Motif de la recommandation :Le modèle SL2T de Google DeepMind est déployé dans Gboard et Live Transcribe sur Pixel 11, avec des détails sur l'entraînement et la protection de la vie privée.
Motif de la recommandation :L'étude distingue l'encodage du rappel des faits et montre que l'échec de rappel, non l'absence de connaissance, domine les erreurs factuelles des modèles de pointe.
Motif de la recommandation :L'article détaille l'architecture multi-agents asynchrone et le protocole d'évaluation randomisé d'AMIE (Video), utile pour comprendre comment un système vocal et visuel temps réel est structuré et testé.
Motif de la recommandation :Le modèle WeatherNext Cyclones est présenté avec ses performances de prévision et ses poids ouverts, ce qui permet de juger de son intérêt pour la recherche météorologique.
Motif de la recommandation :L'original expose les capacités d'orchestration, de suivi de progression et de collaboration multi-robots, ainsi que les points d'accès ouverts aux développeurs.
Motif de la recommandation :Lyria 3.5 détaille les améliorations de musicalité, paroles et voix, utile pour suivre l'évolution de la génération musicale.
Motif de la recommandation :L'article détaille une couche de traduction CUDA vers MLX et les gains mesurés sur les kernels Attention et Mamba, utile pour évaluer la portabilité des optimisations GPU.
Motif de la recommandation :Google DeepMind détaille trois modèles distincts et leurs capacités de contrôle corps entier, de dextérité et de collaboration multi-robots, avec les modalités d'accès pour les développeurs.
Motif de la recommandation :L'étude compare à grande échelle les diagnostics différentiels d'agents conversationnels à ceux de cliniciens et les recoupe avec des données de wearables.
Google Research a publié dans Nature un cadre d'apprentissage par renforcement où un agent autonome apprend des détections d'erreurs quantiques pour ajuster en continu des milliers de paramètres de contrôle et stabiliser le système pendant le calcul. Sur le processeur supraconducteur Willow, avec une dérive artificielle injectée, ce pilotage par RL a amélioré la stabilité logique du code correcteur d'erreurs d'un facteur 3,5, et un affinage RL après calibration experte a réduit le taux d'erreur logique de 20 % supplémentaires. L'expérience a ramené les erreurs logiques des mémoires quantiques à moins d'une pour mille cycles de correction dans le code de surface et une pour cent dans le code couleur. Des simulations avec des centaines de qubits et des dizaines de milliers de paramètres de contrôle indiquent que le nombre d'itérations d'entraînement RL nécessaires est indépendant de la taille du système.
Motif de la recommandation :L'article détaille un cadre d'apprentissage par renforcement pour la calibration quantique continue et rapporte des gains mesurés sur le processeur Willow.
Motif de la recommandation :Google DeepMind détaille les gains de tokens, les prix et les benchmarks des nouveaux Gemini Flash, utiles pour évaluer le coût des workflows agentiques.
Google Research présente SensorFM, un grand modèle de fondation de capteurs pré-entraîné sur plus de mille milliards de minutes de signaux multimodaux issus de cinq millions de participants consentants, couvrant plus de 100 pays et plus de 20 modèles d'appareils Fitbit et Pixel Watch. Le modèle apprend par reconstruction auto-supervisée avec le cadre Adaptive and Inherited Masking (AIM), qui traite les données manquantes comme un artefact naturel plutôt que de les imputer ou de les écarter. Sur 35 tâches de santé issues de trois études prospectives totalisant 13 985 participants, les sondes linéaires sur les embeddings de SensorFM surpassent la baseline supervisée à caractéristiques d'ingénierie sur 34 tâches, et le plus grand modèle (SensorFM-B) réduit la perte de reconstruction de 31 % par rapport à la plus petite variante, avec un gain moyen de 9 % en AUC sur les tâches de classification et de 21 % en coefficient de Pearson sur les tâches de régression. Un système d'agents LLM collaboratifs et concurrents a exploré plus de 30 000 solutions candidates pour construire des têtes de prédiction, battant une sonde linéaire simple sur 16 des 20 tâches de classification et 12 des 15 tâches de régression. Intégré à un Personal Health Agent, SensorFM a permis des résumés de santé jugés significativement meilleurs que la baseline sur cinq dimensions par un panel de cliniciens, sans différence statistiquement significative avec l'utilisation de mesures de référence réelles.
Motif de la recommandation :L'article détaille un modèle de fondation entraîné sur plus de mille milliards de minutes de données de capteurs, avec des gains mesurés sur 35 tâches de santé.
Google Research publie dans Nature Cities la première étude à grande échelle sur l'utilisation des plateformes de navigation pour améliorer le trafic. Dans 10 grandes villes américaines.
Motif de la recommandation :L'étude quantifie à l'échelle de dix villes l'effet d'un routage coordonné sur la vitesse et les émissions, avec un protocole réutilisable.
Motif de la recommandation :L'original expose une architecture vocale ouverte et modulaire avec les composants et le point d'accès au code, ce qui permet de juger comment assembler un pipeline speech-to-speech temps réel.
Motif de la recommandation :Deux modèles génératifs de Google DeepMind précisent latence, coût et limites, ce qui aide à évaluer leur intégration dans des pipelines multimédia.
Google Research présente TabFM, un modèle de fondation pour la classification et la régression sur données tabulaires qui élimine l'entraînement manuel.
Motif de la recommandation :L'article détaille l'architecture hybride et l'entraînement sur données synthétiques de TabFM, ce qui permet de comprendre comment le zero-shot s'applique aux données tabulaires.
Motif de la recommandation :L'article détaille comment greffer la prédiction multi-token sur un Gemini Nano v3 gelé, avec une architecture zéro copie et des gains mesurés sur Pixel.
Motif de la recommandation :L'intégration native de la capacité computer use dans Gemini 3.5 Flash et les garde-fous d'entreprise associés permettent de juger comment construire des agents multiplateformes.
L'équipe Chrome de Google expérimente la Cross-Origin Storage API (COS) dans Transformers.js pour éliminer les téléchargements et stockages dupliqués de ressources de modèles et de runtimes Wasm entre origines. Le cache navigateur étant isolé par origine via une Network Isolation Key, un même modèle comme Xenova/whisper-tiny.en peut être retéléchargé (177 MB dans l'exemple) sur chaque site, et le fichier Wasm partagé ort-wasm-simd-threaded.asyncify.wasm (4 733 kB) est lui aussi rechargé. L'API COS, encore à l'état de proposition non finalisée et non implémentée nativement, identifie les fichiers par hash cryptographique plutôt que par URL, et peut être testée via une extension injectant le polyfill navigator.crossOriginStorage.
Motif de la recommandation :L'original détaille la spécification ARD et son implémentation de référence sur le Hub, ce qui permet de comprendre comment la découverte de capacités se sépare de l'exécution.
Motif de la recommandation :Le prototype d'IA de planification au Royaume-Uni montre comment un agent assiste les décisions administratives tout en gardant l'humain décideur.
Google DeepMind présente son AI Control Roadmap, un cadre de défense en profondeur qui traite les agents internes comme potentiellement mal alignés et ajoute une couche de sécurité système au-delà de l'alignement des modèles. Le dispositif s'appuie sur un cadre de modélisation des menaces inspiré de MITRE ATT&CK, des superviseurs IA surveillant le raisonnement et les actions des agents, et des niveaux de détection D1-D4 et de prévention/réponse R1-R3 indexés sur les capacités du modèle. L'équipe indique avoir analysé un million de tâches d'agents de codage et utilisé ces données pour un moniteur en direct du agent Gemini Spark, la majorité des événements signalés provenant de mauvaises interprétations plutôt que d'une intention adverse. DeepMind publie en parallèle un cadre technique pour les décideurs, 'Three Layers of Agent Security'.
Motif de la recommandation :Google DeepMind détaille son AI Control Roadmap et les niveaux D1-D4/R1-R3, une grille de sécurité des agents directement transposable à d'autres déploiements.
Google Research publie dans JAMA Dermatology une étude montrant que l'assistance par IA fait passer la précision d'identification des affections cutanées de 8 % (recherche web classique) à 23 %, et à 36 % lorsque les prédictions correspondent aux diagnostics de référence de dermatologues. Menée auprès de 2 345 participants, l'étude révèle aussi que l'IA n'améliore pas significativement la détermination des étapes suivantes : 30 % des utilisateurs du bras IA suggèrent une prise en charge moins urgente que celle d'un dermatologue, contre 27 % dans le groupe contrôle. Un second volet qualitatif examine l'usage de ces outils sur des cas personnels au sein de communautés diverses.
Motif de la recommandation :L'article détaille la transformation de téléphones recyclés en plateforme de calcul cloud et les défis techniques associés, offrant un cas concret de réduction du carbone incorporé.
Google DeepMind publie DiffusionGemma, un modèle expérimental open source sous licence Apache 2.0 qui génère le texte par diffusion plutôt que token par token.
Motif de la recommandation :Un modèle expérimental open source qui échange la qualité contre la vitesse d'inférence locale, avec des compromis clairement exposés.
Google DeepMind publie Gemini 3.5 Live Translate, un modèle audio capable de détecter automatiquement plus de 70 langues et de générer une traduction vocale naturelle en temps réel.
Motif de la recommandation :Le modèle prend en charge plus de 70 langues et est déployé sur l'API Gemini Live, Google Meet et Google Translate, ce qui permet de comparer les scénarios d'application de la traduction vocale en temps réel.
Motif de la recommandation :L'architecture sans encodeur et l'exécution locale sur 16 Go de VRAM permettent de juger de l'impact sur les déploiements embarqués.