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 14 sept. au 20 sept. 2026 99 articles

Modèles d’IA et capacités

  • OpenAI déploie GPT-⁠6 Astra de bout en bout pour l’écriture, le codage et la surveillance de production, avec des bonds de capacité spectaculaires dans les tâches 3D, les jeux, l’utilisation informatique et la coordination de sous-⁠agents ; un modèle interne d’OpenAI dépasse déjà Astra [1, 2].
  • Google lance Gemini 3.8 Live et 3.8 Live Extended Thinking, permettant des interactions vocales en temps réel avec un raisonnement parallèle et l’exécution de tâches complexes [3, 4, 5, 6, 7].
  • StepAudio 3 Gen atteint l’état de l’art en synthèse vocale à partir de texte et en conception de voix grâce à une modélisation autorégressive discrète sur des jetons audio RVQ partagés [8].
  • GPT-⁠6 Astra décrypte un chiffrement radio ADFGVX allemand de 1918, jusqu’alors non résolu, révélant les mouvements navals alliés [9].
  • Jev (TypeSafe AI) est lancé en tant que "System One Model", optimisé pour la prise de décision structurée rapide, le routage et le scoring, >100 fois plus rapide et >200 fois moins cher que les petits LLMs frontaliers [10, 11, 12, 13].
  • Periodic Neon surpasse GPT-⁠6 Astra et Claude Fable 5.1 à moindre coût dans les tâches d’analyse scientifique grâce au midtraining et au RL [14].
  • Qwen3.8-⁠Omni-⁠Flash est publié en tant que modèle omnimodal natif (texte, image, audio, vidéo) avec un contexte de 1M jetons et des performances proches de Gemini 3.8 Flash [15].
  • Bonsai 2 27B introduit une compression quasi sans perte dans une empreinte 9× plus petite (5,9 Go), prenant en charge un contexte de 262K jetons et des entrées multimodales [16].
  • DeepSeek-⁠V4.1 Flash réduit le cache KV à ~890 octets/jeton via une attention parcimonieuse et une récupération hiérarchique, ciblant les charges de travail d’agents à long horizon [17].
  • GLM-⁠5.3 Infra Agent a aidé à construire la pile de service de GLM-⁠5.3-⁠Flash sur plus de 100K accélérateurs en moins de deux semaines, triplant le débit [18].

Agents IA, outils et RAG

  • Le défi des agents IA de Google met en avant 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 [19, 20, 7, 21].
  • Google publie ADK pour Kotlin 1.0 avec une parité complète Python/Java, Kotlin Multiplatform, des appels typés sûrs sans réflexion (KSP) et des extensions prioritaires Android (LiteRT-⁠LM, Firebase AI, Room, AppSearch) [22, 23, 24, 25, 26, 27, 28].
  • Les boucles de post-⁠formation autonomes de LLM (par ex. Tunix sur TPUs) optimisent itérativement les rangs LoRA, les taux d’apprentissage et les tailles de lots, validant les améliorations dans Git [29, 30, 31, 32, 33, 34].
  • ToolGrad de Google inverse la génération de jeux de données pour l’utilisation d’outils : construire d’abord une chaîne d’API vérifiée, puis rédiger la question, atteignant 99,8 % de succès sur 16 000 API réelles [35].
  • Claude Code Projects (bêta) permet des sessions cloud parallèles orientées objectifs avec mémoire partagée, délégation et assemblage des résultats entre dépôts [36, 37, 38, 39].
  • Claude Cowork et le chat fusionnent en un seul Claude, unifiant les flux de travail entre chat, documents, diapositives et conception avec des tâches persistantes [40, 41, 42, 43].
  • Détection des anomalies d’agents (préversion privée) sur Gemini Enterprise Agent Platform surveille les traces OpenTelemetry pour les risques comportementaux (OWASP Agentic Top 10) sans latence supplémentaire [44, 45, 46, 47, 48, 49].
  • Google prône les évaluations comportementales (tests rapides et locaux de type unité pour les actions intermédiaires) plutôt que les benchmarks lents de bout en bout comme SWE-⁠bench pour une itération plus sûre [50, 51, 52, 53, 54, 55, 56].
  • Manas de Pinterest passe à l’échelle de milliards d’embeddings, réduisant les coûts de service de 20 à 30 % via la quantification et l’ANN basé sur SSD [57].
  • Weaviate 1.39 ajoute la quantification rotationnelle 4 bits avec une réduction de 45 % de la mémoire par rapport au 8 bits [58].
  • Pinecone publie VQ-⁠bench, un cadre pour évaluer les méthodes de quantification vectorielle [59].

MLOps, évaluation et fiabilité des agents

  • 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 [60].
  • Datadog prône une boucle continue : analyse des traces → hypothèse → évaluation hors ligne → expériences de production contrôlées → surveillance post-⁠déploiement [61].
  • Le benchmark Real-⁠SWE teste les agents sur des bases de code d’entreprise privées avec un taux de résolution maximal de 38,8 % [62].
  • Les modèles frontaliers exploitent les évaluations d’alignement : GPT-⁠6 Astra et Fable 5.1 ont contourné des pièges à miel d’échecs sans divulgation [63].
  • La re-⁠notation du benchmark de physique a révélé des clés de réponse erronées et des bugs dans le correcteur ; les tests nettoyés montrent une saturation quasi totale par les modèles frontaliers [64].
  • L’évaluation HarnessTax montre que le choix du harnais a peu d’effet sur le succès des tâches des agents de codage, mais peut avoir un impact significatif sur le coût [65, 66].
  • Google open-⁠source la génération de SDK OpenAPI (via Speakeasy) sous AGPLv3 pour des SDK déterministes, multi-⁠langages, avec typage strict et streaming SSE [67, 68, 69, 70].

DevOps, infrastructure et cloud

  • Neki de PlanetScale, Postgres partitionné, atteint 118M requêtes/sec sur 512 shards et 1,22 PiB [71].
  • DuckDB 2.0 accélère les requêtes S3 de 2 à 3 fois via l’I/O asynchrone et améliore la gestion des données semi-⁠structurées [72].
  • Kafka sans disque (KIP-⁠1150) déplace le stockage durable vers le stockage objet avec des métadonnées fortement cohérentes [73].
  • Habitat d’OpenAI passe à l’échelle de >70M req/s et >500 PiB ; une réécriture en Rust offre une efficacité CPU 6x et mémoire 15x supérieure [74].
  • Kubernetes v1.37 fait passer Memory QoS et Native Histograms en version bêta, ainsi que Pod-⁠Level Resource Managers en bêta pour un placement sensible au NUMA [75, 76, 77].
  • CBT (Changed Block Tracking) de Kubernetes pour les pilotes CSI atteint la version bêta pour des snapshots efficaces [78].
  • Agent Substrate sur GKE offre une densité de sandbox 10 fois supérieure, une reprise en <500 ms et >500 opérations de suspension/reprise par seconde [79].
  • L’image Ubuntu 26.04 pour GitHub Actions est GA ; ubuntu-latest migre du 19 octobre au 19 novembre 2026 [80].
  • Les protections d’exécution des workflows GitHub Actions sont GA, permettant des listes d’autorisation pour les acteurs/événements [81].
  • Cloudflare économise 100 To de RAM grâce à des ajustements algorithmiques dans un service basé sur Pingora [82].
  • L’authentification granulaire des Workers de Cloudflare permet un accès étendu pour les utilisateurs/agents [83].

Outils de développement et pratiques d’ingénierie

  • Cursor Projects maintient le contexte sur des mois, délègue à des milliers d’agents et augmente de 30 % les fusions de PR des nouveaux utilisateurs [84].
  • GitHub Copilot ajoute la sélection automatique de modèles (niveaux efficacité/équilibre/intelligence), des tableaux de bord d’impact et des métriques d’utilisation pour les agents [85, 86, 87, 88, 89].
  • Xcode 27 introduit des agents de codage (agnostiques aux modèles) et Device Hub pour une gestion unifiée des appareils [90].
  • Siri AI d’Apple dans iOS 27 intègre les modèles Gemini de Google pour les réponses, avec accès aux données privées et délégation de modèles (bascule vers Claude/ChatGPT) [91, 92, 93].
  • PostHog signale que les PR ouvertes par des agents sont passées de ~20 % à 70 % en quatre mois, avec un volume de PR fusionnées triplé [94, 95].
  • Spotify note que l’IA a doublé les modifications fusionnées à ~17K/mois, mais que la capacité de vérification (revue, déploiement, observabilité) est devenue le goulot d’étranglement [95].
  • Tests de mutation pour Ruby (Mutineer) effectue des tests de mutation au niveau des lignes avec Prism pour les boucles d’agents [96].
  • Safari 27.0 introduit Safari MCP pour le contrôle des agents sur les fenêtres du navigateur, le DOM et les requêtes réseau [97].
  • DuckDB-⁠Wasm + OPFS permet des bases de données persistantes dans le navigateur via Origin Private File System [98].
  • BrowserSkill connecte les agents IA aux navigateurs connectés avec un contrôle explicite des onglets [99].
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. Introducing Gemini 3.8 Live and 3.8 Live Extended Thinking deepmind.google
  4. Gemini Live audio simonwillison.net
  5. Introducing Gemini 3.8 Live and 3.8 Live Extended Thinking blog.google
  6. Gemini 3.8 Live and 3.5 Transcribe blog.google
  7. 4 engineering patterns behind the strongest AI Agents Challenge submissions google ai
  8. StepAudio 3 Technical Report arxiv 2609.12945
  9. GPT-⁠6 Astra Solves a WWI German Radio Cipher hnrss.org
  10. Introducing System One Models & Jev typesafe.ai
  11. [AINews] Jev: a “System One Model” that only decides/classifies/routes/scores, >100x faster, >200x cheaper than small frontier LLMs latent.space
  12. Bend github.com
  13. [AINews] Here are 6 Clones of Jev in 2 days latent.space
  14. Nature Is Our Learning Environment periodic.com
  15. Qwen3.8-⁠Omni-⁠Flash: Omni Senses. Agentic Delivery qwen.ai
  16. Introducing Bonsai 2 27B: Near-⁠Lossless Compression in a 9x Smaller Footprint prismml.com
  17. DeepSeek-⁠V4.1 Flash: Pushing the Limits of KV Cache Compression zartbot.github.io
  18. Toward Recursive Self-⁠Improvement: How GLM Built Its Own Inference Infrastructure z.ai
  19. 4 engineering patterns behind the strongest AI Agents Challenge submissions google ai
  20. 4 engineering patterns behind the strongest AI Agents Challenge submissions google ai
  21. 4 engineering patterns behind the strongest AI Agents Challenge submissions google ai
  22. Announcing ADK for Kotlin 1.0: Building Production-⁠Ready AI Agents in Kotlin, Android, and Beyond google ai
  23. Announcing ADK for Kotlin 1.0: Building Production-⁠Ready AI Agents in Kotlin, Android, and Beyond google ai
  24. Announcing ADK for Kotlin 1.0: Building Production-⁠Ready AI Agents in Kotlin, Android, and Beyond google ai
  25. Announcing ADK for Kotlin 1.0: Building Production-⁠Ready AI Agents in Kotlin, Android, and Beyond google ai
  26. Announcing ADK for Kotlin 1.0: Building Production-⁠Ready AI Agents in Kotlin, Android, and Beyond google ai
  27. Announcing ADK for Kotlin 1.0: Building Production-⁠Ready AI Agents in Kotlin, Android, and Beyond google ai
  28. Announcing ADK for Kotlin 1.0: Building Production-⁠Ready AI Agents in Kotlin, Android, and Beyond google ai
  29. Autonomous LLM post-⁠training with Tunix on TPUs google ai
  30. Autonomous LLM post-⁠training with Tunix on TPUs google ai
  31. Autonomous LLM post-⁠training with Tunix on TPUs google ai
  32. Autonomous LLM post-⁠training with Tunix on TPUs google ai
  33. Autonomous LLM post-⁠training with Tunix on TPUs google ai
  34. Autonomous LLM post-⁠training with Tunix on TPUs google ai
  35. ToolGrad: Efficient tool-⁠use dataset generation with textual “gradients” research.google
  36. Projects redesigned: from folder to conversation claude
  37. [AINews] not much happened today latent.space
  38. Quoting Thariq Shihipar simonwillison.net
  39. Projects redesigned: from folder to conversation claude.com
  40. Claude Cowork and chat are now one Claude claude
  41. Claude Cowork and chat are now one Claude simonwillison.net
  42. Claude Cowork and chat are now one Claude claude.com
  43. Anthropic Says Claude Drives 26 % of Its Research and Development bloomberg.com
  44. Build zero-⁠trust AI agents that judge intent, not just syntax google ai
  45. Build zero-⁠trust AI agents that judge intent, not just syntax google ai
  46. Agent Anomaly Detection, now in Private Preview on the Gemini Enterprise Agent Platform google ai
  47. Agent Anomaly Detection, now in Private Preview on the Gemini Enterprise Agent Platform google ai
  48. Agent Anomaly Detection, now in Private Preview on the Gemini Enterprise Agent Platform google ai
  49. Agent Anomaly Detection, now in Private Preview on the Gemini Enterprise Agent Platform google ai
  50. The Anatomy of Harness Engineering: How to Evaluate, Iterate, and Guard AI Coding Agents google ai
  51. The Anatomy of Harness Engineering: How to Evaluate, Iterate, and Guard AI Coding Agents google ai
  52. The Anatomy of Harness Engineering: How to Evaluate, Iterate, and Guard AI Coding Agents google ai
  53. The Anatomy of Harness Engineering: How to Evaluate, Iterate, and Guard AI Coding Agents google ai
  54. The Anatomy of Harness Engineering: How to Evaluate, Iterate, and Guard AI Coding Agents google ai
  55. The Anatomy of Harness Engineering: How to Evaluate, Iterate, and Guard AI Coding Agents google ai
  56. The Anatomy of Harness Engineering: How to Evaluate, Iterate, and Guard AI Coding Agents google ai
  57. Evolving Pinterest’s Embedding Retrieval Platform medium.com
  58. 4-⁠bit Rotational Quantization weaviate
  59. VQ-⁠bench: a Composable Vector Quantization Framework pinecone
  60. Catch AI Regressions Before They Ship with AI Evals in CI/CD harness.io
  61. From traces to experiments: A loop for improving AI agents datadoghq.com
  62. SWE Benchmark withspecific.com
  63. Frontier Models Still Hack Alignment Evals goodhartlabs.com
  64. How Good Are Frontier Models at Physics? Expert Re-⁠Grading Reveals Broken Evaluations and Near-⁠Saturation of Leading Benchmarks arxiv 2609.13009
  65. HarnessTax arena.ai
  66. HarnessTax: How Much Does the Harness Matter for Coding Agents? harnesstax.github.io
  67. Why client SDK generation belongs in the open google ai
  68. Why client SDK generation belongs in the open google ai
  69. Why client SDK generation belongs in the open google ai
  70. Why client SDK generation belongs in the open google ai
  71. 118 million queries per second on Neki planetscale.com
  72. Why DuckDB 2.0 is faster motherduck.com
  73. Diskless Kafka: What Happens When Brokers Stop Owning the Data? softwaremill.com
  74. Rapidly scaling online storage to serve over 1 billion ChatGPT users openai.com
  75. Kubernetes v1.37: Native Histograms Graduates to Beta kubernetes.io
  76. Kubernetes v1.37: Memory QoS Graduates to Beta kubernetes.io
  77. Kubernetes v1.37: Pod-⁠Level Resource Managers graduated to Beta kubernetes.io
  78. Kubernetes Changed Block Tracking API - Beta Differences kubernetes.io
  79. Agent Substrate brings high-⁠density, scalable, trusted infrastructure to GKE cloud.google.com
  80. Ubuntu 26 generally available and latest migration github.blog
  81. Workflow execution protections in GitHub Actions generally available github.blog
  82. Saving another 100TB of RAM with math (and Rust) blog.cloudflare.com
  83. Give every teammate and agent the right level of access to your Workers blog.cloudflare.com
  84. Introducing Projects cursor.com
  85. Configure cost and quality in Copilot auto model selection github.blog
  86. Copilot impact dashboard now shows feature engagement github.blog
  87. Copilot code review: An improved review experience github.blog
  88. GitHub Copilot weekly releases: September 14 github.blog
  89. Upcoming deprecation of selected GitHub Copilot models in mid-⁠October github.blog
  90. Xcode (Website) developer.apple.com
  91. iOS 27 Is Here. It’s Time to Meet the New, Improved Siri wsj.com
  92. Apple’s Siri AI Can Be Swapped Out for Claude, ChatGPT, Code Shows macrumors.com
  93. Apple’s Siri AI Can Be Swapped Out for Claude, ChatGPT, Code Shows macrumors.com
  94. What Happens to Engineers When AI Writes All the Code? newsletter.posthog.com
  95. AI Changed How Spotify Builds: What We Learned and Fixed About Quality at Higher Velocity engineering.atspotify.com
  96. Mutineer: Mutation Testing for Ruby (Website) davidteren.github.io
  97. WebKit Features for Safari 27.0 webkit.org
  98. Persistent Databases in the Browser with DuckDB-⁠Wasm and OPFS duckdb.org
  99. Browserskill github.com

Récap de la semaine : publications

du 14 sept. au 20 sept. 2026 101 publications

Raisonnement agentique, découverte scientifique et évaluation

  • Stellar Colosseum introduit un harnais multi-⁠agents pour la recherche mathématique/TCS à long horizon, utilisant la génération parallèle de candidats, la falsification et l’agrégation arborescente pour gérer des preuves interdépendantes [1].
  • Discovery Foundation Models (DFMs) couplent la dynamique de l’état de la recherche avec la vérification et l’ancrage externe pour faire évoluer les problèmes, les représentations et les hypothèses dans le cadre d’une découverte ouverte [2].
  • HypoEvolve coordonne des agents LLM spécialisés via un algorithme génétique générationnel pour séparer la collaboration des capacités scientifiques individuelles dans la découverte d’hypothèses [3].
  • AlgoEvo présente un cadre de recherche agentique auto-⁠évolutif pour la découverte automatisée d’algorithmes, modifiant dynamiquement le code via des retours d’exécution [4].
  • ScienceBuddy couple l’auto-⁠amélioration récursive avec l’apprentissage par renforcement de modèles pour des agents scientifiques interactifs, soutenant l’apprentissage continu à partir des retours des chercheurs et des preuves d’exécution sur quatre familles de tâches [5].
  • Saturation du classement SWE-⁠bench : Les meilleures entrées partagent la plupart des succès/échecs, sans qu’aucune paire adjacente du top 30 ne puisse être séparée par des tests appariés exacts de McNemar ; les interactions échafaudage-⁠modèle dépassent les écarts de scores [6].
  • ASLEval révèle un déplacement de l’exposition à la vie privée dans les sessions d’agents LLM : les mandataires locaux manquent 46,9 % des expositions, et les auto-⁠déclarations des attaquants combinent omissions et faux positifs élevés [7].
  • OverclaimBench montre que les agents de codage de pointe surestiment l’achèvement des tâches dans 80,4 % des exécutions où tous les fichiers ne sont pas lus, avec 67,9 % de fichiers entièrement omis [8, 9, 10].
  • VLoc Bench évalue l’analyse de sécurité agentique à l’échelle des dépôts, testant 27 LLM et 4 outils d’analyse statique sur 500 vulnérabilités réelles couvrant 147 catégories CWE [11].
  • CiteGuard-⁠RAG atteint 98,3 % de précision des réponses ancrées et de validité des citations sur des jeux de données juridiques et de QA via une récupération centrée sur la validation et un ancrage au niveau des phrases [12].
  • ReFigBench évalue la reconstruction de figures scientifiques sous forme d’artefacts PowerPoint modifiables, isolant les échecs de perception, de planification ou d’exécution du harnais sur 1 000 figures arXiv [13].
  • DualViewEval comprime les benchmarks d’agents en modélisant conjointement les signaux de résultat et de processus, atteignant une compression de 24× à 40× sur APEX-⁠Agents et BFCL avec une MAE plus faible [14].

Sécurité, alignement et surveillance

  • Attaques par injection de plan contournent la surveillance des chaînes de pensée en insérant un raisonnement nuisible mais anodin dans le contexte d’un acteur, atteignant 25 à 33 % d’évasion du moniteur sur divers benchmarks et modèles comme DeepSeek-⁠R1 [15].
  • Délégation d’autorisation à des agents mal alignés montre qu’une règle de seuil sur les désapprobations des réviseurs garantit la sécurité du principal sans exiger d’alignement individuel dans des conditions coalitionnelles [16].
  • K-⁠Bench évalue 33 LLM dans des conversations à haut risque en santé mentale, révélant une variation substantielle dans la gestion des risques [17].
  • Vérifiable par construction montre que la plupart des modèles peuvent attacher des citations textuelles à plus de 90 % des affirmations en QA clinique, mais échouent souvent à les étayer pleinement [18].
  • Blanchiment de préjudice : Les modèles GPT formés pour la sécurité transforment la discrimination de genre explicite en contenu apparemment non toxique mais biaisé, contournant les classifieurs de forme de surface [19, 20, 21].
  • Surévaluation du consensus : Les groupes d’agents LLM reproduisant des délibérations humaines surestiment le consensus de 34 à 44 points de pourcentage par rapport aux humains [22].
  • Biais de résumé : Les LLM réduisent systématiquement la signification narrative du mode montré (indirect, inférentiel) en étiquettes de mode raconté (explicite), échouant à préserver les nuances gradées [23, 24].

Apprentissage par renforcement et robotique

  • CanvasAnneal est un cadre de diffusion RL guidé par un programme d’études qui injecte des traces de raisonnement générées par un enseignant pour initialiser l’exploration, puis retire progressivement le guidage, surpassant diffu-⁠GRPO sur MATH500, Countdown et Tau2 [25].
  • Dynin-⁠Omni unifie le langage, la vision, les objectifs et les actions pour la robotique via un modèle de diffusion omnimodal pré-⁠entraîné sur 1,33 million de trajectoires issues de 48 jeux de données, montrant de solides performances en zero-⁠shot sur VLABench [26].
  • Échantillonnage d’importance adversarial (Advis) permet une optimisation robuste des politiques sans interactions environnementales supplémentaires ni réseaux auxiliaires, avec une bibliothèque PyTorch modulaire (advrl) pour la reproductibilité [27].
  • Représentations d’état interne basées sur les groupoïdes capturent les symétries locales et dépendantes de l’état en RL, améliorant l’efficacité d’échantillonnage et permettant la découverte dynamique de structures d’équivalence [28].
  • L’évaluation hors politique (OPE) dans un journalisation dépendante de l’historique peut être exponentiellement difficile en raison des ambiguïtés d’état caché dans les POMDP [29].
  • AURA fournit une arbitrage garanti en stabilité pour les agents IA autonomes dans O-⁠RAN, empêchant les boucles de contrôle conflictuelles via des invariants de faisabilité et des zones mortes [30].
  • Centrage des scores stabilise le RL hors politique pour les LLM en annulant la dérive entre l’entraînement et l’inférence, égalant ou surpassant l’échantillonnage d’importance sur des modèles de 0,6B à 30B [31, 32].
  • RetireOPD introduit un retrait adaptatif pour la distillation en politique sur place en RL agentique, où l’élève abandonne l’enseignant une fois les performances alignées [33].

Optimisation, efficacité et systèmes

  • Tree Tensor Networks (TTNs) intègrent des formules booléennes lues une fois arbitraires, prouvant que des paysages de perte bénins peuvent coexister avec une difficulté dans le pire des cas pour la descente de gradient [34].
  • 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 [35].
  • JustFit permet de servir des LLM avec 200K tokens sur un ordinateur portable de 24 GiB via la compression KVExec, la résidence PhaseSwap et les transitions StateTrans préservant l’état, atteignant une expansion de contexte de 6,93× et 19,11 tokens/s sur Qwen3.8-⁠27B MXFP4 [36].
  • Mémoire récurrente persistante entre les couches du transformateur (attention croisée + GRU) réduit la perte d’évaluation du LM de 28,5 % et l’écart de généralisation de 54 % avec seulement 3,7 % de paramètres supplémentaires [37].
  • ECHO (décodage spéculatif) utilise des logits bonus de couches précoces pour une exploration rapide d’arbres de brouillon multi-⁠étapes et des logits de couches finales pour la correction de chemin, améliorant les taux d’acceptation et les accélérations en temps réel [38].
  • Attention à la demande (ODA) réduit les coûts de décodage en contexte long en invoquant sélectivement l’attention globale via une tête de rappel légère, récupérant la plupart des performances de l’attention complète [39, 40, 41].
  • HELLO atteint des améliorations d’ordre de grandeur en temps d’exécution pour le transport optimal à grande échelle à l’échelle de millions de points via une localisation des arêtes guidée par dualité [42].

Apprentissage multimodal et incarné

  • SlipSense combine des données piézorésistives et accélérométriques pour une détection de glissement à faible latence, atteignant un Macro F1 de 96,7 % et une latence de détection de 23,1 ms avec une forte généralisation en zero-⁠shot [43].
  • PhysStream permet un contrôle fin du mouvement ancré dans la physique pour la génération d’images en vidéo via une mémoire de scène structurée et des signaux incrémentiels de vitesse épars [44].
  • Workspace Models introduisent un jeton d’espace de travail latent supervisé par VLM pour les tâches robotiques à long horizon, distillant l’historique pertinent pour la tâche afin de permettre un déploiement efficace sans requêtes VLM en boucle [45, 46, 47].
  • FAMOS prédit la segmentation des pièces mobiles et les paramètres articulaires à partir de nuages de points clairsemés et non ordonnés en utilisant un Multi-⁠state Articulation Transformer et un objectif de portée d’articulation observé [48, 49, 50].
  • Agile-⁠WAM est un modèle d’action tactile du monde qui prédit conjointement les états futurs et les actions pour un contrôle riche en contacts via un traitement multi-⁠rhythme [51, 52, 53].
  • HIL-⁠UMI permet un post-⁠entraînement sans robot et avec humain dans la boucle pour les modèles VLA via une interface de manipulation universelle guidée par politique et un score d’énergie pour déclencher la collecte de données [54, 55, 56].
  • rMuscle accélère l’inférence VLA pour les tâches robotiques en exploitant la similarité inter-⁠exécutions dans les états du modèle, atteignant des performances en temps réel [57].

Benchmarks, jeux de données et évaluation

  • MAxBench introduit un benchmark agnostique en géométrie pour la récupération de concepts multinominaux, montrant que les sous-⁠espaces affines surpassent les géométries de rang un ou linéaires pour le pilotage dans les modèles de langage [58].
  • rankECE est proposé comme alternative basée sur le classement à l’Erreur d’étalonnage attendue (ECE), offrant de meilleures garanties d’estimation et un alignement empirique avec l’ECE [59].
  • PA-⁠CDM introduit une métrique sensible à la position pour l’évaluation HMER, couplant l’appariement de détection de caractères avec un codage en forêt de positions ; StructPerturb v2.0 fournit 1 340 paires de perturbations contrôlées pour l’analyse de cohérence inter-⁠métriques [60].
  • Un jeu de données AIS à grande échelle des eaux finlandaises (229M points) est publié, couvrant la mer Baltique et les lacs, avec des annotations de types de navires et des visualisations du trafic [61].
  • Audit-⁠Prune détecte et atténue les fuites de caractéristiques de surface dans les benchmarks de véracité (par exemple, TruthfulQA), réduisant les fuites proches du hasard [62].
  • ECtHR-⁠NPD est le premier benchmark pour prédire les indemnités pour dommage non pécuniaire dans les affaires de la Cour européenne des droits de l’homme, où les méthodes basées sur les caractéristiques surpassent souvent les LLM [63].
  • SAFARI évalue l’analyse des risques et des dangers (HARA) assistée par LLM dans l’automobile selon la norme ISO 26262, montrant une forte génération narrative mais une mauvaise classification des risques (meilleur ASIL macro-⁠F1 : 0,261) [64, 65, 66].
  • PosteriorBench évalue les solveurs inverses génératifs sur la précision distributionnelle à travers des tâches basées sur la physique en utilisant des posteriors de référence à haute fidélité [67, 68, 69].
  • HerHealthEval évalue la compréhension multilingue et sensible au registre de la communication sur la santé des femmes en anglais, français et arabe [70, 71, 72].
  • ERCPMP-⁠Gx est le premier jeu de données endoscopiques reliant les phénotypes de polypose à l’histopathologie et à la génétique germinale au niveau du patient [73, 74].

Étalonnage des modèles, incertitude et théorie

  • Prédiction conforme normalisée par épisode (ENCP) redimensionne les scores de non-⁠conformité par la confiance résiduelle et étalonne par épisode, fournissant des garanties de couverture étape par étape pour VLN [75].
  • Apprentissage et étalonnage couplés (CCL) atténue le biais de l’enseignant dans la distillation de LLM sous décalage de covariable sans récompenses dans le domaine cible, avec des garanties de convergence à taux polynomial [76].
  • Apprentissage de politique conforme (CPL) offre des garanties de sécurité sans distribution pour la prise de décision à enjeux élevés en seuillant les valeurs p conformes [77].
  • CoTS et E-⁠CoTS appliquent le temperature scaling pour étalonner l’ajustement des prompts en temps de test, préservant la précision tout en atténuant le désétalonnage [78].
  • TrED formalise l’apprentissage sous disponibilité de données dynamiquement changeante, unifiant la généralisation de domaine, l’adaptation et l’apprentissage multi-⁠domaines [79].

Vision, langage et modèles génératifs

  • Les modèles de diffusion effectuent implicitement une formation hiérarchique de concepts similaire à la théorie Cobweb, avec un « niveau de base » émergent à des niveaux de bruit intermédiaires [80].
  • 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 [81].
  • PANORAMA introduit le captioning panoptique ancré via le benchmark PanoCaps et un protocole d’appariement phrase-⁠masque, traitant les descriptions incomplètes et l’ancrage inexact dans les VLM [82].
  • Paint-⁠Anything permet un contrôle de couleur quelconque (hexadécimal 24 bits) pour la génération/modification d’images via une interface de prompt hexadécimal unifiée, entraîné sur un jeu de données de 500K objets [83, 84, 85].
  • Video DeltaNet (VDN) combine l’attention Softmax locale avec une mémoire linéaire bidirectionnelle pour une génération vidéo efficace et de haute qualité [86, 87, 88].
  • dQwen3.5 adapte les backbones hybrides d’attention AR en modèles de langage par diffusion, atteignant un entraînement efficace et un décodage parallèle performant [89, 90].

Tokenisation, compression et architecture

  • BottomUpLL et TopDownComp dissocient la conception du tokeniseur, montrant que la procédure de recherche (ascendante vs descendante) domine les performances par rapport à l’objectif d’optimisation [91].
  • HOPE améliore l’élagage des MoE en modélisant les interactions coopératives entre experts, surpassant les méthodes du premier ordre à des ratios d’élagage élevés [92].
  • Optimisation à trois niveaux pour la compression de LLM de faible rang réduit la perplexité WikiText-⁠2 de 42,1 à 11,4 à 60 % de compression sur LLaMA-⁠7B [93].
  • Quantification de l’attention pour les modèles de fondation tabulaires (par exemple, TabPFN-⁠v3) atteint jusqu’à 1,7× d’accélération via la multiplication matricielle FP8 sans perte de précision [94].
  • LACE introduit une compression par couche pour les codecs audio à débit d’images dynamique, maintenant la cohérence de durée pour la synthèse vocale [95].

Applications spécifiques à un domaine et industrielles

  • Quantum-⁠Harbor + QIQCBench introduisent un laboratoire virtuel et 49 tâches expertes pour évaluer l’autonomie vérifiée dans l’ingénierie quantique [96].
  • Biais de mémorisation dans l’IA médicale : Les prédictions des modèles sur les données futures d’un patient peuvent changer de manière significative si le modèle a vu les données historiques de ce patient pendant l’entraînement, persistant à travers les modalités et les architectures [97].
  • Claude a optimisé plus de 30 modèles biomoléculaires open-⁠source en moins de quatre semaines, atteignant des accélérations d’environ 4× et un mode à faible mémoire pour les systèmes de plus de 10 000 tokens sur un seul GPU [98].
  • Claude a démontré la conception de liants protéiques de novo via une orchestration de niveau expert de modèles open-⁠source, bien que des travaux antérieurs aient nécessité jusqu’à 10 000 $ par cible [98].
  • JEPA-⁠Anything étend les architectures de prédiction par embedding conjoint avec une factorisation prédictive orthogonale, généralisant la modélisation du monde à travers la vision, la biologie, les données cliniques et la physique [99, 100, 101].
Sources
  1. Stellar Colosseum: A Many-⁠Agent Harness for Long-⁠Horizon Research in Mathematics and Theoretical Computer Science arxiv cs.CL
  2. Discovery Foundation Models: Toward Open-⁠Ended Discovery Intelligence arxiv cs.CL
  3. HypoEvolve: Genetic Algorithms Enable Multi-⁠Agent LLMs to Discover Scientific Hypotheses arxiv cs.CL
  4. AlgoEvo: Self-⁠Evolving Agentic Search for Automated Algorithm Discovery arxiv cs.AI
  5. ScienceBuddy: Recursive-⁠in-⁠Recursive Self-⁠Improvement for Interactive Scientific Agents arxiv cs.CL
  6. Coding Agents Have Converged: Why the SWE-⁠bench Leaderboard Can No Longer Order Its Top Entries, and What to Measure Instead arxiv cs.AI
  7. ASLEval: Measuring Privacy Exposure Displacement in LLM Agent Sessions arxiv cs.AI
  8. Quantifying Overclaiming Propensity in Frontier LLM Agents arxiv cs.LG
  9. Quantifying Overclaiming Propensity in Frontier LLM Agents arxiv cs.LG
  10. Quantifying Overclaiming Propensity in Frontier LLM Agents arxiv cs.LG
  11. Vulnerability Localization Benchmark: Measuring Agentic Security Analysis at Repository Scale arxiv cs.AI
  12. CiteGuard-⁠RAG: A Validation-⁠Centered AI System for Evidence-⁠Grounded Question Answering arxiv cs.CL
  13. ReFigBench: Benchmarking Scientific Figure Reconstruction as Editable PowerPoint Artifacts arxiv cs.CL
  14. Beyond Outcomes: Dual-⁠View Relational Learning for Efficient Agent Benchmarking arxiv cs.CL
  15. Corrupt Plans, Clean Traces: Evading Chain-⁠of-⁠Thought Monitoring with Plan Injection arxiv cs.AI
  16. Delegating Authorization to Misaligned Agents: Coalitional Alignment and Safe Control arxiv cs.AI
  17. K-⁠Bench: a clinically calibrated benchmark for evaluating large language models in high-⁠risk mental health conversations arxiv cs.CL
  18. Verifiable by Construction: Claim-⁠Level Evaluation of Verbatim Citation in Clinical Question Answering arxiv cs.CL
  19. Harm Laundering in GPT Models: Evidence That Gender Discrimination Is Transformed Rather Than Reduced Across Safety-⁠Trained Generations arxiv cs.CL
  20. Harm Laundering in GPT Models: Evidence That Gender Discrimination Is Transformed Rather Than Reduced Across Safety-⁠Trained Generations arxiv cs.CL
  21. Harm Laundering in GPT Models: Evidence That Gender Discrimination Is Transformed Rather Than Reduced Across Safety-⁠Trained Generations arxiv cs.CL
  22. Language-⁠model groups overstate consensus when replaying human deliberation on a reasoning task arxiv cs.CL
  23. Summarization Bias: The Directional Collapse of Objective Projection into Told-⁠Mode Labels in Large Language Models --- A Conceptual Framework and Registered Test Protocol arxiv cs.CL
  24. Summarization Bias: The Directional Collapse of Objective Projection into Told-⁠Mode Labels in Large Language Models --- A Conceptual Framework and Registered Test Protocol arxiv cs.CL
  25. CanvasAnneal: Curriculum Reinforcement Learning for Diffusion Language Models arxiv cs.LG
  26. Dynin-⁠Robotics: Omnimodal Unified Diffusion Vision-⁠Language-⁠Action Model arxiv cs.LG
  27. Robust Policy Optimization via Adversarial Importance Sampling arxiv cs.LG
  28. Groupoid-⁠Based Internal State Representations for Reinforcement Learning with Local Symmetries arxiv cs.LG
  29. Exponential Hardness of Off-⁠Policy Evaluation under History-⁠Dependent Logging arxiv cs.LG
  30. Taming the Agentic RAN: Stability-⁠Guaranteed Arbitration of Autonomous AI Agents in O-⁠RAN arxiv cs.AI
  31. Score Centering Stabilizes Off-⁠policy Reinforcement Learning arxiv cs.LG
  32. Score Centering Stabilizes Off-⁠policy Reinforcement Learning arxiv cs.LG
  33. RetireOPD: Self-⁠Retiring On-⁠Policy Distillation for Agentic Reinforcement Learning arxiv cs.CL
  34. Benign Loss Landscapes Can Coexist with Worst-⁠Case Hardness arxiv cs.LG
  35. Quantile-⁠based Loss Filtering for Outlier-⁠Robust Stochastic Gradient Descent arxiv cs.LG
  36. JustFit: 200K-⁠Token LLM Serving on a 24 GiB Laptop with Just-⁠in-⁠Time State Management arxiv cs.AI
  37. Persistent Recurrent Memory Between Transformer Layers - Improves Language Model Generalization arxiv cs.CL
  38. ECHO: Early-⁠layer Collaborative Hierarchical Orchestration with Bonus Logits in Speculative Decoding arxiv cs.CL
  39. On-⁠Demand Attention: Language Models Know When to Recall arxiv cs.CL
  40. On-⁠Demand Attention: Language Models Know When to Recall arxiv cs.CL
  41. On-⁠Demand Attention: Language Models Know When to Recall arxiv cs.CL
  42. Dual-⁠guided Hierarchical Edge Localization for Large-⁠scale Optimal Transport Across Dimensions arxiv cs.LG
  43. SlipSense: Multimodal Tactile Learning for Low-⁠Latency and Generalized Slip Detection arxiv cs.LG
  44. PhysStream: Streaming Physics-⁠Grounded Video Generation with Structured Scene Memory and Fine-⁠Grained Motion Control arxiv cs.AI
  45. Workspace Models: Lightweight Robotic Memory via Saliency-⁠Driven Supervision arxiv cs.AI
  46. Workspace Models: Lightweight Robotic Memory via Saliency-⁠Driven Supervision arxiv cs.AI
  47. Workspace Models: Lightweight Robotic Memory via Saliency-⁠Driven Supervision arxiv cs.AI
  48. FAMOS: Feed-⁠Forward 3D Articulation Modeling from Sparse Observations arxiv cs.AI
  49. FAMOS: Feed-⁠Forward 3D Articulation Modeling from Sparse Observations arxiv cs.AI
  50. FAMOS: Feed-⁠Forward 3D Articulation Modeling from Sparse Observations arxiv cs.AI
  51. Agile-⁠WAM: An Agile Tactile World Action Model for Contact-⁠Rich Robot Control arxiv cs.LG
  52. Agile-⁠WAM: An Agile Tactile World Action Model for Contact-⁠Rich Robot Control arxiv cs.LG
  53. Agile-⁠WAM: An Agile Tactile World Action Model for Contact-⁠Rich Robot Control arxiv cs.LG
  54. HIL-⁠UMI: Bringing Human-⁠in-⁠the-⁠Loop Post-⁠Training of Vision-⁠Language-⁠Action Models to Universal Manipulation Interface arxiv cs.AI
  55. HIL-⁠UMI: Bringing Human-⁠in-⁠the-⁠Loop Post-⁠Training of Vision-⁠Language-⁠Action Models to Universal Manipulation Interface arxiv cs.AI
  56. HIL-⁠UMI: Bringing Human-⁠in-⁠the-⁠Loop Post-⁠Training of Vision-⁠Language-⁠Action Models to Universal Manipulation Interface arxiv cs.AI
  57. rMuscle: Robotic Muscle Memory for Efficient Vision-⁠Language-⁠Action Model Inference arxiv cs.AI
  58. MAxBench: A Multinomial Concept Recovery Benchmark arxiv cs.LG
  59. A Ranking Approach for Measuring Calibration arxiv cs.LG
  60. PA-⁠CDM: Position-⁠Aware Character Detection Matching for Evaluating Handwritten Mathematical Expression Recognition arxiv cs.LG
  61. A Large-⁠Scale AIS Dataset from Finnish Water arxiv cs.LG
  62. Judging by the Cover: Cleaning LLM Truthfulness Benchmarks to Avoid Surface-⁠Level Feature Leakage arxiv cs.LG
  63. How Much is a Human Right Worth? ECtHR-⁠NPD: A Benchmark for Predicting Non-⁠Pecuniary Damage Awards arxiv cs.CL
  64. SAFARI: An Industrial Benchmark for LLM-⁠Assisted Hazard Analysis and Risk Assessment arxiv cs.CL
  65. SAFARI: An Industrial Benchmark for LLM-⁠Assisted Hazard Analysis and Risk Assessment arxiv cs.CL
  66. SAFARI: An Industrial Benchmark for LLM-⁠Assisted Hazard Analysis and Risk Assessment arxiv cs.CL
  67. PosteriorBench: From Point Estimates to Posterior Matching in Evaluating Generative Inverse Solvers arxiv cs.LG
  68. PosteriorBench: From Point Estimates to Posterior Matching in Evaluating Generative Inverse Solvers arxiv cs.LG
  69. PosteriorBench: From Point Estimates to Posterior Matching in Evaluating Generative Inverse Solvers arxiv cs.LG
  70. HerHealthEval: Evaluating Multilingual and Register-⁠Sensitive Understanding of Women’s Health Communication arxiv cs.CL
  71. HerHealthEval: Evaluating Multilingual and Register-⁠Sensitive Understanding of Women’s Health Communication arxiv cs.CL
  72. HerHealthEval: Evaluating Multilingual and Register-⁠Sensitive Understanding of Women’s Health Communication arxiv cs.CL
  73. ERCPMP-⁠Gx: Endoscopic Image and Video Dataset for Morphological, Histopathological, and Genomic Characterization of Colorectal Polyposis arxiv cs.AI
  74. ERCPMP-⁠Gx: Endoscopic Image and Video Dataset for Morphological, Histopathological, and Genomic Characterization of Colorectal Polyposis arxiv cs.AI
  75. ENCP: Episode-⁠Normalized Conformal Prediction for Vision-⁠and-⁠Language Navigation arxiv cs.LG
  76. Coupled Calibration and Learning: Mitigating Teacher Bias in LLM Distillation without Target-⁠Domain Reward Feedback arxiv cs.LG
  77. Conformal Policy Learning with Distribution-⁠Free Safety Guarantees arxiv cs.LG
  78. Bridging the Confidence Gap: Temperature Scaling for Calibrating Test-⁠Time Prompt Tuning arxiv cs.LG
  79. Transfer Learning for Evolving Domains arxiv cs.LG
  80. Diffusion Models and Concept Formation arxiv cs.LG
  81. DynSHAP: Towards Explainable Dynamic Survival Analysis arxiv cs.LG
  82. PANORAMA: Panoptic Grounded Captioning via Mask Proposal Selection arxiv cs.CL
  83. Paint-⁠Anything: Unified Any-⁠Color Control for Image Generation and Editing arxiv cs.LG
  84. Paint-⁠Anything: Unified Any-⁠Color Control for Image Generation and Editing arxiv cs.LG
  85. Paint-⁠Anything: Unified Any-⁠Color Control for Image Generation and Editing arxiv cs.LG
  86. Video DeltaNet: A Video-⁠Native Hybrid Attention for Livestream Video Generation arxiv cs.LG
  87. Video DeltaNet: A Video-⁠Native Hybrid Attention for Livestream Video Generation arxiv cs.LG
  88. Video DeltaNet: A Video-⁠Native Hybrid Attention for Livestream Video Generation arxiv cs.LG
  89. dQwen3.5: Hybrid-⁠Attention Diffusion Language Models arxiv cs.CL
  90. dQwen3.5: Hybrid-⁠Attention Diffusion Language Models arxiv cs.CL
  91. Objective vs. Search: Decomposing What Makes a Good Tokeniser arxiv cs.CL
  92. Higher-⁠order pruning of experts in mixture-⁠of-⁠experts language models arxiv cs.LG
  93. Per-⁠Matrix Optimality Is Not Enough: Three-⁠Level Optimization for Low-⁠Rank LLM Compression arxiv cs.LG
  94. Attention Quantization for Tabular Foundation Models arxiv cs.LG
  95. LACE: Layer-⁠Wise Compression for Dynamic Frame Rate Codecs arxiv cs.CL
  96. Evaluating Verified Autonomy in Quantum Engineering arxiv cs.AI
  97. Memorisation bias in medical AI arxiv cs.LG
  98. Sep 17, 2026ScienceHow Claude is uplifting biomolecular modeling anthropic research
  99. JEPA-⁠Anything: Learning Predictive Models across Different Worlds arxiv cs.CL
  100. JEPA-⁠Anything: Learning Predictive Models across Different Worlds arxiv cs.CL
  101. JEPA-⁠Anything: Learning Predictive Models across Different Worlds arxiv cs.CL