Cet article souligne que, si les modèles de langage à grande échelle (MLH) affichent des performances exceptionnelles dans diverses tâches, ils présentent des limites pour l'apprentissage efficace de données réelles avec des structures hiérarchiques non euclidiennes (par exemple, réseaux de protéines, réseaux de transport). Pour répondre à cette question, nous analysons en détail les tendances récentes de la recherche sur l'utilisation de la géométrie hyperbolique, un espace non euclidien efficace pour la modélisation des structures hiérarchiques, dans les MLH. Plus précisément, nous classons les MLH hyperboliques (HypLLM) en quatre grandes catégories : (1) les MLH hyperboliques utilisant des cartes exp/log, (2) les modèles affinés avec la géométrie hyperbolique, (3) les MLH entièrement hyperboliques et (4) les modèles d'espace d'état hyperboliques. Nous fournissons également des référentiels contenant des articles, des modèles, des jeux de données et des implémentations de code connexes.
