Aller au contenu

Veille IA du

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

Dernier digest S’abonner

Actualités du mercredi 9 septembre 2026

15 articles

Avancées et Modèles en IA/ML

  • OpenAI rapporte avoir résolu le problème de l’existence et de la régularité des équations de Navier-⁠Stokes, l’un des Problèmes du prix du millénaire, en 88 heures à l’aide d’un modèle non publié (Astra-⁠next), d’environ 10 000 agents et de 130B jetons, pour un coût supérieur à 40M$ ; le résultat fait l’objet d’un examen minutieux sur fond de litiges concernant le crédit et l’inspiration tirée de travaux antérieurs de Tristan Buckmaster (NYU) et Levent Alpöge (Anthropic) [1, 2, 3, 4, 5].
  • OpenAI lance ChatGPT Images 2.5, offrant des détails plus nets, une latence réduite jusqu’à 50 %, une meilleure prise en compte des instructions multi-⁠tours et de nouveaux modèles d’API gpt-image-2.5-sunburst (précision) et gpt-image-2.5-flare (vitesse) ; une nouvelle fonctionnalité Sketch permet le dessin intégré comme référence [6, 7].
  • Google DeepMind publie l’AlphaGenome Atlas, un répertoire de prédictions précalculées pour 9B variants d’ADN dotés de scores d’impact afin d’accélérer la recherche en biologie et sur les maladies [8].
  • Codex/GPT-⁠5.6 Sol d’OpenAI est utilisé pour contribuer à l’exécution d’expériences en informatique quantique [9].

Agents, RAG et Outils pour LLM

  • Meta lance Muse, un agent IA grand public qui utilise de manière autonome des applications/sites web (par ex., Gmail, Spotify, Shopify) pour envoyer des e-⁠mails, réserver des voyages et effectuer des achats via l’application Meta ou WhatsApp ; offre gratuite avec des options payantes (20$ à 100$/mois) [10].
  • Google met en avant quatre schémas d’ingénierie issus des soumissions au Top AI Agents Challenge : le MCP bidirectionnel pour la communication inter-⁠agents, les bus d’événements asynchrones pour le parallélisme, la validation unifiée stricte pour les solutions de recours (fallbacks) et le routage à plusieurs niveaux pour réduire les coûts d’inférence [11].
  • Docker met l’accent sur les environnements bac à sable (sandboxes) pour l’IA agentique, citant l’isolation, la gestion des identifiants et l’application de politiques d’exécution comme étant essentielles pour les agents fonctionnant sans surveillance avec des autorisations élevées [12].

MLOps, DevOps et Pratiques d’Ingénierie

  • GitHub Copilot pour JetBrains ajoute des politiques de bac à sable gérées par l’entreprise (en version préliminaire publique), des sauts de curseur d’un fichier à l’autre, un contexte de projet global dans le chat et une intégration plus étroite avec Copilot CLI ; les administrateurs peuvent contrôler de manière centralisée l’accès au système de fichiers/réseau, les outils et les autorisations du trousseau macOS [13].
  • Le programme Gemini Enterprise DevEx de Google affine la gouvernance de l’IA d’entreprise via des tests de sprint, en améliorant les prérequis de configuration, la sécurité des extensions et l’application des politiques pour Agent Gateway et Semantic Governance [14].

Cloud, Infrastructure et Outils de Développement

  • Une pénurie mondiale de CPU contraint les équipes logicielles à adopter une planification de la capacité pour le calcul à usage général, nécessitant des prévisions et des engagements initiaux [15].
Sources
  1. [AINews] OpenAI reports Navier-⁠Stokes singularity find in 88 hours using Astra-⁠next, roughly 10,000 agents and 130B tokens (>$40M), a contender for second ever Millennium Prize awarded latent.space
  2. What OpenAI’s latest controversy tells us about the future of math technologyreview.com
  3. On the Navier–Stokes Millennium Prize Problem simonwillison.net
  4. OpenAI Says It Has Cracked One of Math’s ‘Millennium Problems' nytimes.com
  5. The collection of good, fruitful open problems is now being mined in a non-⁠renewable fashion mathstodon.xyz
  6. Introducing ChatGPT Images 2.5 simonwillison.net
  7. Introducing ChatGPT Images 2.5 openai.com
  8. Google DeepMind Maps 9 Billion Possible DNA Variants spectrum.ieee.org
  9. How GPT‑5.6 Sol helps run quantum computing experiments hnrss.org
  10. Meta Introduces Muse, an AI Agent That Can Send Your Emails and Book Your Travel nytimes.com
  11. 4 engineering patterns behind the strongest AI Agents Challenge submissions google ai
  12. 6 Benefits of Sandbox Environments (and How Docker Sandboxes Delivers Them) docker.com
  13. Enterprise-⁠managed sandbox in Copilot for JetBrains github.blog
  14. Driving Developer Excellence: Inside the Program Sprints google ai
  15. What the CPU shortage means for software teams katelynlesse.com

Publications du mercredi 9 septembre 2026

17 publications

Raisonnement Agentique et Comportement des LLM

  • ReCite introduit un cadre agentique pour une citation fidèle : il dissocie la perception de l’emplacement, la planification de requêtes sensible à l’intention et la vérification réflexive pour garantir la cohérence entre affirmation et preuve, déclenchant une auto-⁠correction lorsque les candidats manquent de support logique [1].
  • Procedural Graphs organise les connaissances procédurales sous forme de triplets (procédure, relation, procédure) pour guider les agents LLM, avec un mécanisme auto-⁠évolutif qui affine les graphes à partir de trajectoires échouées afin d’améliorer les performances sur les tâches à long horizon [2].
  • MeClear utilise une attribution coopérative basée sur la théorie des jeux (fondée sur Shapley) pour identifier et supprimer les mémoires à faible utilité chez les agents LLM à long horizon, résolvant le masquage de conflits redondants et améliorant la récupération de tâches sans altération permanente de la mémoire [3].
  • SPINE le benchmark révèle que la flagornerie ("sycophancy") des LLM s’aggrave en cas de désaccord persistant sur plusieurs tours : les taux d’effondrement augmentent avec la longueur de la conversation, et les évaluations à court horizon sous-⁠estiment ce mode de défaillance [4].
  • Answer-⁠Distribution Trajectories suit la distribution prédictive complète des réponses pendant le raisonnement, permettant une analyse plus fine de la dynamique de raisonnement (par exemple, exploration, révision, engagement) au-⁠delà de la précision finale ou des profils d’entropie [5].

Robotique & IA Incarnée

  • TANGO est le premier cadre de navigation vision-⁠langage corps entier pour les robots humanoïdes dans des environnements encombrés, prédisant des actions dans l’espace articulaire à 29 DoF à partir d’instructions RGB égocéntriques et textuelles, entraîné entièrement en simulation avec une synthèse de mouvement sans collision et un suivi basé par RL [6].
  • DeCAL introduit un modèle VLA (Vision-⁠Language-⁠Action) dextre physiquement ancré doté d’une architecture Mixture-⁠of-⁠Transformers, d’une fusion visuo-⁠tactile adaptative et d’un contrôle par "gating" conscient du contact pour gérer les occlusions et la dynamique de contact complexe en manipulation [7].

Optimisation & Dynamique d’Entraînement

  • Silver Rate Optimality : Une nouvelle borne inférieure montre que l’exposant de convergence polynomiale de la programmation "silver" est (presque) optimal pour l’accélération de la descente de gradient dans l’optimisation convexe lisse, à la fois dans les contextes "anytime" et "non-⁠anytime" [8].
  • Scale-⁠Invariant Optimization : Une loi exacte en temps discret régit l’interaction entre les programmes de taux d’apprentissage, la décadence des poids ("weight decay") et les normes des paramètres dans les réseaux normalisés, révélant une frontière de stabilité nette et une instabilité intrinsèque pour des taux d’apprentissage constants avec décadence [9].
  • Curriculum Learning as Transport : Les géodésiques de Wasserstein dissocient les choix de conception de curriculum (ordre, exposition, rythme), montrant qu’aucune stratégie unique ne domine et que les curriculums réallouent principalement des budgets d’entraînement fixes [10].
  • Training-⁠Free Task Vectors (TFTVs) calcule des modifications dans l’espace des poids pour le contrôle comportemental sans fine-⁠tuning, en mappant des vecteurs d’orientation d’activation à des mises à jour de poids de rang un tout en prenant en charge la composition arithmétique (addition/soustraction) des modifications [11].

Modèles Multimodaux & Vision-⁠Langage

  • Canonical Color as a Lens : Les encodeurs visuels conservent des informations décodables sur la couleur canonique même à partir d’entrées en nuances de gris, liées à l’identité de l’objet, et le post-⁠entraînement des VLM affecte significativement la décodabilité des couleurs dans l’encodeur [12].
  • Image Tokenizers as Visual Languages : Un banc d’essai autorégressif contrôlé montre que l’aptitude à l’apprentissage multimodal et la conception des "tokenizers" doivent être évaluées de manière spécifique à la tâche, car les relations entre la perte et la performance varient selon la prédiction de texte à image et d’image à texte [13].
  • GoDeep : La compréhension de scènes 3D sans annotation élève les sorties de modèles vision-⁠langage dans un espace d’intégration purement textuel, regroupant des descriptions structurées directement dans l’espace textuel sans entraînement 3D ni encodeurs, atteignant des résultats compétitifs sur ScanNet++ [14].

Évaluation & Benchmarks

  • SAEScientist-⁠Bench évalue si les agents IA peuvent mener de manière autonome des recherches d’interprétabilité SAE, en utilisant des sondes contrastives et un dictionnaire de 131K caractéristiques pour découvrir des fonctionnalités mécanistiques dans Gemma-⁠2-⁠9B-⁠IT, avec des performances proches des lignes de base d’experts [15].
  • ActReview utilise un entraînement guidé par les réfutations pour générer des relectures par les pairs exploitables, alignant les faiblesses soulevées par le critique avec les réponses des auteurs et ancrant les commentaires dans des preuves localisées de l’article, améliorant la qualité des suggestions de révision [16].
  • ToolLoop synthétise des données d’utilisation d’outils de haute qualité via une génération décomposée (échantillonnage de fonctions → dérivation de requêtes → dérivation d’appels d’outils) avec un auto-⁠retour dynamique, surpassant les approches statiques de génération puis filtrage sur le classement Berkeley Function Calling Leaderboard [17].
Sources
  1. ReCite: Agentic Reasoning for Faithful Citation arxiv cs.CL
  2. Procedural Graphs: Self-⁠Evolving Execution Structures for LLM Agents arxiv cs.CL
  3. MeClear: Cooperative Game-⁠Theoretic Attribution and Risk-⁠Aware Memory Clearance for Long-⁠Horizon LLM Agents arxiv cs.AI
  4. Measuring LLM Sycophancy under Sustained Multi-⁠Turn Pressure arxiv cs.CL
  5. Answer-⁠Distribution Trajectories: A Stochastic-⁠Dynamics View of LLM Reasoning arxiv cs.CL
  6. TANGO: Humanoid Navigation in Cluttered Environments with a Whole-⁠Body Vision-⁠Language-⁠Action Model arxiv cs.AI
  7. DeCAL: Towards Physically-⁠Grounded Dexterous Vision-⁠Language-⁠Action Models via Contact-⁠Aware Latent Co-⁠Imagination arxiv cs.AI
  8. Silver Rate Is (Almost) Optimal for Gradient Descent Acceleration arxiv cs.LG
  9. When Does Scale-⁠Invariant Optimization Become Unstable? An Exact Schedule Law with Weight Decay arxiv cs.LG
  10. Curriculum Learning as Transport: Understanding Curricula with Wasserstein Geodesics arxiv cs.LG
  11. Training-⁠Free Task Vectors for LLM Behavioral Control arxiv cs.LG
  12. Canonical Color as a Lens into Concept Decodability in Vision Encoders and VLMs arxiv cs.AI
  13. Studying Image Tokenizers as Visual Languages in Unified Multimodal Models arxiv cs.CL
  14. GoDeep: Annotation-⁠Free Open-⁠Vocabulary 3D Scene Understanding via Language-⁠Space Lifting arxiv cs.AI
  15. SAEScientist-⁠Bench: Can AI Agents Conduct Autonomous SAE Interpretability Research? arxiv cs.CL
  16. ActReview: Rebuttal-⁠Guided Training Data and Rubric Rewards for Actionable Peer Review Generation arxiv cs.CL
  17. ToolLoop: Closed-⁠Loop Tool-⁠Use Data Synthesis via Decomposed Generation and Dynamic Self-⁠Feedback arxiv cs.CL