Aller au contenu
21 octobremer.
20 octobremar.
  1. Hugging Face Blog72

    ALTK-Evolve : la mémoire apprise place un agent GPT-4.1 en tête du benchmark τ²-bench en service client

    ALTK-Evolve, méthode d'IBM Research publiée sur le blog Hugging Face.

    Motif de la recommandation :L'original montre comment des règles comportementales extraites des trajectoires de l'agent améliorent la précision et la fiabilité sans mise à jour des poids, avec des chiffres par domaine.

19 octobrelun.
17 octobresam.
  1. Google Research62

    Google Research présente trois projets pour ancrer les agents IA dans la biologie expérimentale

    Google Research détaille trois projets visant à combler l'écart entre l'exploration IA in silico et l'expérimentation en laboratoire humide. Le framework VERID fournit un jumeau numérique sémantique du laboratoire pour des exécutions simulées et des contrôles de sécurité avant toute manipulation robotique. Dans un cycle fermé de trois tours sur des aptamères, les agents ont atteint des taux de réussite confirmés de 33,5% pour la myoglobine et 42,1% pour l'α-thrombine, avec une spécificité de 98,5%. Pour la conception de novo de protéines, l'excision d'épitope a accéléré chaque cycle de plus de huit fois et la collaboration humain-agent a presque doublé le taux de réussite in silico par rapport à un scientifique seul.

    Motif de la recommandation :Trois projets de Google Research montrent comment des agents IA relient conception in silico et expériences humides, avec des chiffres de réussite concrets.

  2. CISA Advisories62

    NIST, NSA SISC et CISA publient dix pratiques clés pour la préparation et la réponse aux incidents dans l'entraînement et l'évaluation de la superintelligence

    Le NIST, le Super Intelligence Security Center de la NSA (NSA SISC) et la CISA ont publié le document Key Practices for Incident Readiness and Response in Super Intelligence Training and Evaluation, qui présente dix pratiques volontaires pour aider les organisations entraînant et évaluant des agents de superintelligence (SI) à se préparer et à gérer les incidents de contrôle SI. Un incident de contrôle SI se produit lorsqu'un ou plusieurs agents SI prennent des actions non instruites qui entrent en conflit avec les politiques, contrôles ou mesures de sécurité encadrant la tâche et assurant la supervision humaine, ou les compromettent. Le document s'aligne sur les bonnes pratiques de réponse aux incidents cyber, ajoute des considérations spécifiques aux SI et souligne l'importance de tester les contrôles et de valider le confinement avant de reprendre les activités des agents SI. Il aborde notamment les mesures limitant l'accès des agents aux informations, systèmes, outils et réseaux, la surveillance des activités inattendues, la préservation des preuves et l'arrêt des comportements indésirables, la reconstruction à partir de bases vérifiées, ainsi que la notification des incidents et quasi-incidents aux agences gouvernementales concernées et aux parties affectées.

    Motif de la recommandation :Le document énumère dix pratiques volontaires pour la préparation et la réponse aux incidents liés aux agents d'IA de pointe, utile pour comprendre les exigences de contrôle avant déploiement.

  3. AWS Machine Learning Blog67

    Reflection AI publie Beam, un modèle à poids ouverts pour le codage agentique, déployable sur AWS

    Reflection AI a publié Beam, un modèle à poids ouverts destiné au codage agentique et aux tâches longues comme la maintenance de code et l'appel d'outils. Beam est un modèle MoE sparse de 501 milliards de paramètres totaux et 23 milliards de paramètres actifs, avec une longueur de contexte effective rapportée de 1 million de tokens ; les poids sont publiés sur Hugging Face sous licence Apache 2.0, avec des variantes de checkpoints BF16, FP8 et NVFP4. Le billet détaille trois voies de déploiement sur AWS : un endpoint temps réel SageMaker JumpStart entièrement managé, SageMaker HyperPod Inference avec JumpStart, SGLang ou vLLM, et l'utilisation de SGLang ou vLLM pour contrôler l'image d'inférence et l'exécution distribuée. Beam est disponible au lancement dans SageMaker JumpStart en US East (N. Virginia) et US East (Ohio).

    Même actualité, affichée dans la sélection« Reflection publie Beam, un modèle MoE ouvert de 501B paramètres dédié au code et aux agents »

16 octobreven.
  1. Hugging Face Blog88

    Reflection publie Beam, un modèle MoE ouvert de 501B paramètres dédié au code et aux agents

    Le laboratoire américain Reflection publie Beam sur Hugging Face, un modèle de langage MoE de 501B paramètres (23B actifs par token) sous licence Apache 2.0.

    Motif de la recommandation :Un modèle MoE de 501B paramètres ouvert sous Apache 2.0, avec recettes d'inférence et de post-entraînement fournies, permet d'évaluer le coût réel d'un déploiement autonome.

  2. Hugging Face Blog88

    Meta publie Muse Spark Open, modèle MoE multimodal open-weight de 816B paramètres

    Meta publie Muse Spark Open, un modèle open-weight de la série Muse, avec environ 816 milliards de paramètres au total et environ 42 milliards activés par token.

    Motif de la recommandation :Meta ouvre les poids d'un modèle MoE de 816B paramètres couvrant texte, image, audio et vidéo, avec les recettes de déploiement et de fine-tuning associées.

15 octobrejeu.
  1. Adafruit Blog62

    Epic Games se tournerait vers un modèle de développement de jeux « AI first »

    Selon un rapport de Bloomberg cité par Ars Technica, Epic Games adopte une stratégie de développement « AI first » pour sa collaboration avec The Walt Disney Company.

    Motif de la recommandation :L'original expose le passage d'Epic Games à un développement de jeu « AI first » et le report indéfini du jeu Marvel et Star Wars, ce qui permet de suivre l'impact de l'IA sur les flux de travail des studios.

  2. Google Research60

    Google Earth AI lance un agent de raisonnement géospatial expérimental

    Google Earth AI présente un agent de raisonnement géospatial expérimental qui connecte Gemini aux modèles de fondation Earth AI.

    Motif de la recommandation :L'article détaille les capacités de l'agent de raisonnement géospatial, les benchmarks et les retours de partenaires, permettant de juger de l'apport des outils spécialisés par rapport aux LLM génériques.

14 octobremer.
  1. AWS Machine Learning Blog62

    Comment construire des agents qui paient avec Anchor Browser et AgentCore payments

    AWS explique comment intégrer Anchor Browser et Amazon Bedrock AgentCore payments pour que les agents IA paient automatiquement les ressources protégées par le protocole x402. Il suffit d'activer la propriété session.x402 pour que le navigateur gère la détection du 402, la signature du paiement via Coinbase CDP ou Stripe Privy et la nouvelle tentative, sans modifier le code Playwright, Puppeteer ou CDP existant. Les clés privées restent hors du runtime de l'agent et les limites de dépense sont appliquées au niveau de l'infrastructure.

    Motif de la recommandation :Présente l'intégration d'Anchor Browser et AgentCore payments pour que les agents traitent automatiquement les réponses HTTP 402, avec configuration et exemples de code.

  2. Hugging Face Blog80

    Liquid AI publie LFM2.5-24B-A2B, un modèle de raisonnement MoE pour agents sur appareil

    Liquid AI publie LFM2.5-24B-A2B, un modèle de raisonnement de 24B de paramètres dont seulement 2B sont actifs par token.

    Motif de la recommandation :Liquid AI publie les poids ouverts et les benchmarks d'un modèle MoE orienté agents sur appareil, permettant de comparer le compromis taille, vitesse et usage d'outils.