Google annonce la prochaine génération de son système d'apprentissage fédéré (FL).
Motif de la recommandation :L'article détaille l'architecture TEE du nouveau système FL de Google et son déploiement sur Gboard, permettant de comprendre comment la vérifiabilité et l'auditabilité sont mises en œuvre.
Amazon Payments a appliqué une personnalisation par bandit contextuel multi-objectifs (LinUCB) sur Amazon SageMaker AI à un tunnel d'acquisition produit.
Google DeepMind annonce Gemini 4 Argon, un modèle frontière conçu pour maintenir un raisonnement profond sur des workflows complexes et longs.
Motif de la recommandation :L'annonce détaille les capacités d'Argon en codage, travail de connaissance et cybersécurité, ainsi que son prix et son déploiement progressif.
Google DeepMind présente SynthID Bio, une famille de méthodes de filigrane destinée à la biologie de synthèse.
Motif de la recommandation :Le filigrane s'étend des médias numériques aux séquences protéiques, avec des données de laboratoire humide et une ouverture du code, ce qui permet de comprendre la vérification de la provenance des protéines générées par IA.
Google Research présente Diffusion Controller, un cadre qui reformule le processus de débruitage de la génération d'images comme un problème de contrôle continu.
Google Research présente un AI video co-director, un cadre multi-agents construit comme couche d'orchestration au-dessus de Gemini et Veo.
Motif de la recommandation :L'article détaille quatre cadres multi-agents pour la génération vidéo longue, avec les problèmes de dérive visuelle et de propagation d'erreurs qu'ils traitent.
Google DeepMind lance Gemini 3.8 Live with Live Avatar.
Motif de la recommandation :L'original détaille les capacités visuelles temps réel, l'exécution asynchrone d'outils et la prise en charge de 97 langues, ce qui aide à évaluer l'usage en entreprise.
NVIDIA rejoint une coalition incluant Google DeepMind et EMBL-EBI pour publier en accès libre les structures 3D prédites des complexes protéiques de plus de 2800 virus via la base AlphaFold. Les structures ont été inférées avec AlphaFold2 optimisé par NVIDIA BioNeMo Inference Runtime, et NVIDIA publie aussi le BioNeMo Structure Prediction Pipeline utilisé pour générer le jeu de données. Environ 30 % des interactions protéiques ajoutées sont totalement nouvelles pour la science, selon l'annonce.
Motif de la recommandation :NVIDIA et Google DeepMind ouvrent des structures protéiques virales prédites, un cas concret de données scientifiques partagées pour la préparation pandémique.
Google DeepMind détaille une évolution de son architecture Private AI Compute qui ajoute une couche de mémoire persistante côté serveur.
Motif de la recommandation :L'article détaille l'architecture de mémoire persistante côté serveur de Google et ses mécanismes de chiffrement, utile pour comprendre comment concilier continuité multi-appareils et confidentialité.
Google DeepMind annonce Gemini 3.8 Flash TTS et Gemini 3.8 Flash-Lite TTS, deux modèles de synthèse vocale générative disponibles dans Google AI Studio.
Motif de la recommandation :Google DeepMind détaille les capacités vocales et les garde-fous des deux modèles TTS, utile pour évaluer les usages en doublage et agents vocaux.
Google Research introduit MilleMiglia, un générateur d'instances en C++ conçu pour créer des benchmarks réalistes pour les problèmes de livraison du middle mile.
Google Research présente une nouvelle expérience de recherche qui permet aux enseignants de créer des simulations éducatives interactives personnalisées.
Google Research présente Retrieve-for-Train, un cadre de compilation récompense-données qui remplace le budget de réflexion au moment de l'inférence par un entraînement RL hors ligne.
Google DeepMind lance Gemini 3.8 Live et Gemini 3.8 Live Extended Thinking.
Motif de la recommandation :Les deux modèles de dialogue en temps réel de Google DeepMind sont présentés avec leurs scores sur plusieurs benchmarks vocaux et agentiques, ce qui permet de situer leurs capacités et leur positionnement prix.
Google Research présente ToolGrad, une méthode « réponse d'abord » qui génère d'abord une chaîne d'utilisation d'outils de référence.
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.
Une étude Google Research évalue le transfer learning de GWAS européens (UK Biobank) vers la population japonaise (Biobank Japan.
Google DeepMind et Google Research présentent WeatherNext 3.
Motif de la recommandation :Le modèle météo phare de Google DeepMind passe à une résolution de 5 km et à des prévisions horaires, avec une intégration directe dans Search, Gemini et Maps.
IBM Research et le Berkeley Sky Lab étendent K-Search, un framework de recherche évolutive de kernels piloté par LLM.
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.
OpenAI, Anthropic, Google et Microsoft annoncent ensemble un nouveau directeur exécutif pour le Frontier Model Forum ainsi qu'un nouveau fonds de 10 M$ dédié à la sécurité de l'IA.
OpenAI annonce la création d'une nouvelle instance sectorielle, le Frontier Model Forum。
Motif de la recommandation :L'original expose la création d'une instance sectorielle et ses missions, ce qui permet de situer les orientations de gouvernance de l'IA de pointe.
OpenAI co-organise deux compétitions à NeurIPS 2020 avec AIcrowd, Carnegie Mellon University et DeepMind, s'appuyant sur Procgen Benchmark et MineRL.
OpenAI 与 Google 研究人员合作推出 Activation Atlases, 一种可视化神经元之间交互所代表内容的新技术. 随着 AI 系统被部署到日益敏感的场景中, 更好地理解其内部决策过程有助于识别弱点和调查故障.
OpenAI与DeepMind安全团队合作开发出一种算法, 通过让人类在两种候选行为中指出哪个更好, 来推断人类的目标, 从而避免手工编写目标函数. 该方法旨在消除人工编写目标函数的需求, 因为用简单代理替代复杂目标或目标设定稍有偏差, 都可能导致不良甚至危险的行为. 这是构建安全AI系统方向上的一步.
OpenAI与Berkeley, Stanford的研究人员共同参与了一篇由Google Brain研究人员主导的论文« Concrete Problems in AI Safety ». 该论文探讨了围绕确保现代机器学习系统按预期运行的诸多研究问题.