Suite des projets Hack1Robo
Chaque édition de Hack1Robo ne s’arrête pas au week-end du hackathon. Des idées nées ici se transforment en recherches, publications et même start-up. Voici quelques-unes des retombées marquantes issues des précédentes éditions.
Le hackathon hack1robo est un moment créatif et collaboratif, et pour certains projets cela peut se continuer après le hacakthon. Nous avons vu plusieurs projets revenir sur plusieurs éditions du hackathon (comme c’est le cas de BrainKart ou RéMi). Nous avons eu également l’agréable surprise de voir certains projets avoir un impact dans le monde réel. Il y a par exemple plusieurs projets portés par des doctorants qui ont donné lieu à de réelles publications scientifiques. Le projet RéMi a rejoint le programme Inria Startup Studio en avril 2025 pour un an afin de créer a start-up Allendia.
Résumé :
Le projet ReMi propose une approche légère et « sans données » pour générer motifs et arpèges musicaux en s'appuyant sur réseaux récurrents initialisés aléatoirement, pensée pour augmenter la créativité des musicien·ne·s plutôt que les remplacer.
Ce travail a donné lieu à des démonstrations et à des outils produits sous la bannière Allendia, qui développe des plugins VST et des outils pour musicien·ne·s (orientation créative, faible coût énergétique et modèle de production non‑dépendant de gros corpus).
Ressources :
Article ReMi (arXiv).
Site Allendia (produits & informations commerciales).
Résumé :
Ce projet a permi de développer un cadre de simulation de l'évolution culturelle dans des populations d'agents LLM, permettant d'étudier comment des messages se transforment et se répliquent dans des « populations » de modèles.
Les méthodologies de l'évolution culturelle ont été appliquées pour étudier des interactions multi‑tours entre LLMs (expériences type « téléphone arabe »), révélant des attracteurs culturels.
Ressources :
Résumé :
L'article "Optimizing for Persuasion Improves LLM Generalization" présente DebateQD, un algorithme inspiré des méthodes Quality‑Diversity et évolutionnaires, appliqué à l'entraînement d'agents de débat. L'approche compare l'optimisation pour la persuasion (capacité à convaincre un évaluateur) versus l'optimisation pour la vérité.
Résultats principaux : optimiser pour la persuasion conduit à des gains de généralisation sur certaines tâches de raisonnement et à une meilleure transférabilité des stratégies apprises, mais soulève des questions éthiques et pratiques importantes : risque de manipulation, robustesse des juges, et trade‑offs entre performance apparente et fidélité factuelle.
Ressources :