Aller au contenu
  1. NVIDIA Blog62

    NVIDIA dévoile au SC26 Nemotron for Science, le GPU Rubin HPC et une collaboration quantique avec IBM

    Lors de son discours d'ouverture du SC26 à Chicago, Ian Buck, vice-président hyperscale et HPC de NVIDIA.

    Motif de la recommandation :Le discours de NVIDIA au SC26 rassemble en un seul endroit les outils d'agents scientifiques, le GPU Rubin HPC et la correction d'erreurs quantique, ce qui permet de saisir le calendrier de livraison et les orientations techniques.

  1. Microsoft Research71

    TokenEconomizer : un plugin open source qui réduit les coûts des agents de codage en apprenant des sessions passées

    TokenEconomizer, plugin open source issu d'une collaboration entre UC Berkeley, Microsoft Research et Microsoft Security.

    Motif de la recommandation :L'article détaille trois mécanismes concrets et les résultats sur 277 tâches SWE-Bench, utile pour évaluer comment réduire les coûts des agents de codage sans modifier le modèle.

  1. Google Research88

    Google Research présente la fonctionnalité /teamwork d'Antigravity et ses résultats en recherche scientifique et en ingénierie

    Google Research présente /teamwork, une fonctionnalité multi-agents d'Antigravity bâtie sur les modèles Gemini 4 Argon.

    Motif de la recommandation :L'article détaille les mécanismes de vérification et de partitionnement du contexte de /teamwork, ainsi que des résultats vérifiés en mathématiques et en génie logiciel, ce qui permet de juger de son applicabilité aux workflows agentiques existants.

  1. The Decoder80

    Un ancien chercheur d'OpenAI affirme avoir trouvé des empreintes de Nvidia Blackwell dans six modèles chinois

    Will DePue, ancien chercheur d'OpenAI, affirme avoir identifié dans six modèles chinois publiés depuis avril 2026 la signature matérielle de la génération Blackwell de Nvidia.

    Motif de la recommandation :Une méthode d'empreinte matérielle permet de déduire, à partir des poids publiés, la génération de GPU utilisée pour l'initialisation, avec le code de vérification publié sur GitHub.

  2. Hugging Face Blog72

    IBM publie LLMON, un langage de balisage natif pour LLM, avec les modèles Granite 4.1 3B et 8B

    IBM publie deux modèles expérimentaux dérivés de Granite 4.1, granite-4.1-3b-LLMON-preview et granite-4.1-8b-LLMON-preview.

    Motif de la recommandation :L'article détaille le format LLMON et deux modèles expérimentaux Granite 4.1 entraînés pour le consommer, avec des résultats chiffrés sur la résistance aux injections de prompt.

  3. TechCrunch · AI78

    Google déploie Gemini 4 Hydrogen dans Search pour mieux traiter les questions complexes

    Google intègre Gemini 4 Hydrogen à Search, un modèle présenté comme la plus grande amélioration du moteur à ce jour.

    Motif de la recommandation :Le texte détaille les niveaux de raisonnement de Gemini 4 Hydrogen et son intégration dans Search et AI Studio, utile pour évaluer les compromis vitesse-coût des workflows agentiques.

  4. Adafruit Blog58

    Fable 5.2 d'Anthropic aurait construit un système d'exploitation en 8 jours

    Selon un rapport de Geeky Gadgets relayé par le blog Adafruit, Fable 5.2, un modèle d'Anthropic lancé avec Mythos 5.2.

    Motif de la recommandation :Le texte décrit un test de coordination multi-agents sur huit jours et les limites qu'Anthropic a imposées pendant l'entraînement.

  1. Adafruit Blog62

    Un ingénieur Google utilise 48 agents IA pour analyser des données lidar de la NASA et repérer une pyramide maya non répertoriée

    Un ingénieur logiciel a utilisé 48 agents IA pour parcourir des données lidar publiques de la NASA et identifier au Mexique un site maya absent du registre du gouvernement mexicain. Environ 1 200 km² de bandes lidar ont été convertis en images, que les agents ont examinées une à une en s'appuyant sur un guide écrit plutôt que sur un modèle ou un classificateur spécialisé, signalant pyramides, plateformes et places tout en écartant collines naturelles, dolines et routes. Les agents ont vérifié le nuage de points brut pour confirmer que les formes étaient au sol et non dans la canopée, puis rédigé un rapport en espagnol pour l'INAH, qui a répondu ne pas avoir de site enregistré à cet endroit ; l'ensemble a pris moins de 72 heures. Une mise à jour ultérieure indique que le site avait déjà été cartographié dans un article de 2025 que les agents avaient manqué, ce qui en fait une redécouverte.

    Motif de la recommandation :Un cas concret montre comment 48 agents examinent des images lidar selon un guide écrit, sans modèle spécialisé, en moins de 72 heures.

  1. Ars Technica · AI76

    Google DeepMind vérifie formellement par IA les garanties cryptographiques clés du protocole Signal

    Les chercheurs de Google DeepMind ont utilisé un agent IA pour prouver formellement une partie des garanties cryptographiques clés du protocole Signal.

    Motif de la recommandation :L'original expose les limites de portée de la vérification formelle et la manière dont AlphaProof Code identifie les vulnérabilités connues, ce qui permet de juger du degré de maturité actuel de cette méthode.

  2. Google DeepMind64

    Google DeepMind dévoile AlphaGenome 2, un modèle de séquence d'ADN conditionné par type cellulaire

    Google DeepMind annonce AlphaGenome 2, un modèle de séquence d'ADN conditionnel qui prédit l'effet des variants sur des types cellulaires humains précis. Entraîné sur plus de 107 millions de profils cellulaires couvrant 68 tissus, il identifie près de deux fois plus de variants modifiant l'expression génique que le modèle précédent, avec 30 % contre 16 % de variants causaux sur le jeu de données TenK10K. Le modèle est disponible pour la recherche non commerciale via l'AlphaGenome API et en aperçu privé pour la recherche commerciale.

    Motif de la recommandation :Le modèle conditionnel par type cellulaire et l'API ouverte permettent de situer les changements de capacité et les scénarios d'usage en recherche génétique.

  3. Adafruit Blog58

    Un projet utilise des agents IA pour réécrire CPython en Lean

    Un projet publié sur broyojo.com a utilisé des agents IA pour réécrire les internals de CPython en Lean.

    Motif de la recommandation :Un projet utilise des agents IA pour réécrire CPython en Lean, avec un processus de preuve en quatre étapes et 418 rapports de bugs.

  4. The Decoder78

    NVIDIA présente GR00T 2, un modèle qui apprend des mouvements humains filmés et les transpose au robot

    NVIDIA présente dans un nouveau rapport de recherche GR00T 2, un modèle d'action-monde qui prédit simultanément le prochain mouvement et une courte vidéo du futur immédiat.

    Motif de la recommandation :Le rapport détaille l'entraînement de GR00T 2 sur 400 000 heures de vidéos humaines et les taux de réussite variables selon les tâches, ce qui permet de situer ses limites avant un usage réel.

  5. Google DeepMind88

    Google DeepMind met à disposition Gemini 4 Carbon

    Google DeepMind rend Gemini 4 Carbon disponible pour les développeurs, les entreprises.

    Motif de la recommandation :Le texte détaille les performances de Gemini 4 Carbon sur plusieurs benchmarks et son prix par token, ce qui permet de comparer avec Gemini 4 Argon.

  1. Hugging Face Blog62

    Hugging Face présente les decision models et leur prise en charge dans l'écosystème

    Hugging Face présente les decision models, des modèles qui renvoient une distribution de probabilités sur des réponses prédéfinies sans générer de texte.

    Motif de la recommandation :L'article présente l'interface unifiée des decision models et leur prise en charge dans Transformers, llama.cpp et le Hub, utile pour évaluer leur intégration dans les applications existantes.

  2. Google DeepMind88

    Google DeepMind présente AlphaProof Code et vérifie formellement le code de Signal

    Google DeepMind présente AlphaProof Code, un cadre agentique multi-LLM qui combine expertise humaine et agents IA pour la vérification formelle de code. Les chercheurs ont ainsi prouvé mathématiquement des propriétés de sécurité du code réel du protocole Signal, avec plus de six millions de lignes de Lean générées par des agents Gemini Carbon et une revue humaine limitée à environ un pour cent du code. Le processus a pris quatre semaines, là où des équipes d'experts y consacrent historiquement des années, et le système a produit des preuves machine-vérifiées que deux bugs réintroduits rendaient le code non sûr. DeepMind ouvre en source ses artefacts de vérification formelle.

    Motif de la recommandation :Le texte détaille le cadre multi-agents, la génération de plus de six millions de lignes de Lean et la vérification du code compilé de Signal, avec un délai de quatre semaines.

  3. Google DeepMind62

    Google DeepMind ouvre les jeux de données SatWeave et PARDIG derrière WeatherNext 3

    Google DeepMind publie SatWeave et PARDIG, deux jeux de données utilisés par son modèle météo WeatherNext 3.

    Motif de la recommandation :L'original expose les caractéristiques des jeux de données SatWeave et PARDIG ainsi que leurs modalités d'accès, ce qui permet de juger de leur utilité pour les applications météo et climat.