Motif de la recommandation :L'original expose le fonctionnement et les retours d'utilisation d'un outil d'évaluation par IA sur des articles de théorie informatique, avec des données de satisfaction concrètes.
Google DeepMind élargit son partenariat avec l'UK AI Security Institute (AISI) via un nouveau Memorandum of Understanding portant sur la recherche fondamentale en sécurité et sûreté. Le partenariat, qui s'appuie sur une collaboration entamée depuis la création de l'AISI en novembre 2023, inclut le partage d'accès aux modèles propriétaires, des rapports conjoints et des recherches collaboratives. Les axes clés couvrent la surveillance des processus de raisonnement (chain-of-thought), l'étude des impacts sociaux et émotionnels du désalignement socioaffectif, et l'évaluation de l'impact économique de l'IA par simulation de tâches réelles.
Google Research présente Urania, un framework de confidentialité différentielle (DP) qui génère des insights sur les conversations avec les chatbots LLM avec des garanties mathématiques de bout en bout, présenté à COLM 2025. Le pipeline combine clustering DP, extraction de mots-clés par histogramme DP et summarization par LLM sur les seuls mots-clés anonymisés, sans jamais exposer les conversations originales. Face au baseline non privé Simple-CLIO, les résumés DP ont été préférés jusqu'à 70 % du temps par les évaluateurs LLM, malgré une couverture thématique réduite lorsque le budget de confidentialité ε diminue.
Motif de la recommandation :Le partenariat détaille des accès prioritaires à des modèles scientifiques et un laboratoire automatisé, ce qui éclaire la trajectoire de l'IA appliquée à la recherche publique.
Motif de la recommandation :Le lecteur peut situer les quatre axes d'évaluation de la factualité et les écarts de performance entre les principaux modèles.
Motif de la recommandation :L'article présente l'architecture Titans et le cadre MIRAS, avec des résultats sur des contextes dépassant 2 millions de tokens et des tests en génomique et séries temporelles.
Motif de la recommandation :L'article montre comment AlphaFold a permis d'obtenir des structures enzymatiques inaccessibles expérimentalement et d'orienter la modification d'une enzyme clé de la photosynthèse.
Les chercheurs d'OpenAI testent les « confessions », une méthode qui entraîne les modèles à admettre leurs erreurs ou comportements indésirables afin d'améliorer l'honnêteté.
OpenAI accorde jusqu'à 2 millions de dollars de subventions pour financer des recherches à l'intersection de l'IA et de la santé mentale. Le programme soutient des projets étudiant les risques, bénéfices et applications réels afin d'améliorer la sécurité et le bien-être.
Motif de la recommandation :L'article détaille comment AlphaFold a permis de cartographier la structure de l'apoB100, une avancée qui ouvre des pistes thérapeutiques contre les maladies cardiovasculaires.
Le professeur Ernest Ryu de l'UCLA et GPT-5 ont résolu une question clé en théorie de l'optimisation, illustrant le rôle de l'IA dans l'accélération de la découverte mathématique.
Google Research a dévoilé un modèle de prédiction léger fondé sur une simple régression linéaire pour estimer la probabilité qu'une borne de recharge pour véhicules électriques soit disponible dans quelques minutes. Testé sur 100 stations sélectionnées aléatoirement, avec un échantillonnage toutes les 30 minutes pendant une semaine et des horizons de 30 à 60 minutes, il surpasse la baseline « Keep Current State » en identifiant les rares moments de forte rotation d'occupation. Le modèle s'appuie uniquement sur l'heure de la journée comme caractéristique, chaque heure recevant un poids appris qui quantifie le taux de variation de l'occupation.
Google Research décrit un modèle de traduction parole-à-parole de bout en bout qui génère directement l'audio traduit dans la voix de l'orateur d'origine avec seulement 2 secondes de délai.
Motif de la recommandation :L'article expose l'architecture de bout en bout et le pipeline de données qui ramènent la traduction vocale à 2 secondes de délai, avec un déploiement produit concret.
Google DeepMind présente SIMA 2, un agent généraliste qui intègre un modèle Gemini comme cœur de raisonnement et passe du suivi d'instructions à un compagnon de jeu interactif capable de converser et de s'auto-améliorer. Le système a été entraîné sur un mélange de vidéos de démonstration humaines et de labels générés par Gemini, et il généralise à des jeux non vus comme ASKA ou MineDojo, y compris dans des mondes générés en temps réel par Genie 3. SIMA 2 est publié en aperçu de recherche limité, avec un accès anticipé pour un petit groupe de chercheurs et de développeurs de jeux.
Motif de la recommandation :SIMA 2 intègre Gemini comme moteur de raisonnement et passe du suivi d'instructions à l'auto-amélioration dans des mondes 3D, avec des limites de mémoire et de tâches longues explicitement documentées.
Google Quantum AI et des chercheurs de Stanford, MIT et Caltech ont publié dans Nature un algorithme quantique appelé Decoded Quantum Interferometry (DQI).
Motif de la recommandation :L'article présente l'algorithme DQI qui transforme des problèmes d'optimisation en problèmes de décodage, avec un exemple où un ordinateur quantique nécessiterait environ un million d'opérations contre 10^23 pour un ordinateur classique.
Motif de la recommandation :L'addendum présente les métriques de sécurité mises à jour de GPT-5.1 Instant et Thinking, avec de nouvelles évaluations sur la santé mentale et la dépendance émotionnelle.
Google DeepMind publie dans Nature un article montrant que réorganiser les représentations visuelles d'un modèle selon les hiérarchies conceptuelles humaines améliore sa robustesse et sa généralisation. L'équipe part d'un modèle pré-entraîné SigLIP-SO400M, entraîne un petit adaptateur sur le jeu de données THINGS, puis génère un nouveau jeu de données AligNet de plusieurs millions de jugements de type odd-one-out sur un million d'images pour affiner d'autres modèles. Les modèles alignés obtiennent de meilleurs résultats sur des tâches de sciences cognitives et sur des tâches d'apprentissage few-shot et de distribution shift.
Motif de la recommandation :L'article détaille une méthode en trois étapes pour aligner les représentations visuelles des modèles sur les hiérarchies conceptuelles humaines, avec des gains mesurés sur la robustesse et la généralisation.
Google Research présente Nested Learning, un paradigme publié à NeurIPS 2025 qui traite un modèle ML comme un système de problèmes d'optimisation imbriqués.
Motif de la recommandation :L'article présente un paradigme qui unifie architecture et optimisation et détaille l'architecture Hope, offrant un cadre pour aborder l'oubli catastrophique.
Google Research annonce ForestCast, un modèle de deep learning fondé sur des vision transformers qui prédit le risque de déforestation à partir de données satellitaires brutes Landsat et Sentinel 2, sans cartes auxiliaires. Le modèle s'appuie surtout sur l'« historique de changement », une entrée dérivée des satellites indiquant les pixels déjà déforestés et l'année associée, dont l'usage seul donne des métriques de précision comparables à celles des données satellitaires brutes complètes. Google Research publie en parallèle le premier benchmark public dédié à l'entraînement de modèles de prédiction du risque de déforestation, avec les données d'entrée, d'entraînement et d'évaluation.
Motif de la recommandation :L'article expose le design système, les quatre défis techniques et les données de test des TPU, permettant de comprendre les contraintes réelles du calcul IA dans l'espace.
Un algorithme de RL off-policy fondé sur le paradigme « diviser pour régner » remplace le TD learning en réduisant logarithmiquement le nombre de récursions de Bellman.
Motif de la recommandation :Présente un système combinant LLM, confidentialité différentielle et TEE pour analyser l'usage des outils GenAI sans exposer les données individuelles, avec code open source.
Motif de la recommandation :Deux modèles ouverts de raisonnement dédiés au marquage de contenu selon une politique fournie, avec évaluations de sécurité comparées aux gpt-oss de base.
Motif de la recommandation :OpenAI et Apollo Research présentent des évaluations du comportement de dissimulation et une méthode précoce pour le réduire, ce qui éclaire les risques d'alignement des modèles de pointe.
OpenAI publie une nouvelle recherche expliquant pourquoi les modèles de langage hallucinent. Les résultats montrent que l'amélioration des évaluations peut renforcer la fiabilité.
Motif de la recommandation :L'article explique les causes des hallucinations des modèles de langage et propose des pistes d'évaluation pour améliorer la fiabilité et l'honnêteté.
Motif de la recommandation :Un compte rendu conjoint OpenAI et Anthropic sur l'évaluation croisée de leurs modèles, couvrant mésalignement, suivi d'instructions, hallucinations et jailbreaking.