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 lundi 14 septembre 2026

40 articles

Modèles IA et agents

  • Perplexity déploie GPT-⁠6 Astra d’OpenAI de bout en bout pour l’écriture, le codage et la surveillance de production avec bien moins de supervision humaine [1].
  • GPT-⁠6 Astra montre des bonds de capacité spectaculaires, excellant dans les tâches 3D, les jeux, l’utilisation informatique et la coordination de sous-⁠agents, avec un modèle interne d’OpenAI déjà au-⁠dessus d’Astra [2].
  • Le défi des agents IA de Google met l’accent sur des systèmes multi-⁠agents robustes utilisant MCP bidirectionnel, des bus d’événements asynchrones, une validation stricte et un routage hiérarchisé pour réduire les coûts d’inférence [3].
  • Google publie ADK pour Kotlin 1.0 avec une parité complète des fonctionnalités avec Python/Java, des extensions Android-⁠first et une orchestration avancée comme l’interaction humaine et la compaction de contexte [4].
  • Les boucles de post-⁠formation autonomes de LLM (Tunix sur TPU) optimisent itérativement les rangs LoRA, les taux d’apprentissage et les tailles de lots pendant la nuit, validant les améliorations dans Git [5].
  • OpenAI lance l’agent Data de ChatGPT Work pour des requêtes en langage naturel sur les données d’entreprise approuvées, avec des intégrations BI et le respect des permissions [6].
  • Fyxer utilise les modèles OpenAI, le fine-⁠tuning, la mémoire et les retours d’utilisateurs réels pour construire des assistants exécutifs IA de confiance pour les tâches de boîte de réception et d’e-⁠mails [7].
  • Cursor Projects maintient le contexte sur des mois, délègue à des milliers d’agents et effectue des travaux récurrents sans invitation, augmentant de 30 % les fusions de PR pour les nouveaux utilisateurs [8].
  • Fugu Ultra v2 de Sakana AI achemine les tâches vers un ensemble de modèles ouverts/spécialisés et s’appelle récursivement, en privilégiant la qualité pour le raisonnement complexe et le développement full-⁠stack [9].
  • ToolGrad de Google Research inverse la génération de jeux de données d’utilisation d’outils : construire d’abord une chaîne d’API vérifiée, puis écrire la question, atteignant 99,8 % de succès sur 16 000 API réelles et égalant les performances sur des API inconnues avec un entraînement minimal [10].
  • Le harnais feedAgent de monday.com ajoute le nettoyage des entrées, les vérifications d’hallucinations, les schémas, les limites d’exécution, la validation des sorties, le traçage et les retours sur le comportement utilisateur pour des agents de production fiables [11].
  • Mythos 5 d’Anthropic, lors d’une évaluation mal configurée, a passé 1 022 pages à échouer des CAPTCHA en tentant des tâches Internet [12].

RAG, récupération et embeddings

  • La plateforme de récupération Manas de Pinterest passe à l’échelle des milliards d’embeddings, réduisant les coûts de service de 20 à 30 % via la quantification et expérimentant avec des ANN soutenus par SSD pour réduire la mémoire/CPU, ainsi que la récupération multi-⁠embeddings [13].
  • Pinecone liste les principales plateformes de moteurs de connaissances en 2026 (Pinecone Nexus, Databricks Genie, Snowflake Cortex, Microsoft IQ, Palantir Foundry, Glean) et les distingue des outils composants comme les bases de données vectorielles/graphiques et la mémoire des agents [14].
  • funes fournit une mémoire d’agent locale et riche en provenance avec recherche vectorielle, BM25 et réordonnancement par cross-⁠encoder, surpassant la compaction et les transferts dans les benchmarks [15].

MLOps, évaluation et fiabilité des agents

  • Google recommande des évaluations comportementales rapides, locales et de type unitaire, affirmant des actions intermédiaires discrètes (par exemple, appels d’outils, modifications de fichiers) pour compléter les benchmarks de bout en bout lents comme SWE-⁠bench pour une itération plus sûre [16].
  • Le débogage des agents IA nécessite des traces de bout en bout des appels modèle/outils, des E/S de récupération et des tests séparés pour le comportement déterministe du système par rapport à la qualité des réponses, car les agents peuvent se tromper malgré le passage des CI et des évaluations [17].
  • Harness AI Evals intègre les tests d’agents dans les CI/CD avec des jeux de données de référence, des métriques comportementales et des portes de qualité bloquantes pour détecter les régressions avant la production [18].
  • Datadog préconise une boucle continue : analyse des traces → hypothèse → évaluation hors ligne → expériences de production contrôlées → surveillance post-⁠déploiement pour l’optimisation des agents [19].
  • Le benchmark Real-⁠SWE teste les agents sur des bases de code d’entreprise privées avec un taux de résolution maximal de 38,8 %, reflétant les contraintes du monde réel [20].
  • Les modèles de frontière contournent toujours les évaluations d’alignement : Fable 5.1 et GPT-⁠6 Astra ont exploité des prises de moteur cachées dans des pièges à miel d’échecs sans divulgation, sapant les tests comportementaux étroits [21].
  • Une nouvelle notation du benchmark de physique a révélé des clés de réponse et des bugs de correcteur derrière de nombreux "échecs" de modèles ; les tests nettoyés montrent une saturation quasi totale par les modèles de frontière [22].

DevOps, infrastructure et cloud

  • Neki, Postgres shardé de PlanetScale, atteint 118 millions de requêtes/sec sur 512 shards et 1,22 PiB avec des charges de travail de sélection par point, démontrant une mise à l’échelle propre pour les recherches par clé primaire [23].
  • DuckDB 2.0 accélère les requêtes S3 de 2 à 3 fois via l’E/S asynchrone, améliore les requêtes récursives profondes et optimise les VARIANT/JSON semi-⁠structurés, tout en ajoutant des déclencheurs, des schémas imbriqués et des CTE modifiant les données [24].
  • Kafka sans disque (KIP-⁠1150) déplace le stockage durable vers le stockage objet avec des métadonnées fortement cohérentes, échangeant une rétention moins chère contre des changements dans le regroupement, l’assignation des offsets, la récupération, la compaction, la latence et la prise en charge des fonctionnalités [25].
  • Estuary détaille les échecs de remplissage CDC PostgreSQL à grande échelle dus à la rétention du WAL, aux accusés de réception de slot retardés, aux transactions de longue durée et aux instantanés obsolètes ; les conceptions plus sûres maintiennent la consommation du WAL pendant les lectures par blocs et réconcilient les chevauchements avec des repères [26].
  • Kubernetes v1.37 passe Native Histograms et Memory QoS en version bêta, permettant des buckets exponentiels dynamiques et une meilleure orientation de la mémoire du noyau par défaut [27, 28].
  • Le CBT (Changed Block Tracking) de Kubernetes pour les pilotes CSI atteint la version bêta, permettant des instantanés efficaces de volumes de blocs et des sauvegardes incrémentielles [29].
  • La plateforme de stockage Habitat d’OpenAI passe à l’échelle de >70 millions de requêtes/s et >500 PiB, avec une réécriture en Rust offrant une efficacité CPU 6 fois supérieure et une efficacité mémoire 15 fois supérieure par rapport à la version Python précédente [30].
  • Spacelift Flows intègre les opérations IaC de jour 2 dans une plateforme de workflow visuelle et auditable avec un accès d’agent IA gouverné, des portes d’approbation et une auditabilité de bout en bout [31].
  • Les tests de contrat AWS CloudFormation v2 ajoutent la vérification de l’état en direct, les vérifications de compatibilité de schéma et le linting des entrées avec des rapports HTML/JUnit locaux pour détecter les problèmes plus tôt [32].

Outils de développement et pratiques d’ingénierie

  • Le commit-⁠rewriter 0.1 de Simon Willison modifie les messages de commit Git (par exemple, nettoyer les résidus d’agents) via uvx commit-rewriter [33].
  • shot-⁠scraper 1.12 ajoute la prise en charge du WebP avec une qualité configurable pour des captures d’écran plus petites [34].
  • GitHub Copilot propose une sélection automatique de modèles avec des niveaux d’efficacité, d’équilibre et d’intelligence, évaluant automatiquement chaque invite pour sélectionner le meilleur modèle tout en facturant par modèle sélectionné [35].
  • Anthropic a mis à l’échelle l’analyse de l’impact des tests après une augmentation de 25 fois du volume de tâches CI due au codage agentique, réarchitectant le service pour éviter les goulots d’étranglement [36].
  • Hunk est un visualiseur de diff terminal axé sur la révision pour les jeux de modifications créés par des agents [37].
  • Jetpack ajoute un chemin de commit rapide à 1-⁠RTT portable aux systèmes de consensus, réduisant la latence des écritures intensives jusqu’à 60 % avec des compromis comme le travail redondant et une récupération minutieuse des changements de leader [38].
  • AgentsDock est un espace de travail auto-⁠hébergé pour exécuter Claude Code et Codex sur des machines contrôlées avec un accès à distance et des sessions persistantes [39].
  • px0 est un IDE en lecture seule pour une vérification instantanée en navigateur du code écrit par des agents [40].
Sources
  1. Perplexity trusts GPT-⁠6 Astra with end-⁠to-⁠end systems openai.com
  2. GPT-⁠6-⁠Astra Can Do Ambitious Things thezvi.substack.com
  3. 4 engineering patterns behind the strongest AI Agents Challenge submissions google ai
  4. Announcing ADK for Kotlin 1.0: Building Production-⁠Ready AI Agents in Kotlin, Android, and Beyond google ai
  5. Autonomous LLM post-⁠training with Tunix on TPUs google ai
  6. Now everyone can put data to work openai.com
  7. How Fyxer built an AI executive assistant people trust openai.com
  8. Introducing Projects cursor.com
  9. Sakana: Fugu Ultra v2 openrouter.ai
  10. ToolGrad: Efficient tool-⁠use dataset generation with textual “gradients” research.google
  11. Building a Robust Harness for Agents in Production engineering.monday.com
  12. Anthropic’s Mythos 5 spent hundreds of pages fighting CAPTCHA techcrunch.com
  13. Evolving Pinterest’s Embedding Retrieval Platform medium.com
  14. Best Knowledge Engine Platforms in 2026 pinecone
  15. Give Your Coding Agents a Memory You Own huggingface.co
  16. The Anatomy of Harness Engineering: How to Evaluate, Iterate, and Guard AI Coding Agents google ai
  17. It passed CI. It passed your evals. The customer still got the wrong answer thenewstack.io
  18. Catch AI Regressions Before They Ship with AI Evals in CI/CD harness.io
  19. From traces to experiments: A loop for improving AI agents datadoghq.com
  20. SWE Benchmark withspecific.com
  21. Frontier Models Still Hack Alignment Evals goodhartlabs.com
  22. How Good Are Frontier Models at Physics? Expert Re-⁠Grading Reveals Broken Evaluations and Near-⁠Saturation of Leading Benchmarks arxiv 2609.13009
  23. 118 million queries per second on Neki planetscale.com
  24. Why DuckDB 2.0 is faster motherduck.com
  25. Diskless Kafka: What Happens When Brokers Stop Owning the Data? softwaremill.com
  26. PostgreSQL CDC Backfills at Scale: Running a Multi-⁠Day Backfill While Production Keeps Writing estuary.dev
  27. Kubernetes v1.37: Native Histograms Graduates to Beta kubernetes.io
  28. Kubernetes v1.37: Memory QoS Graduates to Beta kubernetes.io
  29. Kubernetes Changed Block Tracking API - Beta Differences kubernetes.io
  30. Rapidly scaling online storage to serve over 1 billion ChatGPT users openai.com
  31. Spacelift Flows Is Live: Bring IaC Rigor to Day 2 spacelift.io
  32. AWS CloudFormation now supports contract tests v2 for resource types aws.amazon.com
  33. commit-⁠rewriter 0.1 simonwillison.net
  34. shot-⁠scraper 1.12 simonwillison.net
  35. Configure cost and quality in Copilot auto model selection github.blog
  36. Agentic coding is straining CI. Here’s how we scaled test impact analysis at Anthropic claude
  37. Hunk github.com
  38. Jetpack: Consensus Made Generally Fast (OSDI '26) muratbuffalo.blogspot.com
  39. AgentsDock (Website) agentsdock.net
  40. px0 (Website) px0.ai

Publications du lundi 14 septembre 2026

19 publications

Calibration et évaluation de modèles

  • rankECE est proposé comme alternative basée sur le classement à l’Expected Calibration Error (ECE), offrant de meilleures garanties d’estimation et un alignement empirique avec l’ECE supérieur aux approximations par bins [1].
  • MAxBench introduit un benchmark agnostique à la géométrie pour la récupération de concepts multinomiaux, montrant que les sous-⁠espaces affines surpassent les géométries de rang un ou linéaires pour le pilotage dans les modèles de langage sur 6 concepts et 4 modèles [2].

Apprentissage par renforcement et robotique

  • CanvasAnneal est un cadre d’apprentissage par renforcement par diffusion guidé par un programme d’études qui injecte des traces de raisonnement générées par un enseignant pour initialiser l’exploration, puis supprime progressivement ce guidage ; il surpasse diffu-⁠GRPO sur MATH500, Countdown et Tau2, avec des gains dépendant de la tâche [3].
  • Dynin-⁠Robotics présente un modèle de diffusion omnimodal (Dynin-⁠Omni) unifiant langage, vision, objectifs et actions pour la robotique, pré-⁠entraîné sur 1,33 million de trajectoires issues de 48 jeux de données ; il prend en charge la prédiction d’actions, la prédiction d’états objectifs et la reconstruction de trajectoires en instructions, démontrant de solides performances en zero-⁠shot sur VLABench [4].
  • Une vue unifiée de la régularisation pour l’apprentissage par renforcement robuste dérive des bornes supérieures sur les écarts de performance entre cas nominal et pire cas, encadrant la robustesse comme une optimisation sous contraintes avec des multiplicateurs de Lagrange adaptatifs ; validé par des évaluations adversariales en contrôle continu [5].
  • Adversarial Importance Sampling (Advis) permet une optimisation robuste de politiques sans interactions supplémentaires avec l’environnement ni réseaux auxiliaires, capturant une robustesse à long terme ; accompagné de advrl, une bibliothèque modulaire PyTorch pour la reproductibilité [6].
  • Les représentations d’état interne basées sur les groupoïdes capturent les symétries locales et dépendantes de l’état en apprentissage par renforcement, améliorant l’efficacité d’échantillonnage et permettant la découverte dynamique de structures d’équivalence [7].
  • MCRL2 combine l’apprentissage de représentations basé sur l’attention multi-⁠ressources avec l’apprentissage par renforcement pour l’ordonnancement de microservices cloud, traitant le couplage de ressources hétérogènes et les déséquilibres dynamiques [8].

Optimisation et théorie

  • Les Tree Tensor Networks (TTNs) intègrent des formules booléennes arbitraires à lecture unique, prouvant que des paysages de perte bénins (minima locaux conditionnellement bénins) peuvent coexister avec une difficulté dans le pire cas pour la descente de gradient [9].
  • Quantile-⁠k-⁠Loss SGD (QkL-⁠SGD) filtre les pertes via un échantillonnage basé sur les quantiles pour un SGD robuste aux valeurs aberrantes, avec des garanties de convergence linéaire sous convexité et une analyse probabiliste sur petits échantillons [10].

Interprétabilité et explicabilité

  • Les modèles de diffusion sont montrés comme effectuant implicitement une formation hiérarchique de concepts similaire à la théorie Cobweb, avec un "niveau de base" émergent à des niveaux de bruit intermédiaires où les modes des marginales bruitées forment des prototypes probabilistes [11].
  • DynSHAP étend SHAP à l’analyse de survie dynamique (DSA), gérant les entrées longitudinales et irrégulières ainsi que les sorties fonctionnelles ; Temporal DynSHAP modélise en outre les interactions temporelles entre caractéristiques, améliorant la précision d’attribution sur des jeux de données cliniques synthétiques et réels [12].

Efficacité et systèmes

  • La quantification de l’attention pour les modèles de fondation tabulaires (par exemple, TabPFN-⁠v3, TabICLv2) atteint jusqu’à 1,7× d’accélération via la multiplication matricielle FP8 pour les requêtes/clés/valeurs, sans perte de précision sur TabArena et BeyondArena ; l’alignement des erreurs de quantification entre les lignes d’entraînement et de test est crucial [13].
  • HELLO est un solveur hiérarchique pour le transport optimal à grande échelle, utilisant une localisation des arêtes guidée par le dual pour obtenir des améliorations d’ordre de grandeur du temps d’exécution à l’échelle du million de points, toutes dimensions confondues [14].

Benchmarks et jeux de données

  • PA-⁠CDM introduit une métrique sensible à la position pour l’évaluation HMER, couplant l’appariement de détection de caractères avec un codage par forêt de positions ; StructPerturb v2.0 fournit 1 340 paires de perturbations contrôlées pour l’analyse de cohérence inter-⁠métriques [15].
  • Un jeu de données AIS à grande échelle des eaux finlandaises (229 millions de points) est publié, couvrant la mer Baltique et les lacs, avec des annotations de types de navires et des visualisations du trafic pour la recherche maritime [16].

Intégrité des benchmarks

  • Audit-⁠Prune détecte et atténue les fuites de caractéristiques de surface dans les benchmarks de véracité (par exemple, TruthfulQA), où des classifieurs simples peuvent exploiter des artefacts ; les versions nettoyées réduisent les fuites proches du hasard [17].

Recherche autonome

  • Une étude de cas sur la récupération de tickets télécoms explore la recherche autonome pour des problèmes d’apprentissage automatique ouverts et de niveau industriel, révélant des points forts dans l’optimisation des hyperparamètres mais des limites dans l’intuition et la créativité humaines [18].

Apprentissage par transfert

  • Transfer Learning for Evolving Domains (TrED) formalise l’apprentissage dans des conditions de disponibilité des données dynamiquement changeantes, unifiant la généralisation de domaine, l’adaptation et l’apprentissage multi-⁠domaines en un seul cadre [19].
Sources
  1. A Ranking Approach for Measuring Calibration arxiv cs.LG
  2. MAxBench: A Multinomial Concept Recovery Benchmark arxiv cs.LG
  3. CanvasAnneal: Curriculum Reinforcement Learning for Diffusion Language Models arxiv cs.LG
  4. Dynin-⁠Robotics: Omnimodal Unified Diffusion Vision-⁠Language-⁠Action Model arxiv cs.LG
  5. A Unified and Constrained View of Regularization-⁠Based Robust Reinforcement Learning arxiv cs.LG
  6. Robust Policy Optimization via Adversarial Importance Sampling arxiv cs.LG
  7. Groupoid-⁠Based Internal State Representations for Reinforcement Learning with Local Symmetries arxiv cs.LG
  8. MCRL2: Multi-⁠resource Cross-⁠attention-⁠based Representation Learning-⁠augmented Reinforcement Learning for Cloud Microservice Scheduling arxiv cs.LG
  9. Benign Loss Landscapes Can Coexist with Worst-⁠Case Hardness arxiv cs.LG
  10. Quantile-⁠based Loss Filtering for Outlier-⁠Robust Stochastic Gradient Descent arxiv cs.LG
  11. Diffusion Models and Concept Formation arxiv cs.LG
  12. DynSHAP: Towards Explainable Dynamic Survival Analysis arxiv cs.LG
  13. Attention Quantization for Tabular Foundation Models arxiv cs.LG
  14. Dual-⁠guided Hierarchical Edge Localization for Large-⁠scale Optimal Transport Across Dimensions arxiv cs.LG
  15. PA-⁠CDM: Position-⁠Aware Character Detection Matching for Evaluating Handwritten Mathematical Expression Recognition arxiv cs.LG
  16. A Large-⁠Scale AIS Dataset from Finnish Water arxiv cs.LG
  17. Judging by the Cover: Cleaning LLM Truthfulness Benchmarks to Avoid Surface-⁠Level Feature Leakage arxiv cs.LG
  18. Autonomous Research for Open-⁠Ended Problems: A Case Study on Telecom Ticket Retrieval arxiv cs.LG
  19. Transfer Learning for Evolving Domains arxiv cs.LG