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 samedi 3 octobre 2026

11 articles

Modèles et Outils d’IA

  • OpenAI a introduit le modèle Sol, tarifé à 2 $ / 10 $ par million de jetons d’entrée/sortie et positionné comme une option rapide et économique qui surpasse les itérations précédentes sur des benchmarks tels que DeepSWE et AutomationBench [1].
  • Google a publié la version 1.0 du kit de développement d’agents (ADK) pour Kotlin, apportant une parité fonctionnelle complète, un appel de fonction de type sûr sans réflexion et des extensions axées sur Android utilisant LiteRT-⁠LM et AppSearch [2].
  • Le SDK Google Antigravity a ajouté la prise en charge des modèles d’IA locaux tels que Gemma 4 via LiteRT, permettant une orchestration hybride où les modèles cloud gèrent la planification et les modèles locaux gèrent l’audit de code [3].

Agents et RAG

  • Google a introduit l’automatisation de l’entraînement a posteriori des agents via autofinetune, utilisant des boucles de recherche autonomes avec Tunix, Gemma et Cloud TPUs pour exécuter de manière itérative des expériences de réglage fin et d’apprentissage par renforcement [4].
  • Google Cloud API Gateway fonctionne désormais comme un serveur natif distant MCP (Model Context Protocol), permettant aux développeurs de convertir des API REST en outils d’agents en ajoutant des annotations OpenAPI [5].
  • La plateforme Gemini Enterprise Agent a déployé la détection d’anomalies d’agents en version préliminaire privée, utilisant l’analyse de traces OpenTelemetry hors bande pour détecter les risques comportementaux et les violations du top 10 des agents OWASP sans latence d’exécution [6].

Infrastructure, MLOps et Cloud

  • Google a reproduit le pré-⁠entraînement Olmo 3 7B d’Ai2 à partir de zéro dans MaxText sur Cloud TPUs en utilisant JAX/XLA, atteignant jusqu’à 57.4 % d’utilisation des flops du modèle (MFU) tout en gérant les redimensionnements de clusters et les transferts TPU inter-⁠générations [7].
  • Les développeurs ont optimisé Splash Attention pour la diffusion vidéo sur TPUs en acheminant les têtes d’attention vers des masques creux et en permutant les dispositions de mémoire des jetons, obtenant ainsi une accélération allant jusqu’à 1.69x pour la génération vidéo en 1440p [8].
  • Les abonnements Google AI incluent désormais des avantages Google Colab premium, débloquant un accès prioritaire à des accélérateurs plus rapides, une exécution en arrière-⁠plan ininterrompue et des GPU de niveau supérieur [9].

Génie Logiciel et DevOps

  • GitHub a achevé le déploiement progressif de son format de jeton d’installation d’application GitHub sans état (ghs_APPID_JWT), rendant l’émission de jetons plus rapide et améliorant la fiabilité de l’API tout en fixant une date de dépréciation pour l’en-⁠tête de validation temporaire [10].
  • Google s’est associé à Speakeasy pour mettre en open-⁠source leur suite de génération de code OpenAPI sous licence AGPLv3, fournissant des générateurs de SDK multilingues déterministes, un typage strict, le streaming SSE et des serveurs MCP de documentation [11].
Sources
  1. [AINews] not much happened today latent.space
  2. Announcing ADK for Kotlin 1.0: Building Production-⁠Ready AI Agents in Kotlin, Android, and Beyond google ai
  3. Introducing Support for Local AI Models in the Antigravity SDK google ai
  4. Autonomous LLM post-⁠training with Tunix on TPUs google ai
  5. Turn your REST APIs into MCP tools with Google Cloud API Gateway google ai
  6. Agent Anomaly Detection, now in Private Preview on the Gemini Enterprise Agent Platform google ai
  7. Reproducing Olmo 3 7B Pre-⁠training in MaxText: case study of large scale training on TPUs google ai
  8. Accelerating Spatio-⁠Temporal Attention for Video Diffusion on TPUs google ai
  9. Colab is now part of your Google AI plan google ai
  10. Stateless GitHub App installation tokens rolled out github.blog
  11. Why client SDK generation belongs in the open google ai

Publications du samedi 3 octobre 2026

15 publications

Agents, Tool Use, and Long-⁠Horizon Execution

  • Cybersecurity Tool Execution: KaliBench est un cadre d’évaluation précis contenant 8 504 paires requête-⁠commande réparties sur 1 642 outils sous Kali Linux, conçu pour tester les LLM sur la traduction du langage naturel vers la CLI grâce à une évaluation prenant en compte les alias et à une canonisation déterministe [1].
  • Local-⁠First Agent Harnesses: Mingbird est un harnais d’agent local conçu pour les petits modèles à poids ouverts (de 2B à 9B) sur ordinateurs portables, utilisant dix mécanismes tels qu’un budget de pré-⁠remplissage au niveau des octets et une détection de boucle au niveau des signatures pour surpasser les harnais à l’échelle du cloud sur des tâches réelles [2].
  • Context Management in Coding Agents: AutoCompact entraîne des agents de programmation à décider quand et comment compacter le contexte lors de tâches longues au niveau du dépôt, en utilisant un réglage fin supervisé suivi d’un apprentissage par renforcement avec des récompenses basées sur le succès des tâches [3].
  • Non-⁠Destructive Organizational Memory: Mem++ est un cadre de mémoire non destructif qui évite la distillation au moment de l’écriture, stockant à la place des documents entiers avec des horodatages et des auteurs pour permettre aux modèles de réponse de gérer le versionnage historique au moment de la lecture [4].
  • Autonomous Embodied Improvement: RPG (Reconstruct, Practice, Go Real) est un cadre qui permet aux robots de diagnostiquer de manière autonome les échecs de manipulation en simulation, de générer des compétences symboliques réutilisables et de mettre à jour les instructions système sans modifier les poids des modèles [5].

Multimodal and Vision-⁠Language Systems

  • Visual Harnesses for Interactive Worlds: VISTA est un harnais visuel qui dote les modèles multimodaux à usage général d’une mémoire visuelle à long horizon et d’une recherche active, élevant l’efficacité des actions humaines relatives de Claude Opus 5.0 à 100.0 sur ARC-⁠AGI-⁠3 [6].
  • Spontaneously Guided Multimodal Self-⁠Distillation: Where-⁠OPD applique l’auto-⁠distillation sur politique aux grands modèles de langage multimodaux en utilisant des scènes générées de manière procédurale avec des coordonnées spatiales et des identités d’objets, fournissant une supervision sans annotation [7].
  • Multi-⁠Label Video Safety Detection: ATPO (Adaptive Tversky Policy Optimization) est un cadre d’apprentissage par renforcement pour la détection de la sécurité vidéo qui utilise une récompense adaptative pour équilibrer dynamiquement les faux positifs et les faux négatifs pour la modération multi-⁠étiquette [8].

Large Language Models and Optimization

  • Efficient Optimizer State Reduction: TACO (Ternary Absolute-⁠max Column-⁠wise One-⁠sparse Optimizer) réduit la surcharge de mémoire lors du réglage fin des LLM en poussant la méthode géométrique plus loin que Muon, calculant des directions de descente la plus raide exactes sous une norme d’opérateur $1\to1$ normalisée par dimension [9].
  • Contrastive Decoding from Recurrent Loops: LoopCD est un cadre de décodage contrastif sans entraînement qui exploite les états intermédiaires dans les Transformers bouclés, contrastant les prédictions finales avec des passes récurrentes antérieures dans l’espace des logits ou des états cachés pour améliorer les performances sans coût d’entraînement supplémentaire [10].
  • Source-⁠Specific Competence in LLMs: SourceLearn construit et affine des modèles source persistants à l’aide de mécanismes d’apprentissage auto-⁠dirigés et guidés par les tâches, faisant passer l’interaction des agents d’un accès répété à un apprentissage progressif des sources [11].
  • Mechanisms of Model Self-⁠Repair: Une analyse de l’ablation des composants des LLM montre que la réponse de réparation causale suit une loi affine précise régie par une pente fixe, indiquant que la réparation automatique apparente provient d’un gain préexistant plutôt que d’une compensation dynamique [12].

Generative Modeling and 3D / Visual Synthesis

  • Real-⁠Time Gaussian Avatars: GALA (Gaussian Animation via Linear Approximation) distille des modèles d’avatars pré-⁠entraînés en des formes de mélange indépendantes de l’identité en utilisant une ACP locale par bloc et un prédicteur de coefficients peu profond, permettant une animation en temps réel des expressions et du corps sans ré-⁠entraînement [13].
  • Distribution Matching via Adversarial Distillation: DMAD reformule la distillation par appariement de distribution comme une tâche de classification, utilisant des têtes de discriminateur duales sur un squelette partagé pour apprendre directement les rapports de log-⁠densité sans nécessiter d’ajustement de score auxiliaire [14].
  • Topologically Aware 3D Generation: SILSA représente les formes 3D en utilisant des latents de tranche à fenêtre glissante le long des axes canoniques, prenant en charge la génération par flux rectifié à étape unique et préservant la cohérence topologique pour les structures fines ou complexes [15].
Sources
  1. KaliBench: A Fine-⁠Grained Benchmark for Cybersecurity Tool Use on Kali Linux with Runtime-⁠Free Verifiable Rewards arxiv cs.CL
  2. Mingbird: A Local-⁠First Agent Harness Enabling Small Open Models to Complete Real Tasks arxiv cs.CL
  3. AutoCompact: Learning When to Compact Context in Long-⁠Horizon Coding Agents arxiv cs.CL
  4. Mem++: Non-⁠Destructive Memory for Long-⁠Term Organizational LLM Agents arxiv cs.CL
  5. Reconstruct, Practice, Go Real: Guided Self-⁠Improvement for Embodied Agents arxiv cs.AI
  6. VISTA: A Visual Harness for Reasoning in an Interactive World arxiv cs.AI
  7. Where-⁠OPD: Spatially Guided On-⁠Policy Self-⁠Distillation of MLLMs with Synthetic Scenes arxiv cs.CL
  8. Controllable Multi-⁠label Video Safety Detection via Adaptive Tversky Policy Optimization arxiv cs.CL
  9. TACO: Ternary Absolute-⁠max Column-⁠wise One-⁠sparse Optimizer for LLM Fine-⁠Tuning arxiv cs.LG
  10. Decoding Looped Transformers Better for (Almost) Free arxiv cs.LG
  11. From Knowledge Access to Source Learning: Developing Source-⁠Specific Competence arxiv cs.CL
  12. Every Ablation Is a Dose: Counterweights and the Semblance of Self-⁠Repair arxiv cs.CL
  13. One Basis to Animate Them All: Gaussian Blendshape Distillation for Real-⁠Time Avatars arxiv cs.LG
  14. DMAD: Distribution Matching as Adversarial Distillation for Fast Visual Generation arxiv cs.AI
  15. SILSA: Sliding-⁠Window Slice Latents for Topology-⁠Preserving High-⁠Resolution 3D Generation arxiv cs.LG