Google Research enseigne aux LLM un raisonnement bayésien
Google Research montre que le fine-tuning supervisé sur les prédictions d'un assistant bayésien optimal permet aux LLM d'approcher un raisonnement probabiliste.
Google Research montre que le fine-tuning supervisé sur les prédictions d'un assistant bayésien optimal permet aux LLM d'approcher un raisonnement probabiliste.
Un nouveau preprint étend les amplitudes single-minus aux gravitons.
Photoroom publie le troisième volet de sa série PRX, consacré à un speedrun d'entraînement d'un modèle text-to-image en 24 heures sur 32 H200.
Motif de la recommandation :L'article détaille la recette complète d'un entraînement text-to-image en 24h sur 32 H200 pour environ 1500 dollars, avec code open source.
Pacific Northwest National Laboratory et OpenAI lancent DraftNEPABench, un benchmark évaluant comment les agents de codage IA peuvent accélérer les permis fédéraux.
Hugging Face détaille dans un article de blog les évolutions de la bibliothèque transformers pour prendre en charge les modèles Mixture of Experts (MoE).
Motif de la recommandation :L'article détaille les modifications d'ingénierie de transformers pour les MoE, avec des benchmarks de chargement et des API concrètes pour le déploiement.
OpenAI annonce cesser d'évaluer SWE-bench Verified.
OpenAI partage les tentatives de preuve de son modèle d'IA pour le défi mathématique First Proof.
OpenAI engage 7,5 M$ en faveur de The Alignment Project afin de financer la recherche indépendante sur l'alignement de l'IA. Ce financement vise à renforcer les efforts mondiaux face aux risques de sûreté et de sécurité liés à l'AGI.
OpenAI et Paradigm lancent EVMbench, un benchmark qui évalue la capacité des agents IA à détecter.
Google Research présente MapTrace, une nouvelle tâche.
Motif de la recommandation :L'article détaille un pipeline de génération de données synthétiques pour l'apprentissage du tracé d'itinéraires sur cartes, avec des résultats chiffrés sur MapBench.
OpenAI publie GABRIEL, une nouvelle boîte à outils open source qui s'appuie sur GPT pour transformer des textes et des images qualitatifs en données quantitatives. Elle vise à aider les chercheurs en sciences sociales à analyser leurs corpus à grande échelle.
Google DeepMind annonce une mise à niveau majeure de Gemini 3 Deep Think, son mode de raisonnement spécialisé.
Motif de la recommandation :L'original expose les scores de Deep Think sur HLE, ARC-AGI-2 et Codeforces, ainsi que son ouverture via l'API Gemini, ce qui permet de situer le mode de raisonnement spécialisé de Gemini 3.
Hugging Face et Meta présentent OpenEnv, un framework open source qui évalue les agents IA contre de vrais systèmes plutôt que des simulations.
Motif de la recommandation :L'article détaille le framework OpenEnv et le benchmark Calendar Gym, avec des chiffres concrets sur les limites des agents et des cas d'erreur d'appel d'outils réutilisables.
Google Research présente DialogLab, un framework open source de prototypage permettant de concevoir.
Google DeepMind a publié en août 2025 Perch 2.0, un modèle de base en bioacoustique principalement entraîné sur des oiseaux et autres animaux terrestres vocaux.
Google DeepMind publie deux articles détaillant l'utilisation du mode Gemini Deep Think pour résoudre des problèmes de recherche professionnels en mathématiques.
Motif de la recommandation :L'article détaille l'agent de recherche mathématique Aletheia et les recettes de collaboration humain-IA, avec des cas concrets en mathématiques, physique et informatique.
Un laboratoire autonome combinant GPT-5 d'OpenAI avec l'automatisation cloud de Ginkgo Bioworks a réduit de 40 % le coût de la synthèse de protéines sans cellules grâce à une expérimentation en boucle fermée.
Motif de la recommandation :Un laboratoire autonome combinant GPT-5 et l'automatisation cloud de Ginkgo Bioworks réduit de 40 % le coût de la synthèse de protéines sans cellules.
Google Research dévoile Natively Adaptive Interfaces (NAI).
Google Research présente Sequential Attention, une méthode de sélection de sous-ensembles qui intègre un mécanisme de sélection gloutonne directement dans l'entraînement du modèle pour choisir séquentiellement les composants les plus informatifs. Appliquée à la sélection de features, elle remplace la sélection gloutonne classique par les poids d'attention internes du modèle, atteignant des résultats SOTA sur plusieurs benchmarks de réseaux de neurones tout en permettant une implémentation en un seul passage. La méthode revendique une meilleure efficacité, une scalabilité sur de grands modèles et une interprétabilité accrue via les scores d'attention.
Google Research annonce, en partenariat avec Included Health, le lancement d'une étude randomisée nationale prospective avec consentement.
Motif de la recommandation :L'original expose le passage de la simulation à un essai randomisé national en soins virtuels réels, avec les étapes de recherche qui le précèdent.
Hugging Face publie le deuxième volet de sa série sur l'entraînement de modèles texte-image efficaces.
Google Research publie « Towards a Science of Scaling Agent Systems ».
Motif de la recommandation :Une évaluation contrôlée de 180 configurations quantifie quand les architectures multi-agents aident ou nuisent, avec un modèle prédictif pour choisir la coordination.
Google Research présente ATLAS (Adaptive Transfer Scaling Laws), des lois de scaling adaptatives pour le pré-entraînement.
L'équipe de recherche présente Alyah (الياه, « étoile polaire » en émirati).
L'équipe LinkedIn partage son retour d'expérience sur l'entraînement par apprentissage par renforcement agentique du modèle GPT-OSS avec le framework open source verl.
OpenAI lance Prism, un espace de travail LaTeX natif gratuit avec GPT-5.2 intégré, destiné aux chercheurs pour écrire, collaborer et raisonner au même endroit.
Google Research a introduit GIST (Greedy Independent Set Thresholding), un algorithme de sélection de sous-ensembles de données présenté à NeurIPS 2025.
Google Research montre qu'une approche décomposée — résumer chaque écran puis extraire l'intention de la séquence — permet à de petits MLLM d'égaler de grands modèles pour comprendre l'intention utilisateur sur mobile et web. Testée sur les modèles Gemini et Qwen2, elle surpasse le chain of thought prompting (CoT) et le fine-tuning end-to-end (E2E), et Gemini 1.5 Flash 8B atteint des résultats comparables à Gemini 1.5 Pro à une fraction du coût et de la latence. L'évaluation repose sur l'approche Bi-Fact et des « atomic facts » pour mesurer précision, rappel et F1, ouvrant la voie à une compréhension d'intention embarquée sur appareil.
Hugging Face présente AssetOpsBench, un benchmark et système d'évaluation pour agents IA en milieu industriel.
Un an après la sortie du modèle R-1 de DeepSeek en janvier, l'écosystème open source chinois de l'IA a connu une croissance organique.
Google DeepMind présente D4RT (Dynamic 4D Reconstruction and Tracking).
Motif de la recommandation :L'article présente l'architecture unifiée de D4RT et son efficacité jusqu'à 300 fois supérieure, utile pour évaluer les pistes de déploiement en robotique et en RA.
Google Research a développé un modèle deep learning multi-têtes basé sur une architecture TCN qui estime directement l'ensemble des métriques spatio-temporelles de marche à partir d'une Pixel Watch portée au poignet, avec une fréquence d'échantillonnage de 50 Hz. Validé sur 246 participants et environ 70 000 segments de marche, le modèle atteint une validité élevée (Pearson r > 0,80) et une excellente fiabilité (ICC > 0,80) pour la vitesse de marche, la longueur de pas, le temps de balancement et le temps d'appui, avec des performances comparables aux estimations par smartphone.
Google Research établit une corrélation positive statistiquement significative entre les freinages brusques (HBE.
Google Quantum AI a démontré expérimentalement sur le processeur Willow un code de surface fonctionnant avec des circuits dynamiques.
Google Research décrit dans Science Advances une version de NeuralGCM entraînée directement sur des observations satellitaires de précipitations de la NASA couvrant 2001 à 2018.
Motif de la recommandation :L'article détaille comment NeuralGCM apprend la paramétrisation des précipitations à partir d'observations satellitaires, avec des écarts chiffrés face aux modèles opérationnels.
Berkeley AI Research propose un cadre qui évalue et optimise directement les systèmes d'imagerie selon leur contenu informationnel.
TII annonce Falcon-H1-Arabic, une famille de modèles de langue arabe en versions 3B.
Motif de la recommandation :Présente l'architecture hybride Mamba-Transformer et les fenêtres de contexte de 128K à 256K, utile pour évaluer les compromis entre taille et déploiement.
Google DeepMind et Google Research ont publié leur rétrospective 2025, année marquée par le lancement de Gemini 3 en novembre et de Gemini 3 Flash en décembre.
Google Research dresse le bilan de son année 2025, marquée par des avancées en efficacité.
OpenAI présente un cadre d'évaluation en conditions réelles pour mesurer comment l'IA peut accélérer la recherche biologique en laboratoire humide. GPT-5 a été utilisé pour optimiser un protocole de clonage moléculaire, explorant à la fois les promesses et les risques de l'expérimentation assistée par IA.