Aller au contenu

Veille IA du

Cette page est l’édition archivée d’un jour précis. Elle ne change plus.

Dernier digest S’abonner

Récap de la semaine : actualités

du 6 juil. au 12 juil. 2026 124 articles

Modèles d’IA et Mises à Jour des Fournisseurs

  • OpenAI a lancé GPT-⁠5.6 en trois niveaux : Sol (amiral, raisonnement complexe), Terra (codage équilibré) et Luna (économique), avec un contexte de 1M de tokens, un nouveau curseur d’effort de raisonnement et un mode « ultra » coordonnant des agents parallèles ; il est désormais le modèle privilégié dans Microsoft 365 Copilot et GitHub Codex, bien que les 36 variantes d’API aient causé de la confusion chez les utilisateurs [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12].
  • OpenAI a introduit GPT-⁠Live, un modèle vocal full-⁠duplex pour une conversation naturelle dans ChatGPT Voice qui délègue les tâches complexes aux modèles de pointe en arrière-⁠plan [13, 14, 15, 16].
  • Claude Fable 5 reste disponible sur tous les plans payants jusqu’au 19 juillet avec des limites de taux Claude Code 50 % plus élevées ; c’est le premier modèle auquel Cognition fait confiance pour s’exécuter toute la nuit dans Devin, et il a produit le premier véritable megakernel sur KernelBench-⁠Mega (accélération de 18,71×) [17, 18, 19, 20, 21, 22, 23].
  • Anthropic a révélé J-⁠space, des motifs neuronaux internes cachés dans Claude permettant un raisonnement délibéré et une surveillance de la pensée, et a proposé GRAM (Gradient-⁠Routed Auxiliary Modules) pour des compartiments de connaissances à double usage amovibles [24, 25, 26].
  • SpaceXAI/Cursor a publié Grok 4.5, un modèle MoE de classe Opus entraîné sur des trillions de tokens Cursor, au prix de 2 $/6 $ par million de tokens, ciblant les tâches d’utilisation d’outils de longue durée [27, 28, 29, 30].
  • Meta a lancé Muse Image et Muse Spark 1.1, des modèles de raisonnement multimodal et de génération de médias avec invocation d’outils et auto-⁠raffinement, disponibles via une nouvelle API publique Model API et intégrés dans Meta AI, Instagram et WhatsApp [31, 32, 33, 34, 35, 36, 7, 37, 38].
  • Tencent a publié Hy3, un modèle MoE de 295B paramètres (21B actifs, contexte 256K) sous licence Apache 2.0, gratuit sur OpenRouter jusqu’au 21 juillet [39, 40].
  • Gemma 4 a introduit des modèles multimodaux à poids ouverts (2,3B–31B) avec des architectures dense/MoE, mode réflexion et conception unifiée sans encodeur [41].
  • GLM 5.2 défie les laboratoires de pointe sur l’économie du codage agentique, atteignant 2626 tok/s/nœud sur AMD MI355X avec une efficacité coût >2× vs. NVIDIA, offrant une qualité proche d’Opus à <20 % du prix d’Opus [42, 43].
  • Microsoft remplace les modèles OpenAI/Anthropic par ses propres modèles MAI dans certaines applications comme Excel et Outlook [44, 45].
  • OpenAI a audité SWE-⁠Bench Pro et a trouvé ~30 % de ~30 % de tâches publiques cassées, avertissant que des évaluations défectueuses faussent les évaluations de capacité de codage [46, 47].

Agents, RAG et Outils LLM

  • L’ingénierie de contexte émerge comme une discipline pour les questions-⁠réponses agentiques fiables, faisant passer la précision de 40 % à 90 % grâce à des modèles de données propres, des tests CI/CD et une gouvernance soutenue par Git ; Kapa.ai élague 68 % du contexte RAG avec un petit LLM tout en conservant 96 % de rappel [48, 49].
  • Les boucles et harnais agentiques sont le facteur de différenciation durable à mesure que les modèles de codage se commoditisent ; les outils d’orchestration open-⁠source comme Gastown, Ruflo, Traycer et herdr coordonnent plusieurs assistants de codage avec un état soutenu par Git, une mémoire partagée et une collaboration fédérée [50, 51, 52, 53, 54, 55].
  • Claude Cowork se déploie sur le web/mobile pour les utilisateurs Max ; ~50 % des tâches sont du « travail autour du travail » (memos, présentations, synthèse), et l’équipe marketing d’Anthropic l’utilise pour compresser des jours de travail manuel en heures [56, 57, 58, 59].
  • L’adoption de MCP progresse : Integral Ad Science connecte des agents à dbt/Databricks pour les problèmes de « BI why », et Google étend Managed Agents dans l’API Gemini avec des serveurs MCP distants et une exécution en arrière-⁠plan [60, 61].
  • Planning-⁠with-⁠files apporte une planification persistante et à l’épreuve des crashs aux agents de codage via des fichiers markdown, supportant 60+ plateformes grâce à SKILL.md [62].
  • Le framework PACE prédit la performance de benchmarks agentiques à <1 % du coût (<4 % MAE) ; socbench évalue les modèles de raisonnement de pointe comme agents SOC [63, 64].
  • SkillCloak permet à des compétences d’agents IA malveillants d’échapper aux scanners statiques dans >90 % des tests ; l’exécution en bac à sable SKILLDETONATE détecte la plupart des compétences camouflées [65].
  • La recherche Microsoft montre que les agents fonctionnent mieux avec des CLIs conventionnels qu’avec des remplacements par payload JSON ; Kenton Varda interdit les messages de PR/commit écrits par IA pour omission de cadrage de haut niveau [66, 67].

MLOps, DevOps et Infrastructure

  • L’inférence domine les coûts d’IA (~deux tiers du calcul, 80–90 % du coût à vie) ; les leviers clés incluent la gestion du cache KV, le batching, la quantification et le décodage spéculatif, les goulets d’étranglement physiques (HBM, NVLink, optique, alimentation) constituant des avantages durables [68].
  • PyTorch 2.13 ajoute FlexAttention sur Apple Silicon (~12× accélération), CUDA backward déterministe, backend CuTeDSL et chevauchement de communication FSDP2 ; les techniques de fusion de noyau (Lazy Pre-⁠Norm, FlashNormAttention) masquent jusqu’à 90 % de la latence de normalisation [69, 70].
  • Bun réécrit son cœur de Zig vers Rust en utilisant l’ingénierie agentique avec les modèles Anthropic, produisant un runtime plus rapide, plus petit et sans bugs de sécurité mémoire [71, 72, 73, 74].
  • TypeScript 7.0 offre une vitesse en code natif et du multithreading à mémoire partagée avec des accélérations de build complet de 8–12× [75].
  • Google MaxText permet l’entraînement élastique via Pathways/JAX, convertissant les pannes matérielles TPU en exceptions attrapables avec une récupération de checkpoint en moins de 2 minutes [76].
  • Cloudflare a lancé Workers Cache (mise en cache en couches devant Workers, éliminant les frais CPU sur les hits de cache), Meerkat (consensus global expérimental sur 330+ centres de données utilisant QuePaxa) et Drop (déploiement instantané de sites statiques) ; il exhorte aussi la migration vers des signatures ML-⁠DSA post-⁠quantiques [77, 78, 79, 80, 81, 82, 83, 84, 85].
  • etcd v3.7.0 livre RangeStream, suppression du v2store legacy et une refonte protobuf, réduisant l’usage CPU pour les plans de contrôle Kubernetes [86, 87].
  • npm v12 GA désactive les scripts d’installation, les dépendances git et les installations par URL distantes par défaut, et déprécie les tokens d’accès granulaire contournant la 2FA [88, 89].
  • Apache Iceberg v3 ajoute un type Variant pour du JSON semi-⁠structuré compact ; Apache Hudi ajoute la recherche vectorielle native avec indexation HNSW pour le RAG lakehouse ; Pinecone Sparse V3 réduit les I/O de 151× pour SPLADE sans perte de rappel [90, 91, 92].
  • HubSpot a mis à l’échelle une plateforme de récupération vectorielle à 20B+ vecteurs sur 140+ clusters en utilisant des opérateurs Kubernetes, réduisant le démarrage de heures à minutes [93].
  • Amazon EKS supporte les rollbacks de version Kubernetes sous 7 jours ; le mode AWS CloudFormation Express accélère les déploiements jusqu’à 4× ; AWS CloudWatch Application Signals capture automatiquement erreurs et anomalies sans changements de code [94, 95, 96].
  • GitHub a ajouté des budgets de crédits IA par utilisateur avec suivi des dépenses via API REST, export OpenTelemetry géré par l’entreprise, paramètres Copilot déployés via MDM, jeux de règles de rejet de revue PR, et aperçus de repo Copilot/génération de README [97, 98, 99, 100, 101, 102, 103, 104, 105].
  • sqlite-⁠utils 4.0/4.1 ajoute migrations de schéma, transactions imbriquées, clés étrangères composées et une option --code pour l’insertion de données basée sur Python [106, 107, 108, 109, 110, 111].

Sécurité et Incidents

  • Le ransomware JadePuffer est devenu la première attaque entièrement automatisée pilotée par LLM connue, exploitant CVE-⁠2025-⁠3248 dans Langflow sans intervention humaine ; Sysdig a suivi un cas similaire de ransomware piloté par IA chiffrant >1 300 enregistrements avec une note de rançon auto-⁠générée [112, 113].
  • Des failles d’injection de prompt GitLost dans les Workflows Agentiques de GitHub ont permis l’extraction de données de repo privé via des issues publiques ; Rogue Agent a exploité Dialogflow CX pour exécuter du Python arbitraire sur tous les agents ; Friendly Fire détourne des agents IA de cyberdéfense en RCE via des bibliothèques open-⁠source compromises [114, 115, 116, 117].
  • Vulnérabilités critiques du noyau : GhostLock (CVE-⁠2026-⁠43499, use-⁠after-⁠free de 15 ans, root + échappée de conteneur), Bad Epoll (CVE-⁠2026-⁠46242, root via condition de course) et Januscape (CVE-⁠2026-⁠53359, use-⁠after-⁠free KVM de 16 ans, échappée guest-⁠vers-⁠host) nécessitent un patching urgent [118, 119, 120].
  • FFmpeg a corrigé PixelSmash (CVE-⁠2026-⁠8461, CVSS 8,8) écriture hors limites dans le décodeur MagicYUV affectant Kodi, OBS, Jellyfin [121].
  • Le NVD chinois avertit d’une backdoor alléguée dans d’anciennes versions de Claude Code (2.1.91–2.1.196), recommandant la mise à niveau vers 2.1.198+ avec une surveillance d’égresse plus stricte [122].
  • Accenture a confirmé une violation exposant 35 Go incluant des clés Azure et du code source depuis un repo Azure DevOps privé [123].
  • Un bug de modération IA de Discord a banni à tort ~8 000 utilisateurs en 24 heures après avoir mal classé des formes géométriques ; les appels ont bondi de ~40× [124].
Sources
  1. GPT-⁠5.6 Sol Ultra will be in Codex hnrss.org
  2. OpenAI might be preparing GPT-⁠5.6 for next week’s release testingcatalog.com
  3. GPT-⁠5.6 Sol, along with Terra and Luna, will launch publicly this Thursday x.com
  4. GPT-⁠5.6 is now the preferred model in Microsoft 365 Copilot openai.com
  5. OpenAI’s GPT-⁠5.6 Sol, Terra, and Luna are now available in GitHub Copilot github.blog
  6. The new GPT-⁠5.6 family: Luna, Terra, Sol simonwillison.net
  7. [AINews] OpenAI launches GPT 5.6 Sol/Terra/Luna, Codex becomes ChatGPT superapp latent.space
  8. GPT-⁠5.6: Frontier intelligence that scales with your ambition openai.com
  9. GPT-⁠5.6 Series arcprize.org
  10. GPT-⁠5.6 Review signals.forwardfuture.com
  11. ChatGPT Work openai.com
  12. [AINews] not much happened today latent.space
  13. Introducing GPT-⁠Live openai.com
  14. GPT‑Live simonwillison.net
  15. Introducing GPT‑Live simonwillison.net
  16. GPT-⁠Live openai.com
  17. Import AI 464: Fables writes GPU kernels; AI automation; and analog computation jack-⁠clark.net
  18. A Field Guide to Claude Fable: Finding Your Unknowns claude
  19. A Field Guide to Fable: Finding Your Unknowns x.com
  20. A Field Guide to Fable: Finding Your Unknowns x.com
  21. Let Fable use its own judgement rather than dictating how it should work simonwillison.net
  22. Working at the frontier: How Cognition trusts Claude Fable 5 to work through the night claude
  23. Fable gets another bump simonwillison.net
  24. A global workspace in language models anthropic.com
  25. Anthropic found a hidden space where Claude puzzles over concepts technologyreview.com
  26. An off switch for dual use knowledge in AI models anthropic.com
  27. Introducing Grok 4.5 cursor
  28. [AINews] SpaceXAI launches Grok 4.5, first Opus-⁠class model post Cursor acquisition latent.space
  29. SpaceXAI releases Grok 4.5, which Elon describes as an ‘Opus-⁠class model' techcrunch.com
  30. Grok 4.5 x.ai
  31. Introducing Muse Image and Muse Video meta ai
  32. Meta enters AI image model race in bid to court advertisers and subscribers cnbc.com
  33. Introducing Muse Image: Image Generation Built for Your World about.fb.com
  34. Introducing Muse Spark 1.1 meta ai
  35. Introducing Muse Spark 1.1 simonwillison.net
  36. Meta launches Muse Image across its apps testingcatalog.com
  37. Zuckerberg Pledges ‘Aggressive' Pricing With Meta’s First Pay-⁠to-⁠Use AI bloomberg.com
  38. Muse Spark 1.1 ai.meta.com
  39. tencent/Hy3 simonwillison.net
  40. Hy3 simonwillison.net
  41. Gemma 4 Technical Report arxiv 2607.02770v1
  42. Performance per dollar is getting faster and cheaper wafer.ai
  43. GLM 5.2 and the coming AI margin collapse martinalderson.com
  44. Microsoft Replaces OpenAI, Anthropic With Own AI in Some Apps bloomberg.com
  45. Microsoft Replaces OpenAI, Anthropic With Own AI in Some Apps bloomberg.com
  46. Separating signal from noise in coding evaluations openai.com
  47. Auditing the Reliability of Coding Benchmarks openai.com
  48. The context engineering playbook roundup.getdbt.com
  49. How we taught a small LLM to throw away 68 % of our RAG context kapa.ai
  50. Gastown github.com
  51. Own the Loop: A Field Guide to Agent Harnesses x.com
  52. Agentic loops danluu.com
  53. herdr github.com
  54. Ruflo github.com
  55. Traycer github.com
  56. How people are using Claude Cowork claude
  57. Claude Cowork is coming to mobile and web claude
  58. How Anthropic’s marketing operations team uses Claude Cowork to automate reporting and campaign builds claude
  59. Claude Cowork on Mobile and Web claude.com
  60. Solving dashboard errors in minutes: How Integral Ad Science used MCP to connect agents to dbt and Databricks dbt.com
  61. Expanding Managed Agents in Gemini API: background tasks, remote MCP, and more blog.google
  62. Planning-⁠with-⁠files github.com
  63. PACE: A Proxy for Agentic Capability Evaluation huggingface.co
  64. socbench github.com
  65. SkillCloak Lets Malicious AI Agent Skills Evade Static Scanners with Self-⁠Extracting Packing thehackernews.com
  66. Agents Work Better with Conventional CLIs developer.microsoft.com
  67. Quoting Kenton Varda simonwillison.net
  68. How an AI Token Travels Through a Data Center datagravity.dev
  69. PyTorch 2.13 Release Blog pytorch.org
  70. Towards Free Normalization: Fusing Normalization into GEMM and Attention Kernels pytorch.org
  71. Rewriting Bun in Rust simonwillison.net
  72. Rewriting Bun in Rust bun.com
  73. The Pulse: What can we learn from Bun’s rapid Rust rewrite with AI? newsletter.pragmaticengineer.com
  74. Bun is being rewritten in Rust bun.com
  75. Announcing TypeScript 7.0 devblogs.microsoft.com
  76. We terminated a TPU mid-⁠training and it recovered in seconds: Introduction to elastic training with MaxText google ai
  77. Your Worker can now have its own cache in front of it blog.cloudflare.com
  78. Announcing the Monetization Gateway: charge for any resource behind Cloudflare via x402 blog.cloudflare.com
  79. Introducing Meerkat: an experiment in global consensus blog.cloudflare.com
  80. Your Worker can now have its own cache in front of it blog.cloudflare.com
  81. Introducing Meerkat: an experiment in global consensus blog.cloudflare.com
  82. Why we cannot wait for better post-⁠quantum signature algorithms blog.cloudflare.com
  83. Cloudflare Drop (Website) cloudflare.com
  84. Improving Smart Tiered Cache for Public Cloud Regions blog.cloudflare.com
  85. Introducing Meerkat- an experiment in global consensus blog.cloudflare.com
  86. Announcing etcd v3.7.0 kubernetes.io
  87. Announcing etcd v3.7.0 kubernetes.io
  88. npm install-⁠time security and GAT bypass2fa deprecation github.blog
  89. npm 12 Disables Install Scripts by Default to Reduce Supply Chain Risk thehackernews.com
  90. The Variant Type in Apache Iceberg: How Shredding Turns Messy JSON Into Fast Analytics iceberglakehouse.com
  91. Bringing Vector Search to the Lakehouse with Apache Hudi hudi.apache.org
  92. Sparse V3: how Pinecone’s sparse index learned to skip pinecone
  93. Building the AI Retrieval Infrastructure Behind 20 Billion+ Vectors at HubSpot product.hubspot.com
  94. Upgrade Amazon EKS clusters with confidence using Kubernetes version rollbacks aws.amazon.com
  95. Accelerate your infrastructure deployments by up to 4x with AWS CloudFormation Express mode aws.amazon.com
  96. CloudWatch Application Signals now automatically captures errors, performance anomalies, and deployment events aws.amazon.com
  97. Per-⁠user budgets for cost centers in the billing UI github.blog
  98. Restrict who can dismiss reviews in rulesets github.blog
  99. Copilot Billing Preview app will be retired on August 3 github.blog
  100. Add review cycles and time to adoption phases in the usage API github.blog
  101. Enterprise-⁠managed OpenTelemetry export for VS Code and CLI github.blog
  102. Deploy managed Copilot settings via MDM in VS Code and CLI github.blog
  103. Organization-⁠level targeting for GitHub Code Quality github.blog
  104. Ask Copilot for a repository overview github.blog
  105. Per-⁠user states for multi-⁠user budgets in the REST API github.blog
  106. sqlite-⁠utils 4.0rc3 simonwillison.net
  107. sqlite-⁠utils 4.0, now with database schema migrations simonwillison.net
  108. sqlite-⁠migrate 0.2 simonwillison.net
  109. sqlite-⁠utils 4.0 simonwillison.net
  110. sqlite-⁠utils 4.0rc4 simonwillison.net
  111. sqlite-⁠utils 4.1 simonwillison.net
  112. JadePuffer AI Attack 🤖,Anthropic v. Alibaba ⚖️ , PamStealer macOS Bug 🍏 tldr.tech
  113. The ‘first' AI-⁠run ransomware attack still needed a human techcrunch.com
  114. GitLost: How We Tricked GitHub’s AI Agent into Leaking Private Repos noma.security
  115. Rogue Agent: How a Single Code Block Could Hijack Your AI Conversations in Google’s DialogFlow varonis.com
  116. GitLost: How We Tricked GitHub’s AI Agent into Leaking Private Repos noma.security
  117. Friendly Fire: Hijacking Defensive Cyber AI Agents for Remote Code Execution ainowinstitute.org
  118. Proof-⁠of-⁠Concept Exploit Released for Linux ‘Bad Epoll' Root Access Vulnerability securityweek.com
  119. Januscape: 16-⁠Year-⁠Old Linux KVM Bug Enables Cloud VM Escape Attacks securityaffairs.com
  120. 15-⁠Year-⁠Old GhostLock Linux Kernel Vulnerability Enables Root Access and Container Escape gbhackers.com
  121. FFmpeg fixes PixelSmash flaw in widely used video decoder bleepingcomputer.com
  122. China tells devs to ditch Claude Code over ‘backdoor code' fears theregister.com
  123. Accenture Confirms Data Breach After Hacker Claims Source Code Theft securityweek.com
  124. Discord AI Moderation Glitch Wrongfully Bans 8k Users in 24-⁠Hour Period programming-⁠helper.com

Récap de la semaine : publications

du 6 juil. au 12 juil. 2026 79 publications

Systèmes Agentiques, Mémoire et Benchmarks

  • UniClawBench introduit un benchmark piloté par les capacités avec 400 tâches réelles bilingues pour évaluer des agents proactifs sur cinq capacités fondamentales (Utilisation de Compétences, Exploration, Raisonnement Long-⁠Contexte, Compréhension Multimodale, Coordination Multi-⁠Plateforme), isolant des modes d’échec manqués par les évaluations en bac à sable antérieures [1, 2, 3, 4].
  • WebSwarm propose une orchestration multi-⁠agent récursive pour la recherche web en profondeur et en largeur, instanciant dynamiquement des nœuds avec des objectifs locaux et des modes de recherche pour équilibrer profondeur et couverture [5, 6, 7].
  • Un agent mémoire proactif atténue la « dégradation d’état comportemental » dans les tâches à long horizon en maintenant une banque de mémoire structurée et en injectant sélectivement des rappels, améliorant le pass@1 de +8,3 pp (Terminal-⁠Bench 2.0) et +6,8 pp (τ²-⁠Bench) [8, 9, 10].
  • IdeaGene-⁠Bench évalue le raisonnement sur la lignée scientifique et la génération d’idées, représentant les articles comme des objets typés « Génome d’Idée » et les alignant via GenomeDiff pour suivre l’héritage, la mutation et la nouveauté à travers 10 domaines [11, 12, 13].
  • AUTOPILOT-⁠VQA est un benchmark VQA centré sur les incidents pour la compréhension de vidéos de dashcam, testant les modèles sur le raisonnement critique pour la sécurité (ex. : météo, trafic, évitabilité d’accident) avec des questions structurées et ancrées [14, 15, 16].
  • SolarChain-⁠Eval évalue des agents économiques fiables sur les marchés décentralisés de l’énergie, mesurant l’utilité du marché, la sécurité physique, l’équité et l’auditabilité sous une gouvernance MDP contrainte par la physique [17, 18, 19].
  • STRACE construit des contextes d’optimisation à haut rapport signal/bruit pour les agents à long horizon en extrayant des motifs d’échec pour filtrer les traces redondantes et en extrayant des sous-⁠trajectoires causales, améliorant la précision d’optimisation [20].
  • CompactionRL optimise conjointement l’exécution de tâche et la synthèse de contexte pour les LLM agentiques à long horizon, permettant l’entraînement sur des trajectoires compactées avec normalisation de perte au niveau token et estimation d’avantage inter-⁠trajectoires [21].
  • EvoSOP permet à des agents LLM auto-⁠évolutifs de synthétiser des actions atomiques en Procédures Opérationnelles Standard (SOPs) réutilisables, optimisant itérativement la boîte à outils et augmentant les taux de succès tout en réduisant les étapes d’inférence [22].

Raisonnement, RL et Post-⁠Entraînement

  • Agon entraîne deux modèles en compétition pour noter implicitement le raisonnement de l’autre en alternant les rôles de rédaction/lecture, récompensant le fait de surpasser le rival ; le duo se déploie en cascade à deux étages et apprend à mieux raisonner sans étiquettes de processus ni modèle de récompense [23].
  • AdaPrefix-⁠GRPO contrôle adaptativement la longueur du préfixe de trace pour maintenir le taux de succès près de 50 % où le signal de gradient de GRPO est maximal, puis retire l’assistance ; il plus que double la précision de GRPO sur les mathématiques difficiles à FLOPs équivalents pour des modèles de 0,6B–1,7B tout en divisant la longueur de trace par deux [24].
  • Distillation On-⁠Policy Directe (Direct-⁠OPD) transfère les décalages de politique induits par RL d’un enseignant faible vers un élève plus fort en utilisant le log-⁠ratio des politiques post-⁠RL vs pré-⁠RL de l’enseignant comme récompense dense, évitant les limites de l’imitation directe de la politique finale du petit modèle [25].
  • Le post-⁠entraînement RL peut composer des compétences primitives en stratégies de raisonnement de niveau supérieur dans un environnement de grammaire de réécriture, découvrant des compositions séquentielles et parallèles qui résolvent des problèmes tenus à l’écart rarement résolus par le pré-⁠entraînement seul [26].
  • Distillation de Confiance Future exploite la confiance post-⁠solution (mieux calibrée que la pré-⁠solution) en distillant des signaux de confiance cachés dans des couches plus précoces, améliorant la calibration et la discriminabilité pour les décisions en aval [27].
  • LLM-⁠comme-⁠Vérificateur introduit un cadre de notation probabiliste et continu pour la vérification, augmentant la granularité, l’évaluation répétée et la décomposition de critères sans entraînement supplémentaire, améliorant la séparation entre solutions correctes et incorrectes [28].

Sécurité, Alignement et Interprétabilité

  • LACUNA introduit le premier banc de test de désapprentissage avec localisation au niveau des paramètres avec vérité terrain, permettant d’évaluer directement si le désapprentissage efface la connaissance des poids d’un LLM (pas seulement ses sorties) en injectant des PII synthétiques dans des paramètres prédéfinis de modèles basés sur OLMo et en benchmarkant les méthodes SOTA [1].
  • TokenWall est un pare-⁠feu sémantique d’exécution pour agents persistants, auditant les flux de tokens (mémoire, outils, fichiers) pour intercepter les comportements dangereux avant qu’ils n’atteignent des puits privilégiés [29, 30, 31].
  • Les audits de Fidélité-⁠au-⁠Refus montrent que les méthodes d’attribution neuronale peuvent identifier causalement les lignes suffisantes pour installer un comportement de refus tout en préservant la fluidité, bien que les sélecteurs stables en rang puissent être moins valides causalement [32].
  • SovereignPA-⁠Bench évalue des agents personnels appartenant à l’utilisateur sous intention évolutive, médiation de plateforme, contraintes de consentement et frontières de confidentialité, rapportant des métriques de composants pour l’alignement, la confidentialité et l’auditabilité [33].
  • Pluralis v0.1 présente un benchmark multiculturel et multimodal pour la sécurité de l’IA dans 6 régions Asie-⁠Pacifique et 8 langues, se concentrant sur les violations culturelles/légales localisées dans les sorties de VLM [34].
  • Anthropic rapporte des preuves d’un « espace de travail global » dans Claude, identifiant un petit ensemble de motifs neuronaux internes (J-⁠espace, découvert via analyse jacobienne) qui sont consciemment accessibles, liés à des mots spécifiques et utilisés pour le raisonnement délibéré, les distinguant du traitement inconscient [35].

Efficacité, Compression et Inférence

  • DominoTree étend le décodage spéculatif avec un drafter structuré en arbre utilisant la correction conditionnelle de Domino, atteignant jusqu’à 6,6× d’accélération et 10,7 tokens/tour d’acceptation sur Qwen3-⁠4B [36, 37].
  • BiSCo-⁠LLM atteint une compression extrême bas-⁠bit via codage sphérique binaire, mappant des morceaux de poids sur une hypersphère unitaire et les binarisant en flux de signes, évitant les codebooks explicites [38, 39, 40].
  • SLORR introduit une régularisation bas-⁠rang sans état et préservant l’architecture (parcimonie Hoyer, norme nucléaire) avec approximations GPU-⁠friendly, améliorant la compressibilité dans ResNet/ViT sans SVD ni paramètres supplémentaires [41, 42, 43].
  • MAESTRO élague les modèles MoE en modélisant les trajectoires d’activation d’experts comme des chaînes de Markov, surpassant les bases de jusqu’à 10,61 % en rétention de performance sous élagage structuré [44].
  • DepthWeave-⁠KV introduit une factorisation résiduelle inter-⁠couches adaptative au token pour la compression de cache KV, utilisant un routeur de profondeur conditionnel au token et un suivi d’erreur en ligne sans calibration pour préserver les tokens critiques pour la récupération sans réentraînement [45].
  • La compression de prompt via agrégation d’activation compresse les prompts d’instruction pertinents pour la tâche en un seul vecteur d’activation via agrégation pondérée apprise, réduisant le calcul par requête avec <2 % de perte de précision [46, 47].
  • Super Weights revisités : Isoler les Super Weights pour l’entraînement fait s’effondrer la performance au hasard, tandis que l’entraînement de paramètres aléatoires améliore la précision ; LoRA sur les couches down_proj réussit avec 0,16 % des paramètres [48, 49, 50].
  • Effets de quantification : L’accord de correction (métrique au niveau décision) révèle une divergence comportementale dans les LLM sous quantification modérée, les projections query/key étant les plus sensibles ; des points de rupture non-⁠linéaires émergent aux faibles largeurs de bits [51, 52, 53].

Vision-⁠Langage, Multimodal et Génération

  • OpenCoF introduit un cadre de raisonnement Chain-⁠of-⁠Frame (CoF) avec le jeu de données OpenCoF-⁠17K (11 familles de tâches) et le modèle Wan-⁠CoF, montrant des gains sur Wan2.2-⁠I2V-⁠A14B sur les benchmarks de raisonnement vidéo [54, 55, 56].
  • SearchGen-⁠20K et SearchGen-⁠Bench révèlent un effondrement de performance de 40 points des générateurs visuels de pointe sur la connaissance en monde ouvert, motivant la génération visuelle agentique avec outils de recherche et une frontière de connaissance évolutive spécifique au générateur [57].
  • Audex-⁠30B-⁠A3B unifie la compréhension et la génération audio-⁠texte avec un seul décodeur Transformer, atteignant le SOTA sur la compréhension audio, reconnaissance/traduction de parole, TTS et continuation audio tout en conservant de fortes capacités textuelles [58].
  • SPEARBench évalue le naturel dans les modèles streaming speech-⁠to-⁠speech sur la latence, la prise de tour, la prosodie et la posture interpersonnelle, révélant des lacunes non capturées par les benchmarks standards parole/texte [59].
  • SciReasoner introduit un modèle de fondation multimodal pour le raisonnement structurel natif sur protéines, petites molécules et cristaux inorganiques, discrétisant coordonnées et topologies en un vocabulaire unifié conscient de la structure pour préserver l’information native au domaine tout en permettant un raisonnement interprétable basé sur les principes [60].

Robotique et IA Incarnée

  • TAP (Pré-⁠entraînement Agnostique à la Tâche) pour VLA découple la compétence physique (comment bouger) de l’alignement sémantique (quoi faire), apprenant d’abord des a priori moteurs via dynamique inverse auto-⁠supervisée sur données non étiquetées, puis les ancrant dans le langage avec un minimum de données expertes ; sur SIMPLER, il égale des modèles entraînés sur 1M+ trajectoires expertes en utilisant des ordres de grandeur moins de données étiquetées [61].
  • CamVLA découple les commandes de manipulation de la géométrie de caméra en prédisant des actions centrées caméra et une matrice main-⁠œil 6-⁠DoF, permettant des politiques VLA robustes à la vue sans calibration [62].
  • Cortex est un cadre d’agent incarné aligné bidirectionnellement qui relie planification haut-⁠niveau et exécution bas-⁠niveau via 32 primitives de compétences canoniques et génération de données consciente de la faisabilité, améliorant la manipulation à long horizon [63].
  • WorldSample introduit un cadre RL robot réel qui ferme une boucle réel-⁠synthétique : des rollouts physiques ancrent un modèle de monde qui génère des transitions synthétiques haute-⁠fidélité, et l’Apprentissage Cadencé par Politique régule l’entraînement via sélection et planification d’échantillons [64].
  • ActionCache accélère les modèles Vision-⁠Langage-⁠Action en mettant en cache et réutilisant des actions intermédiaires, réduisant la latence d’inférence sans réentraînement [65].

Évaluation, Confiance et LLM-⁠comme-⁠Juge

  • Fiabilité LLM-⁠comme-⁠Juge : Améliorer les juges (ex. : Qwen3 1,7B→4B) améliore la robustesse, mais des juges plus forts n’éliminent pas le biais de position/verbosité ; le débat structuré déplace les décisions mais manque d’interprétabilité sans logs [66, 67, 68].
  • Vérification de Citations : Des juges LLM moins chers (ex. : GPT-⁠5-⁠mini) restent compétitifs pour la pertinence des sources et le soutien factuel, avec F1 classe-⁠pass jusqu’à 0,908 [69, 70].
  • Axes d’Abstention : Les modèles gèrent séparément la correction de réponse et la répondabilité de question ; une sonde d’état caché détecte les questions sans réponse/fausses prémisses (AUROC 0,69–0,77) où les scores de confiance échouent [71, 72].
  • EdgeBench révèle des lois d’échelle log-⁠sigmoïde pour l’apprentissage d’environnement réel sur 134 tâches à long horizon, avec une vitesse d’apprentissage d’agent doublant tous les trois mois à travers les générations de modèles [73].

Avancées Théoriques et Méthodologiques

  • Dichotomie Espace-⁠Fonction prouve la sous-⁠optimalité exponentielle de NTK pour les tâches compositionnelles (ex. : dent de scie itérée), montrant que les réseaux ReLU de profondeur L nécessitent Ω(4^L) échantillons tandis que l’apprentissage conscient de l’architecture atteint des taux quasi-⁠linéaires [74].
  • Programmes Tenseurs Quantitatifs fournissent des bornes d’erreur en largeur finie (O(1/√largeur)) pour les limites processus-⁠gaussien de réseaux de neurones, couvrant les architectures feed-⁠forward et transformer [75].
  • Stabilité d’Échantillonnage Diffusion : La précision du score marginal avant ne garantit pas la stabilité numérique en échantillonnage temps-⁠inverse ; les discrétisations Euler-⁠Maruyama peuvent diverger en distance de Wasserstein malgré une convergence faible [76, 77].
  • Une nouvelle analyse isole le rôle de la conception de mise à jour d’état dans la linéarisation de transformer, montrant que softmax repose sur des projections rang-⁠1 clé-⁠dépendantes ; des interventions structurelles (tokens puits, convolutions courtes, routage de cache budget-⁠fixe) réduisent l’écart avec l’attention complète et s’échelonnent à 32B LLaMA/Qwen, surpassant les bases post hoc antérieures sur MMLU et égalant la récupération adaptive-⁠caching [78].
  • FourierQK applique un prétraitement spectral basé sur FFT aux projections query-⁠clé, produisant de larges gains sur le modélage caractère (ex. : 79 % réduction loss val sur TinyShakespeare avec quatre fréquences apprises), les bénéfices étant liés au mélange global en domaine fréquentiel plutôt qu’à la distorsion métrique [79].
Sources
  1. LACUNA: A Testbed for Evaluating Localization Precision for LLM Unlearning arxiv cs.CL
  2. UniClawBench: A Universal Benchmark for Proactive Agents on Real-⁠World Tasks arxiv cs.CL
  3. UniClawBench: A Universal Benchmark for Proactive Agents on Real-⁠World Tasks arxiv cs.CL
  4. UniClawBench: A Universal Benchmark for Proactive Agents on Real-⁠World Tasks arxiv cs.CL
  5. WebSwarm: Recursive Multi-⁠Agent Orchestration for Deep-⁠and-⁠Wide Web Search arxiv cs.CL
  6. WebSwarm: Recursive Multi-⁠Agent Orchestration for Deep-⁠and-⁠Wide Web Search arxiv cs.CL
  7. WebSwarm: Recursive Multi-⁠Agent Orchestration for Deep-⁠and-⁠Wide Web Search arxiv cs.CL
  8. Remember When It Matters: Proactive Memory Agent for Long-⁠Horizon Agents arxiv cs.CL
  9. Remember When It Matters: Proactive Memory Agent for Long-⁠Horizon Agents arxiv cs.CL
  10. Remember When It Matters: Proactive Memory Agent for Long-⁠Horizon Agents arxiv cs.CL
  11. Ideas Have Genomes: Benchmarking Scientific Lineage Reasoning and Lineage-⁠Grounded Idea Generation arxiv cs.AI
  12. Ideas Have Genomes: Benchmarking Scientific Lineage Reasoning and Lineage-⁠Grounded Idea Generation arxiv cs.AI
  13. Ideas Have Genomes: Benchmarking Scientific Lineage Reasoning and Lineage-⁠Grounded Idea Generation arxiv cs.AI
  14. AUTOPILOT VQA: Benchmarking Vision-⁠Language Models for Incident-⁠Centric Dashcam Understanding arxiv cs.AI
  15. AUTOPILOT VQA: Benchmarking Vision-⁠Language Models for Incident-⁠Centric Dashcam Understanding arxiv cs.AI
  16. AUTOPILOT VQA: Benchmarking Vision-⁠Language Models for Incident-⁠Centric Dashcam Understanding arxiv cs.AI
  17. SolarChain-⁠Eval: A Physics-⁠Constrained Benchmark for Trustworthy Economic Agents in Decentralized Energy Markets arxiv cs.AI
  18. SolarChain-⁠Eval: A Physics-⁠Constrained Benchmark for Trustworthy Economic Agents in Decentralized Energy Markets arxiv cs.AI
  19. SolarChain-⁠Eval: A Physics-⁠Constrained Benchmark for Trustworthy Economic Agents in Decentralized Energy Markets arxiv cs.AI
  20. From Noisy Traces to Root Causes: Structural Trajectory Analysis and Causal Extraction for Agent Optimization arxiv cs.CL
  21. CompactionRL: Reinforcement Learning with Context Compaction for Long-⁠Horizon Agents arxiv cs.LG
  22. From Atomic Actions to Standard Operating Procedures: Iterative Tool Optimization for Self-⁠Evolving LLM Agents arxiv cs.CL
  23. Agon: Competitive Cross-⁠Model RL with Implicit Rival Grading of Reasoning arxiv cs.CL
  24. Max Out GRPO Signal: Adaptive Trace Prefix Control for Hard Reasoning Problems arxiv cs.CL
  25. Weak-⁠to-⁠Strong Generalization via Direct On-⁠Policy Distillation arxiv cs.CL
  26. RL Post-⁠Training Builds Compositional Reasoning Strategies arxiv cs.CL
  27. Future Confidence Distillation in Large Language Models arxiv cs.CL
  28. LLM-⁠as-⁠a-⁠Verifier: A General-⁠Purpose Verification Framework arxiv cs.CL
  29. Token-⁠Flow Firewall: Semantic Runtime Auditing for Persistent AI Agents arxiv cs.CL
  30. Token-⁠Flow Firewall: Semantic Runtime Auditing for Persistent AI Agents arxiv cs.CL
  31. Token-⁠Flow Firewall: Semantic Runtime Auditing for Persistent AI Agents arxiv cs.CL
  32. Faithfulness to Refusal: A Causal Audit of Neuron Selectors arxiv cs.CL
  33. SovereignPA-⁠Bench: Evaluating User-⁠Owned Personal Agents under Evolving Intent, Platform Mediation, and Consent Constraints arxiv cs.AI
  34. Pluralis v0.1: Towards a Multicultural, Multimodal, Multilingual Benchmark for AI Risk and Reliability arxiv cs.CL
  35. A global workspace in language models anthropic research
  36. DominoTree: Conditional Tree-⁠Structured Drafting with Domino for Speculative Decoding arxiv cs.CL
  37. DominoTree: Conditional Tree-⁠Structured Drafting with Domino for Speculative Decoding arxiv cs.CL
  38. BiSCo-⁠LLM: Lookup-⁠Free Binary Spherical Coding for Extreme Low-⁠Bit Large Language Model Compression arxiv cs.LG
  39. BiSCo-⁠LLM: Lookup-⁠Free Binary Spherical Coding for Extreme Low-⁠Bit Large Language Model Compression arxiv cs.LG
  40. BiSCo-⁠LLM: Lookup-⁠Free Binary Spherical Coding for Extreme Low-⁠Bit Large Language Model Compression arxiv cs.LG
  41. SLORR: Simple and Efficient In-⁠Training Low-⁠Rank Regularization arxiv cs.LG
  42. SLORR: Simple and Efficient In-⁠Training Low-⁠Rank Regularization arxiv cs.LG
  43. SLORR: Simple and Efficient In-⁠Training Low-⁠Rank Regularization arxiv cs.LG
  44. It Takes a MAESTRO To Prune Bad Experts arxiv cs.CL
  45. DepthWeave-⁠KV: Token-⁠Adaptive Cross-⁠Layer Residual Factorization for Long-⁠Context KV Cache Compression arxiv cs.AI
  46. Prompt Compression via Activation Aggregation arxiv cs.CL
  47. Prompt Compression via Activation Aggregation arxiv cs.CL
  48. Super Weights in LLMs and the Failure of Selective Training arxiv cs.LG
  49. Super Weights in LLMs and the Failure of Selective Training arxiv cs.LG
  50. Super Weights in LLMs and the Failure of Selective Training arxiv cs.LG
  51. The Illusion of Equivalency: Statistical Characterization of Quantization Effects in LLMs arxiv cs.AI
  52. The Illusion of Equivalency: Statistical Characterization of Quantization Effects in LLMs arxiv cs.AI
  53. The Illusion of Equivalency: Statistical Characterization of Quantization Effects in LLMs arxiv cs.AI
  54. OpenCoF: Learning to Reason Through Video Generation arxiv cs.AI
  55. OpenCoF: Learning to Reason Through Video Generation arxiv cs.AI
  56. OpenCoF: Learning to Reason Through Video Generation arxiv cs.AI
  57. Search Beyond What Can Be Taught: Evolving the Knowledge Boundary in Agentic Visual Generation arxiv cs.AI
  58. Unified Audio Intelligence Without Regressing on Text Intelligence arxiv cs.CL
  59. SPEARBench: A Benchmark for Naturalness Evaluation in Streaming Speech-⁠to-⁠Speech Language Models arxiv cs.CL
  60. Accurate, Interdisciplinary and Transparent Structure-⁠property Understanding with Deep Native Structural Reasoning arxiv cs.CL
  61. Learning to Move Before Learning to Do: Task-⁠Agnostic pretraining for VLAs arxiv cs.AI
  62. From Fixed to Free Cameras: Calibration-⁠Free View-⁠Robust Vision-⁠Language-⁠Action Model arxiv cs.LG
  63. Cortex: A Bidirectionally Aligned Embodied Agent Framework for Long-⁠horizon Manipulation arxiv cs.AI
  64. WorldSample: Closed-⁠loop Real-⁠robot RL with World Modelling arxiv cs.AI
  65. Training-⁠Free Acceleration for Vision-⁠Language-⁠Action Models with Action Caching and Refinement arxiv cs.LG
  66. When the Judge Changes, So Does the Measurement: Auditing LLM-⁠as-⁠Judge Reliability arxiv cs.CL
  67. When the Judge Changes, So Does the Measurement: Auditing LLM-⁠as-⁠Judge Reliability arxiv cs.CL
  68. When the Judge Changes, So Does the Measurement: Auditing LLM-⁠as-⁠Judge Reliability arxiv cs.CL
  69. Do You Need a Frontier Model as a Citation Verifier? Benchmarking Rubric LLMs for Deep-⁠Research Source Attribution arxiv cs.CL
  70. Do You Need a Frontier Model as a Citation Verifier? Benchmarking Rubric LLMs for Deep-⁠Research Source Attribution arxiv cs.CL
  71. Two Axes of LLM Abstention: Answer Correctness and Question Answerability arxiv cs.CL
  72. Two Axes of LLM Abstention: Answer Correctness and Question Answerability arxiv cs.CL
  73. EdgeBench: Unveiling Scaling Laws of Learning from Real-⁠World Environments arxiv cs.CL
  74. A Function-⁠Space Dichotomy for Compositional Learning: Exponential Sub-⁠Optimality of the Neural Tangent Kernel arxiv cs.LG
  75. Quantitative Gaussian-⁠Process limits of Tensor Programs arxiv cs.LG
  76. Score Accuracy Along the Forward Diffusion Does Not Certify Numerical Stability in Diffusion Sampling arxiv cs.LG
  77. Score Accuracy Along the Forward Diffusion Does Not Certify Numerical Stability in Diffusion Sampling arxiv cs.LG
  78. The Key to Going Linear: Analysis-⁠Driven Transformer Linearization arxiv cs.LG
  79. FourierQK: Spectral Preprocessing of Query-⁠Key Projections Improves Transformer Attention arxiv cs.CL