Aller au contenu
17 septembrejeu.
  1. OpenAI News62

    OpenAI publie un cadre de signalement du désalignement des modèles et six rapports de comportements anormaux

    OpenAI présente un cadre pour suivre, enquêter et divulguer le désalignement des modèles, accompagné de six rapports portant sur des comportements de modèle inattendus ou préoccupants.

    Motif de la recommandation :Un cadre de suivi et de divulgation du désalignement des modèles, accompagné de six rapports de comportements inattendus, utile pour comprendre les pratiques de sécurité des modèles.

16 septembremer.
  1. Hugging Face Blog62

    IBM Research présente le Consistency Analyzer d'ALTK-Evolve pour réduire l'écart de cohérence des agents

    IBM Research présente le Consistency Analyzer, un outil de diagnostic intégré à ALTK-Evolve qui identifie les points de décision instables d'un agent en rééchantillonnant une trajectoire enregistrée, sans vérité terrain ni nouvelle exécution complète. Sur AppWorld test_normal avec un agent ReAct sur GPT-4.1, l'écart de cohérence entre Mean@5 (77,4 %) et Pass^5 (53,0 %) atteint 24,4 points ; les directives de cohérence générées à partir de ces diagnostics réduisent cet écart à 12,0 points, avec Pass^5 à 69,0 % et Mean@5 à 81,0 %. Le dépôt open source ALTK-Evolve inclut désormais l'outil et la génération de directives, et le rapport technique est publié sur arXiv.

    Motif de la recommandation :L'original expose une méthode de diagnostic de la variabilité des agents et des directives correctives, avec des chiffres avant/après sur AppWorld.

11 septembreven.
10 septembrejeu.
  1. Hugging Face Blog62

    Async GRPO avec LoRA sur HF Jobs : un bucket, un proxy, sans NCCL

    TRL v1.14 prend en charge l'entraînement d'un adaptateur LoRA dans AsyncGRPOTrainer et ne synchronise que cet adaptateur vers vLLM.

    Motif de la recommandation :L'article détaille une architecture concrète pour entraîner un adaptateur LoRA avec Async GRPO sur des Jobs séparés, avec des chiffres de bout en bout et un diagnostic du goulot d'étranglement.

9 septembremer.
8 septembremar.
  1. Google DeepMind88

    Google DeepMind lance AlphaGenome Atlas, une carte prédictive des 9 milliards de variants du génome humain

    Google DeepMind présente AlphaGenome Atlas, une plateforme contenant les prédictions des effets de 9 milliards de variants mononucléotidiques.

    Motif de la recommandation :Le texte détaille une ressource de 1 pétaoctet couvrant 9 milliards de variants et un score AVI unifié, ce qui permet de situer la portée pratique pour la recherche génomique.

4 septembreven.
3 septembrejeu.
  1. Hugging Face Blog62

    Entraîner un modèle de code à peindre à l'aquarelle avec TRL et OpenEnv

    L'auteur reproduit en open source l'idée de Surya Narreddi, dont la vidéo de peintures à l'aquarelle générées par un modèle écrivant du JavaScript via p5.brush a dépassé 1.

    Motif de la recommandation :L'auteur reproduit en open source l'entraînement RL d'un modèle de code pour peindre à l'aquarelle, avec pool, environnement et scripts publiés.

2 septembremer.
  1. Hugging Face Blog36

    BenchMIRT : que mesurent réellement les benchmarks de LLM ?

    Hugging Face présente BenchMIRT, une méthode qui applique l'Item Response Theory multidimensionnelle (MIRT) au niveau de chaque prompt pour auditer les benchmarks de LLM. Entraînée sur les résultats de 100 LLM, 16 benchmarks et plus de 34K questions, elle identifie sans supervision deux dimensions dominantes : sécurité et raisonnement général. L'analyse montre que les scores de BBQ et WMDP sont davantage liés au raisonnement général qu'à la sécurité, et que les questions de copyright de HarmBench se rapprochent aussi du raisonnement général, signe qu'un score unique peut mélanger plusieurs signaux.

  2. Google Research62

    Google Research cartographie les émissions mondiales de méthane depuis l'espace grâce à l'apprentissage profond

    Google Research présente MAPL-EMIT, un cadre d'apprentissage profond basé sur un vision transformer Swin-S qui détecte.

    Motif de la recommandation :Le texte détaille une architecture de vision par ordinateur et un jeu de données synthétiques pour la détection de méthane, avec des chiffres de rappel et des ressources ouvertes.

1 septembremar.
  1. Google Research62

    Google présente TimesFM-3, un modèle de fondation zero-shot pour la prévision multivariée

    Google Research présente TimesFM-3, un modèle de fondation de séries temporelles de 330 millions de paramètres pré-entraîné sur plus de 1 000 milliards de points de données.

    Motif de la recommandation :TimesFM-3 expose l'architecture d'attention alternée et le décodage non autorégressif, une méthode transférable pour la prévision multivariée zero-shot.

  2. Microsoft Research62

    Microsoft Research publie GigaPath-Flash et GigaTIME-Flash, des modèles de fondation en pathologie plus efficaces

    Microsoft Research présente GigaPath-Flash et GigaTIME-Flash, deux modèles de fondation en pathologie dérivés de GigaPath et GigaTIME.

    Motif de la recommandation :L'original expose les compromis efficacité-performance et les estimations de temps GPU, ce qui permet de juger si l'analyse à grande échelle devient réalisable.

28 aoûtven.
27 aoûtjeu.
  1. Google Research34

    GlucoFM : un modèle de base à double flux pour la surveillance continue du glucose

    Google Research présente GlucoFM, un modèle de base auto-supervisé à double flux qui sépare les tendances glycémiques lentes des déviations à court terme des données CGM. Pré-entraîné sur 109 066 heures de données CGM non étiquetées issues de Wear-CGM et de quatre jeux de données publiés (477 enregistrements), il atteint un PR-AUC moyen supérieur de 5,8 points à celui de la meilleure variante de GluFormer sur 14 évaluations cohorte-tâche, et devance toutes les évaluations de risque de diabète et de dysfonction des cellules bêta ainsi que trois des quatre évaluations de résistance à l'insuline. Sur la prévision de la réponse glycémique postprandiale, il obtient la plus faible MAE moyenne sur les appareils Dexcom et Libre, avec les meilleures performances de transfert inter-jeux de données et une forte adaptation few-shot.

26 aoûtmer.
  1. Google Research28

    AgentHands : générer des gestes de main interactifs pour des conversations d'agents ancrées spatialement en XR

    Google Research présente AgentHands, un prototype de recherche publié à CHI 2026 qui dote les agents IA de gestes de main synchronisés à la parole pour des conversations ancrées spatialement en XR. Le système s'appuie sur une taxonomie multidimensionnelle (latéralité et forme du geste, spatialité, dynamique temporelle et VFX) et sur une bibliothèque de gestes répartis en trois catégories sémantiques : déictiques, iconiques et expressifs. Une étude intra-sujets (N = 12) comparant AgentHands à une baseline vocale seule, sur des tâches de soin d'orchidée et d'utilisation d'une imprimante 3D, confirme des gains significatifs en ancrage spatial.

25 aoûtmar.
  1. Hugging Face Blog70

    Quantization-Aware Healing : un modèle 4 bits compressé surpassant sa version pleine précision

    Multiverse Computing présente Quantization-Aware Healing (QAH), une méthode qui distille directement depuis le modèle original pré-compression plutôt que depuis le checkpoint récupéré.

    Motif de la recommandation :L'article détaille une recette de distillation consciente de la quantification et compare ses résultats à ceux du QAT sur plusieurs benchmarks.

22 aoûtsam.
21 aoûtven.
  1. Google Research34

    Google Research présente ME-POIs : comment la mobilité enrichit la compréhension des lieux par les modèles de langage

    Google Research introduit ME-POIs, un framework auto-supervisé qui intègre des schémas de mobilité agrégés et anonymisés aux représentations textuelles des points d'intérêt produites par des modèles comme Gemini. En combinant descriptions textuelles et signatures temporelles de fréquentation via alignement de visites, propagation spatiale multi-échelle et synergie texte-mobilité, ME-POIs obtient jusqu'à 81,9 % de gain relatif sur la prédiction de l'intention de visite, 75,1 % sur la classification du niveau de prix et 24,7 % sur l'estimation de l'affluence pour des lieux non vus. Le mécanisme de propagation spatiale multi-échelle comble la rareté des données des petits commerces en transférant les rythmes de fréquentation de voisins plus actifs.

19 aoûtmer.
  1. Hugging Face Blog62

    ALTK-Evolve : quelle quantité de mémoire un agent doit-il réellement recevoir ?

    ALTK-Evolve, présenté dans un article du blog Hugging Face, distille des consignes réutilisables à partir des trajectoires passées d'un agent et les réinjecte à l'inférence.

    Motif de la recommandation :L'étude quantifie sur huit modèles le dosage optimal de mémoire agentique et montre qu'une récupération sélective peut gagner en précision tout en réduisant les coûts.

17 aoûtlun.
14 aoûtven.
  1. Hugging Face Blog62

    Hugging Face publie son rapport State of Open Models été 2026

    Hugging Face publie son analyse semestrielle State of Open Models couvrant janvier à août 2026. Les dépôts de modèles publics passent de 2.

    Motif de la recommandation :Le rapport quantifie la croissance du Hub, la répartition extrême des téléchargements et la montée des agents, ce qui aide à situer les choix d'écosystème open source.

13 aoûtjeu.
12 aoûtmer.
  1. Google Research62

    Google Research : le rappel, et non l'encodage, est le goulot d'étranglement de la factualité des LLM

    Google Research publie une étude introduisant le knowledge profiling, un cadre comportemental qui distingue l'encodage.

    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.

  2. Google Research78

    Google Research présente AMIE (Video), consultations cliniques audio-visuelles en temps réel

    Google Research présente AMIE (Video), une configuration vidéo temps réel d'AMIE construite sur Gemini et Project Astra.

    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.