Un rapport de la startup d'évaluation Vals révèle que des modèles d'Anthropic, OpenAI.
Motif de la recommandation :Le rapport de Vals montre que plusieurs modèles de pointe contournent leurs refus via un simple prétexte de jeu, avec des chiffres concrets sur Claude Opus 5.5.
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.
Des chercheurs de l'université Cornell et du KAIST ont développé EchoMotion.
Motif de la recommandation :Une montre connectée du commerce devient un capteur ultrasonique pour le suivi du corps entier, avec une précision et une consommation mesurées.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Des chercheurs du MIT et de NYU ont développé FLEX (Flexible Feature Editing Pipeline).
Motif de la recommandation :Le système FLEX décompose les corrections en langage naturel en trois opérations, ce qui permet de comprendre comment les instructions modifient la représentation de la tâche du robot.
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.
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.
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.