Bio
J'étudie comment des agents curieux peuvent cartographier ce qu'un grand modèle génératif sait faire, et où il échoue. En novembre 2026, je commence une thèse dans l'équipe Flowers (Inria Bordeaux), sous la direction de Pierre-Yves Oudeyer. Le sujet : l'exploration autotélique pour l'évaluation automatique des grands modèles génératifs. Plutôt qu'un benchmark figé, des agents se fixent leurs propres objectifs, puis découvrent et cartographient les capacités et les vulnérabilités du modèle.
I study how curious agents can map what a large generative model can do, and where it fails. In November 2026 I start a PhD in the Flowers team at Inria Bordeaux, advised by Pierre-Yves Oudeyer. The topic: autotelic exploration for the automatic evaluation of large generative models. Instead of a fixed benchmark, agents set their own goals, then discover and map the model's capabilities and vulnerabilities.
- nov. 2026Début de ma thèse dans l'équipe Flowers (Inria Bordeaux).
- sept. 2026Pinductor accepté à NeurIPS 2026 (poster).
- mai 2026Pinductor sur arXiv, avec le code.
- fév. 2026Début de la collaboration avec le groupe Schölkopf (MPI-IS / ELLIS Tübingen).
La sécurité de l'IA, à commencer par celle de l'auto-amélioration récursive, et la compréhension fine des LLM. Le but : une IA aussi bénéfique que possible pour les humains, aux défauts et aux risques limités, en open source autant que possible.
- Thèse2026 – 2029, ED Mathématiques et Informatique, Université de Bordeaux
- DirecteurPierre-Yves Oudeyer
- Thèmesexploration autotélique, induction de programmes guidée par LLM, évaluation de modèles
- EnseignementAssistant d'enseignement en équations différentielles (MATH 2552), Georgia Tech ; cours particuliers de maths et d'IA
- CVPDF
- Nov 2026My PhD starts in the Flowers team (Inria Bordeaux).
- Sep 2026Pinductor accepted at NeurIPS 2026 (poster).
- May 2026Pinductor on arXiv, with the code.
- Feb 2026Started collaborating with the Schölkopf group (MPI-IS / ELLIS Tübingen).
AI safety, starting with the safety of recursive self-improvement, and a fine-grained understanding of LLMs. The aim: AI that is as beneficial to humans as possible, with its flaws and risks kept in check, and open source wherever possible.
- PhD2026 – 2029, Doctoral School of Mathematics and Computer Science, University of Bordeaux
- AdvisorPierre-Yves Oudeyer
- Topicsautotelic exploration, LLM-guided program induction, model evaluation
- TeachingTeaching assistant for Differential Equations (MATH 2552), Georgia Tech; private tutoring in math and AI
- CVPDF
Articles
Chaque article existe en deux versions : une page interactive, pour manipuler les idées, et le document classique.
Each article comes in two versions: an interactive page where you can try the ideas, and the written document.
-
Pinductor : apprendre des modèles du monde POMDP à partir d'observations, avec des priors de LLM
Un LLM propose des programmes comme hypothèses sur la dynamique d'un environnement partiellement observable. Un filtre particulaire les départage à partir des seules observations, sans jamais voir l'état caché.
-
Quality-diversity autotélique pour découvrir la sycophancie des LLM
Au lieu d'un score, un répertoire. Une boucle inspirée d'ACES invente ses propres attaques, les note par un logprob, sans juge, et cartographie 164 tactiques qui font plier un modèle local, dont des canaux qu'aucun humain ne peut utiliser.
-
Pinductor: learning POMDP world models from observations with language-model priors
An LLM proposes programs as hypotheses about the dynamics of a partially observable environment. A particle filter selects among them from observations alone, without ever seeing the hidden state.
-
Autotelic quality-diversity for discovering LLM sycophancy
A repertoire instead of a score. An ACES-inspired loop invents its own attacks, scores them with a logprob and no judge, and maps 164 tactics that make a local model give in, including channels no human can use.
Publications
- V. Six*, F. Panse*, M. Fajeau*, L. Da Costa*, M. Sharma, A. Amayuelas, T. Z. Xiao, D. Hyland, P. Hennig, B. Schölkopf · * co-premiers auteurs* equal first authorsNeurIPS 2026 (poster) · arXiv 2605.13740
@inproceedings{six2026pinductor, title = {Pinductor: Learning {POMDP} World Models from Observations with Language-Model Priors}, author = {Six, V. and Panse, F. and Fajeau, Mathis and Da Costa, L. and Sharma, M. and Amayuelas, A. and Xiao, T. Z. and Hyland, D. and Hennig, P. and Sch{\"o}lkopf, B.}, booktitle = {Advances in Neural Information Processing Systems (NeurIPS)}, year = {2026}, note = {arXiv:2605.13740} }Ma contribution : j'ai introduit le vote par entropie, travaillé à généraliser la méthode et porté le projet du code aux expériences.My contribution: I introduced vote entropy, worked on generalizing the method, and carried the project from code to experiments.
Interventions et enseignementTalks & teaching
-
Pinductor en poster à NeurIPS 2026Pinductor, a poster at NeurIPS 2026
Apprendre des modèles du monde POMDP à partir d'observations, avec des priors de LLM.Learning POMDP world models from observations with language-model priors.
-
Assistant d'enseignement, équations différentielles (MATH 2552)Teaching assistant, Differential Equations (MATH 2552)
Le cours d'équations différentielles de Georgia Tech.Georgia Tech's course on differential equations.
-
Cours particuliers de maths et d'IAPrivate tutoring in math and AI
Mathématiques et intelligence artificielle, en tête à tête.Mathematics and artificial intelligence, one to one.
IngénierieEngineering
Côté systèmes, j'écris mes propres kernels et je mesure où part le temps.
On the systems side, I write my own kernels and measure where the time goes.
- ×40face au CPUvs the CPUHIP-TransformerTransformer décodeur en C++/HIP, avec des kernels d'attention écrits à la main (tuilage SRAM, backward manuel). ×40 par rapport au CPU ; compute-bound d'après l'analyse Roofline.Decoder-only Transformer in C++/HIP with hand-written attention kernels (SRAM tiling, manual backward pass). 40× faster than the CPU baseline; compute-bound by Roofline analysis.
- < 1 msde latence, FPGA et GPUlatency, FPGA and GPUQuantification INT8/FP8Quantization INT8/FP8Quantification et sparsité des poids de Transformers pour FPGA et GPU. Latence sous la milliseconde, par fusion de couches et optimisation des accès mémoire.Transformer quantization and weight sparsity for FPGA and GPU. Sub-millisecond latency through hardware-aware layer fusion and memory-access optimization.
- 72,3 %72.3%avec LoRAwith LoRA1 536 paires d'instructions construites de zéro et un fine-tuning de bout en bout sur une H100 (QLoRA). LoRA atteint 72,3 %, contre 46,1 % pour le modèle de base ; le fine-tuning complet s'effondre après une époque.1,536 instruction pairs built from scratch and end-to-end fine-tuning on one H100 (QLoRA). LoRA reaches 72.3%, against 46.1% for the base model; full fine-tuning mode-collapses after one epoch.
- +16 %+16%sur GSM8K, sans fine-tuningon GSM8K, no fine-tuningGRACEDécodage chain-of-thought pas à pas, guidé par un vérificateur contrastif. +16 % sur GSM8K, sans fine-tuning supplémentaire.Step-by-step chain-of-thought decoding guided by a contrastive step verifier. +16% on GSM8K, without extra fine-tuning.
- CUDA
- HIP
- Triton
- tuilage SRAMSRAM tiling
- Roofline
- Nsight / Omniperf
- Slurm
BibliothèqueLibrary
Ce sur quoi j'apprends et je m'appuie : les livres que j'étudie, les articles qui comptent pour moi, et les cours que je suis en vidéo.
What I learn from and build on: the books I study, the papers that matter to me, and the courses I follow on video.
- Convex Optimization
- Numerical Optimization
- Algorithms for Optimization
- Linear Algebra & Learning from Data
- Linear Algebra Done Right
- Mathematics for ML
- Measure, Integration & Real Analysis
- Pattern Recognition & ML
- Elements of Statistical Learning
- Understanding Machine Learning
- Probabilistic Machine Learning
- Information Theory, Inference & Learning
- Reinforcement Learning
- Deep Learning
- Understanding Deep Learning
- Deep Learning: Foundations & Concepts
- Dive into Deep Learning
- Generative Deep Learning
- Deep Learning with PyTorch
- Programming Massively Parallel Processors
- Computer Vision
- Matrix Methods
- Convex Optimization
- Measure Theory
- Probability Primer
- Statistics for Applications
- Discrete Stochastic Processes
- ML for Intelligent Systems
- Machine Learning
- Probabilistic ML
- Deep RL
- Deep Learning
- Transformers & LLMs
- Deep Generative Models
- Diffusion & Vision Models
- Photogrammetry
- Computer Graphics
mathématiques et optimisationmathematics & optimization apprentissage statistique et décisionstatistical learning & decision apprentissage profond et génératifdeep & generative learning vision et 3Dvision & 3D exploration autotéliqueautotelic exploration quality-diversityquality-diversity évaluation des LLMLLM evaluation modèles du mondeworld models classique ou le plus suivia classic, or most followed
Contact
Une question, une idée de collaboration : écrivez-moi.
A question, an idea for a collaboration: write to me.