudie la divergence des sorties entre GPU et attribue l’incohérence aux erreurs de troncature lors des conversions aux frontières des noyaux.

    Résumé scientifique

    As Large Language Models (LLMs) deploy into mission-critical domains (e.g., finance, medicine, and law), output reproducibility has become a strict system requirement. While practitioners use greedy decoding to eliminate algorithmic stochasticity, empirical deployments with 16-bit precisions still exhibit catastrophic output divergence across heterogeneous GPUs. Through SASS-level profiling, we reveal that this inconsistency is fundamentally driven by truncation errors introduced during downcasting at kernel boundaries. However, achieving reproducibility via a global FP32 pipeline incurs prohibitive system penalties: bypassing 16-bit hardware accelerators hurts compute efficiency, while upca…

  2. Apparenté Base de cet article Cité par cet article
    Bit-Accurate Modeling of GPU Matrix Multiply-Accumulate Units: Demystifying Numerical Discrepancy and Accuracy
    Peichen Xie, Shuotao Xu, Yang Wang et al. · 2025 · cité 4 fois · Pas encore résumé

    Ce travail modélise précisément l’arithmétique des unités MMA, sujet que l’étude reprend avec son émulateur pour localiser la dépendance d’Evo 2.

    Résumé scientifique

    Modern AI accelerators rely on matrix multiply-accumulate units (MMAUs), such as NVIDIA Tensor Cores and AMD Matrix Cores, to accelerate deep neural network workloads. MMAUs expose only instruction-level or API-level interfaces of matrix multiply-accumulate (MMA) operations, while leaving internal floating-point arithmetic behavior undocumented. Consequently, MMAUs across vendors and architectural generations often produce numerical discrepancies for identical inputs, and sometimes exhibit reduced numerical accuracy that can cause training instability. Diagnosing and understanding the root causes of these effects is challenging without white-box models of their arithmetic behavior. This pape…

  3. Apparenté Contexte plus large
    CurveFP: Co-Designing Numerical Representation and Product Arithmetic for Language Models
    Ye Qiao · 2026 · Pas encore résumé

    CurveFP conçoit de nouveaux formats et produits arithmétiques pour les modèles de langage, tandis que l’étude mesure la compatibilité de checkpoints FP8 existants.

    Résumé scientifique

    Low-precision formats usually optimize scalar fidelity while inheriting conventional product arithmetic. We introduce CurveFP, a block-scaled family that distributes magnitudes across interleaved logarithmic curves. Uniform curve indices make every nonzero product an exact sign and integer-index update, while a rational radix exposes the finite phase schedule required for accumulation. We instantiate the algebra as CurveFP8 E4C3/E5C2 for training and CurveFP7 E3C3 for compact inference. On four 7B-9B models, CurveFP7 beats tensorwise FP8 perplexity with one fewer element bit and stays within 1.32% of native quality. CurveFP8 lowers error in all 36 paired training-GEMM comparisons. Across thr…

  4. Apparenté Contexte plus large
    Spec Sheets Are Not Kernels: An ISA- and Source-Level Audit of INT8 Availability on NVIDIA Blackwell Ultra
    Teng-Ruei Chen · 2026 · cité 2 fois · Pas encore résumé

    Cet audit examine la disponibilité d’INT8 sur Blackwell, alors que l’étude analyse les effets de l’arithmétique FP8 sur les checkpoints Evo 2.

    Résumé scientifique

    NVIDIA's published specifications give the Blackwell Ultra GPU (B300) a dense-compute ratio of roughly 30:1 between FP8 and INT8 tensor-core throughput; its predecessors, H200 and B200, both provide 1:1. We audit what this deprioritization means in practice by tracing INT8 W8A8 support through four layers of the stack: the published specifications, the PTX ISA, NVIDIA's CUTLASS kernel library, and the two major open-source LLM serving engines (vLLM and SGLang). We find a consistent, layered withdrawal: (i) the PTX ISA never exposes the fifth-generation tensor-core integer path (tcgen05.mma with .kind::i8) on sm_103a, even though the same PTX revision extends the FP4 kinds to that target, lea…

  5. Apparenté Données, outil ou méthode en commun
    Hawkeye: Reproducing GPU-Level Non-Determinism
    Erez Badash, Dan Boneh, Ilan Komargodski et al. · 2026 · arXiv.org · preprint, non relu par les pairs · cité 3 fois · Pas encore résumé

    Hawkeye reproduit sur CPU les opérations arithmétiques GPU, comme mmaemu reproduit les projections FP8 capturées pour examiner leur comportement.

    Résumé scientifique

    We present Hawkeye, a system for analyzing and reproducing GPU-level arithmetic operations. Using our framework, anyone can re-execute on a CPU the exact matrix multiplication operations underlying a machine learning model training or inference workflow that was executed on an NVIDIA GPU, without any precision loss. This is in stark contrast to prior approaches to verifiable machine learning, which either introduce significant computation overhead to the original model owner, or suffer from non-robustness and quality degradation. The main technical contribution of Hawkeye is a systematic sequence of carefully crafted tests that study rounding direction, subnormal number handling, and order o…

  6. Apparenté Contexte plus large
    Reference Traces for Auditing Invisible Weight Updates and Guiding Exact-Budget Protection
    Zekai Shang · 2026 · arXiv.org · preprint, non relu par les pairs · Pas encore résumé

    Cette étude audite les pertes d’updates lors de l’écriture en faible précision pendant l’entraînement, plutôt que les sommes FP8 à l’inférence d’Evo 2.

    Résumé scientifique

    Direct low-precision write-back can erase nonzero optimizer proposals. We ask what a high-precision reference trace establishes before a low-precision run. The exact target-code event is auditable coordinatewise on a realized target trajectory; pre-run aggregate projection also assumes the reference remains a useful counterfactual. In a controlled two-layer grid, 55/72 cells have measured and predicted post-initialization crossings: times span $384\times$, 52/55 are within 15\%, and 4/72 differ in category. Matched decoder experiments show stochastic rather than nearest write-back recovers most of the loss gap. A prospective analytic-grid E4M3 audit reuses one fp32 trace across three unseen …

  7. Apparenté Contexte plus large
    Bridging Consumer and Enterprise: Benchmarking LLaMA, Qwen, and GPT Models on Diverse Hardware
    F. Khan, Shoaib Mustafa Khan · 2026 · International Conference on Multimodal Interaction · Pas encore résumé

    Ce benchmark compare débit et efficacité de modèles de langage sur plusieurs matériels, tandis que l’étude teste la compatibilité numérique d’Evo 2 sur GPU.

    Résumé scientifique

    The increase of large language models (LLMs) such as Qwen, LLaMA, Mistral, and GPT variants has intensified the need for systematic benchmarking across heterogeneous hardware platforms. This paper evaluates NVIDIA A100 and RTX 3090 GPUs, AMD RX 580 and RX 7600 XT GPUs, and an Intel i5-14400F CPU on a diverse suite of open-source LLMs, including Mistral-7B, LLaMA-2 (7B, 13B), LLaMA-3.x (3B–11B), CodeLLaMA, Qwen1.5/2/2.5 (1.8B–14B), and legacy GPT models (GPT-2, GPT-Neo, GPT-J, GPT-NeoX-20B). Performance was assessed in terms of sustained TFLOPs, throughput in tokens per second (TPS), and memory/power efficiency. Results show that smaller Qwen models peaked at 276 TPS (A100), the RTX 3090 domi…

  8. Apparenté Autre approche du problème
    DeepGEMM: Accelerated Ultra Low-Precision Inference on CPU Architectures using Lookup Tables
    Darshan C. Ganji, Saad Ashfaq, Ehsan Saboori et al. · 2023 · Machine Learning · cité 12 fois · Résumé IA disponible

    DeepGEMM accélère les calculs GEMM de modèles quantifiés sur CPU par tables de correspondance, tandis que l’étude restaure les performances d’Evo 2 en changeant l’arithmétique FP8.

    Résumé scientifique

    A lot of recent progress has been made in ultra low-bit quantization, promising significant improvements in latency, memory footprint and energy consumption on edge devices. Quantization methods such as Learned Step Size Quantization can achieve model accuracy that is comparable to full-precision floating-point baselines even with sub-byte quantization. However, it is extremely challenging to deploy these ultra low-bit quantized models on mainstream CPU devices because commodity SIMD (Single Instruction, Multiple Data) hardware typically supports no less than 8-bit precision. To overcome this limitation, we propose DeepGEMM, a lookup table based approach for the execution of ultra low-precis…

Les travaux antérieurs sur lesquels il s’appuie

  1. Apparenté Base de cet article
    Mixed Precision Block Fused Multiply-Add: Error Analysis and Application to GPU Tensor Cores
    Pierre Blanchard, N. Higham, Florent Lopez et al. · 2020 · SIAM Journal on Scientific Computing · cité 71 fois · Pas encore résumé

    Ce travail analyse les erreurs d’unités FMA matricielles mixtes sur Tensor Cores, une base numérique pour étudier l’accumulation FP8.

    Résumé scientifique

    Computing units that carry out a fused multiply-add (FMA) operation with matrix arguments, referred to as tensor units by some vendors, have great potential for use in scientific computing. However...

  2. Apparenté Base de cet article
    Accurate Models of NVIDIA Tensor Cores
    Faizan A. Khattak, M. Mikaitis · 2025 · ACM Transactions on Architecture and Code Optimization (TACO) · cité 8 fois · Pas encore résumé

    Ce travail modélise le comportement numérique des Tensor Cores et les écarts entre générations de GPU, que l’étude examine pour des projections FP8 d’Evo 2.

    Résumé scientifique

    Matrix multiplication is a fundamental operation in both training of neural networks and inference. To accelerate matrix multiplication, Graphical Processing Units (GPUs) provide it implemented in hardware. Due to the increased throughput over the software-based matrix multiplication, the multipliers are increasingly used outside AI, to accelerate various applications in scientific computing. However, matrix multipliers targeted at AI are at present not compliant with IEEE 754 floating-point arithmetic behaviour, with different vendors offering different numerical features. This leads to non-reproducible results across different generations of GPU architectures, at the matrix multiply-accumu…

  3. Apparenté Base de cet article
    Numerical behavior of NVIDIA tensor cores
    Massimiliano Fasi, N. Higham, M. Mikaitis et al. · 2021 · PeerJ Computer Science · cité 78 fois · Pas encore résumé

    Cette étude caractérise expérimentalement l’arithmétique des Tensor Cores NVIDIA, notamment l’arrondi et l’ordre des opérations, comme l’analyse ciblée de l’accumulation FP8.

    Résumé scientifique

    We explore the floating-point arithmetic implemented in the NVIDIA tensor cores, which are hardware accelerators for mixed-precision matrix multiplication available on the Volta, Turing, and Ampere microarchitectures. Using Volta V100, Turing T4, and Ampere A100 graphics cards, we determine what precision is used for the intermediate results, whether subnormal numbers are supported, what rounding mode is used, in which order the operations underlying the matrix multiplication are performed, and whether partial sums are normalized. These aspects are not documented by NVIDIA, and we gain insight by running carefully designed numerical experiments on these hardware units. Knowing the answers to…

  4. Apparenté Base de cet article
    Accurate classification of BRCA1 variants with saturation genome editing
    Gregory M. Findlay, R. Daza, B. Martin et al. · 2018 · Nature · cité 792 fois · Pas encore résumé

    Cette étude établit des effets fonctionnels de variants BRCA1 par édition génomique, tandis que l’article utilise des variants BRCA1 pour évaluer Evo 2.

    Résumé scientifique

    Variants of uncertain significance fundamentally limit the clinical utility of genetic information. The challenge they pose is epitomized by BRCA1, a tumour suppressor gene in which germline loss-of-function variants predispose women to breast and ovarian cancer. Although BRCA1 has been sequenced in millions of women, the risk associated with most newly observed variants cannot be definitively assigned. Here we use saturation genome editing to assay 96.5% of all possible single-nucleotide variants (SNVs) in 13 exons that encode functionally critical domains of BRCA1. Functional effects for nearly 4,000 SNVs are bimodally distributed and almost perfectly concordant with established assessment…

  5. Apparenté Base de cet article
    The pitfalls of verifying floating-point computations
    David Monniaux · 2007 · TOPL · cité 247 fois · Pas encore résumé

    Ce travail expose les difficultés à définir et vérifier la sémantique des calculs flottants, question pertinente à l’étude des écarts d’accumulation FP8.

    Résumé scientifique

    Current critical systems often use a lot of floating-point computations, and thus the testing or static analysis of programs containing floating-point operators has become a priority. However, correctly defining the semantics of common implementations of floating-point is tricky, because semantics may change according to many factors beyond source-code level, such as choices made by compilers. We here give concrete examples of problems that can appear and solutions for implementing in analysis software.

Aller plus loin

Comment ces articles sont-ils trouvés ?

Nous comparons le titre et le résumé de cet article avec ceux de tous les articles résumés sur ce site, et avec les articles que Semantic Scholar recommande, ceux qu’il cite et ceux qui le citent (pour un article très cité, ses citations les plus récentes et, depuis OpenAlex, les plus citées). Parmi les travaux antérieurs et les suites, les articles qui s’utilisent en profondeur, une méthode qu’il utilise et les suites très citées remontent un peu. Les niveaux (très proche, proche, apparenté) viennent de la similarité des textes, pas d’un jugement de qualité ; * signale un article sans résumé, comparé par son titre. La phrase sous un article est écrite par une IA à partir des deux résumés : vérifiez-la dans les articles. Un article jugé hors sujet par trois lecteurs quitte la liste.

Mis à jour le 2 novembre 2026.

Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.