Z.ai présente GLM-5.2, son nouveau modèle phare pour les tâches longue durée, qui succède à GLM-5.1 et prend en charge un contexte solide de 1M tokens. Il introduit IndexShare.
Motif de la recommandation :Le modèle phare GLM-5.2 est publié avec un contexte de 1M tokens et des benchmarks de codage longue durée, ce qui permet de comparer les performances des modèles ouverts et fermés.
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.
L'astrophysicien Chi-kwan Chan utilise Codex pour construire des simulations de trous noirs destinées à l'étude de la physique extrême et à tester la théorie de la relativité générale d'Einstein. Codex sert ici d'outil de développement au service de la recherche scientifique.
Motif de la recommandation :L'essai contrôlé randomisé pré-enregistré en Sierra Leone fournit des chiffres d'effet et des données d'interaction, utiles pour évaluer l'usage pédagogique de l'IA.
Google Research présente PHRM, un système de recherche qui utilise la caméra frontale du smartphone pour capturer des vidéos du visage après le déverrouillage et estime la fréquence cardiaque par photopléthysmographie à distance et apprentissage profond, avec une MAPE inférieure à 10 % par rapport à l'électrocardiogramme. Le système agrège les mesures de la journée pour estimer la fréquence cardiaque au repos quotidienne, avec une MAE inférieure à 5 bpm par rapport aux objets portables. L'étude s'appuie sur plus de 350 000 clips vidéo de près de 700 participants, en veillant à la représentation des différents tons de peau, et publie le plus grand ensemble de données vidéo de smartphone disponible pour la recherche ainsi qu'un modèle pré-entraîné PHRM-mini.
Motif de la recommandation :Le système PHRM utilise la caméra frontale du téléphone pour surveiller en arrière-plan la fréquence cardiaque et la fréquence cardiaque au repos, avec une précision proche de celle des objets portables, et publie le plus grand ensemble de données diversifié à ce jour.
OpenAI annonce de nouvelles capacités pour GPT-Rosalind, destinées à la recherche en sciences de la vie. Le modèle renforce le raisonnement biologique.
Motif de la recommandation :L'annonce présente les capacités de GPT-Rosalind en raisonnement biologique et analyse génomique, utile pour situer les outils IA dédiés à la recherche en sciences de la vie.
Hugging Face publie un guide débutant consacré à torch.profiler, premier volet d'une série sur le profilage PyTorch. Le tutoriel détaille la configuration du profileur.
Motif de la recommandation :Mistral détaille sa pile IA industrielle et son agent Vibe, avec des partenariats Airbus, BMW et ASML et un centre de données en France, ce qui éclaire le positionnement entreprise.
Motif de la recommandation :Le texte détaille un protocole de synchronisation de poids par deltas sparse via HF Buckets, avec code et architecture, utile pour réduire les coûts de l'RL asynchrone.
Motif de la recommandation :Un modèle d'OpenAI résout le problème des distances unitaires vieux de 80 ans et réfute une conjecture centrale en géométrie discrète, un cas concret de raisonnement mathématique par IA.
Hugging Face publie OlmoEarth v1.1, une famille de modèles d'observation de la Terre qui réduit jusqu'à 3x les coûts de calcul tout en conservant les performances d'OlmoEarth v1. La réduction repose sur la fusion des tokens par résolution pour Sentinel-2, ce qui divise par trois le nombre de tokens, au prix d'une modification du pré-entraînement pour éviter une baisse de 10 points sur m-eurosat kNN. Les poids et le code d'entraînement des modèles Base, Tiny et Nano sont disponibles.
Motif de la recommandation :L'article détaille les performances d'ERA sur plusieurs benchmarks et huit cas d'application scientifique, permettant de juger de l'apport de l'outil à la recherche computationnelle.
Motif de la recommandation :Six rerankers de 17M à 1B, avec données et recette d'entraînement complètes, permettent d'évaluer le compromis qualité-latence d'un pipeline retrieve-then-rerank.
Google DeepMind présente l'utilisation de Co-Scientist par les biologistes Omar Abudayyeh et Jonathan Gootenberg pour accélérer la recherche sur le vieillissement cellulaire. L'outil a analysé des dizaines de milliers d'articles et proposé plus de 20 facteurs génétiques nouveaux et plausibles à tester ; des tests en laboratoire ont validé quelques hypothèses, les facteurs recommandés ayant conduit les cellules vers un état plus jeune avec une fonction globale améliorée. Co-Scientist réduit aussi le temps d'analyse des données de criblage, qui pouvait prendre jusqu'à six mois, à quelques jours seulement.
Motif de la recommandation :L'original montre comment Co-Scientist propose des cibles génétiques et réduit de six mois à quelques jours l'analyse de criblage, une méthode transférable à d'autres équipes.
Motif de la recommandation :Présentation des outils expérimentaux et des compétences scientifiques de Gemini, avec les partenaires et les cas d'usage déjà en test, ce qui permet de situer les capacités agentiques appliquées à la recherche.
Google DeepMind indique que Calico Life Sciences utilise Co-Scientist pour formuler des hypothèses sur la biologie du vieillissement. Sur la réponse intégrée au stress (ISR).
Motif de la recommandation :Un cas concret montre comment un système d'IA propose des médicaments candidats et comment deux d'entre eux bloquent la fibrose sur cellules hépatiques humaines.
La recherche B2B Signals d'OpenAI montre que les entreprises de pointe approfondissent leur adoption de l'IA et passent à l'échelle des workflows agentiques propulsés par Codex. Ces organisations construisent ainsi un avantage concurrentiel durable.
Motif de la recommandation :L'original expose la conception d'architecture et les résultats d'évaluation de l'IA co-clinicien, permettant de comprendre les capacités et les limites actuelles de l'IA dans les scénarios médicaux.
Motif de la recommandation :Quatre cas scientifiques concrets montrent comment ERA s'articule avec Gemini Deep Think et les données d'observation existantes, offrant un aperçu des modes de collaboration entre LLM et recherche.
Motif de la recommandation :L'article détaille le pipeline de pré-entraînement en cinq phases et la recette RL de Granite 4.1, utile pour comprendre comment un dense 8B rivalise avec un MoE 32B.
OpenAI publie un cadre d'analyse couvrant 921 métiers et 148 millions d'emplois aux États-Unis pour identifier ceux exposés au risque d'automatisation.
Motif de la recommandation :L'article détaille l'architecture CSA/HCA et les choix de post-entraînement qui rendent l'inférence à 1M tokens exploitable pour les agents.