Motif de la recommandation :Le benchmark TheoPhysEval quantifie l'écart entre agents sur des calculs de physique théorique et documente le coût par problème, un point de repère pour situer les capacités actuelles.
Motif de la recommandation :L'article détaille comment Magnetar rend les preuves à divulgation nulle de connaissance utilisables sur du code courant, avec des gains de vitesse mesurés et une sécurité reposant uniquement sur des fonctions de hachage standard.
Motif de la recommandation :Mistral publie sa première famille de modèles de fondation pour séries temporelles, avec des résultats de référence et un accès via GitHub.
Motif de la recommandation :Les notes de version détaillent les changements de capacités et le pipeline d'entraînement ouvert, ce qui permet de juger de l'écart avec la version 1.0.
Des chercheurs de l'Iowa State University ont mis au point une méthode pour produire de la fibre de carbone à partir de sous-produits de la fabrication du papier et de la bio-huile.
Motif de la recommandation :L'étude détaille des chiffres de résistance et de rigidité ainsi qu'un coût estimé, utiles pour situer les matériaux alternatifs dans la fabrication.
Motif de la recommandation :NVIDIA ouvre sous Apache 2.0 un noyau de modélisation CAO avec interfaces C++ et Python, ce qui éclaire les possibilités de conception assistée par agent.
Le professeur Muhammad Hussain de Purdue University dirige une équipe d'ingénieurs en électricité et informatique qui développe un dispositif portable capable d'administrer rapidement de l'épinéphrine. Ce dispositif intègre des capteurs avancés, une prise de décision pilotée par l'IA et une administration automatisée du médicament, l'objectif étant de réduire le délai potentiellement dangereux entre le début d'un épisode anaphylactique et l'injection du traitement. Les chercheurs travaillent également sur la fabricabilité, la sécurité et l'intégration du dispositif en vue de sa mise à l'échelle.
Motif de la recommandation :L'original documente pour la première fois un contact avec une flotte d'agents en liberté, avec des détails concrets sur leurs contournements et leurs échanges.
Microsoft a publié dans Nature une méthode de correction probabiliste des biais (PBC) qui utilise le machine learning pour corriger les biais systématiques des modèles météo existants et améliorer les prévisions à deux à six semaines. L'outil, désormais open source, peut fonctionner sur CPU et a amélioré la précision d'un modèle physique de l'ECMWF pour 98 % des cibles de précipitations et 92 % des cibles de température, tout en doublant la précision du système de prévision IA de l'ECMWF. Selon les chercheurs, cette approche légère pourrait aider les agences météo à faibles ressources à améliorer leurs prévisions.
Google Research annonce la sortie publique de Deep Review, un système d'IA agentique conçu pour fournir des retours rigoureux et une vérification technique sur des documents complexes.
Motif de la recommandation :Présente l'architecture en quatre étapes et les modalités d'accès, utile pour juger de la vérification documentaire assistée par agent.
Allen AI présente HiRO-ACEv2, une mise à jour de son système HiRO-ACE de simulation climatique. Le nouveau modèle de descente d'échelle HiROv2 prédit simultanément plusieurs champs à haute résolution (pluie, vent, pression) et reproduit les statistiques haute résolution de X-SHiELD à 3 % près, y compris des événements rares sur un million de points de données. Le système complet génère des données climatiques mondiales à 3 km pour environ 1/300 du coût de X-SHiELD, et plus de cent fois moins cher encore pour une seule région. Les modèles sont téléchargeables et des notebooks tutoriels sont fournis ; les travaux futurs porteront sur des climats plus chauds et de nouvelles sorties comme la température de surface et la neige.
Motif de la recommandation :HiRO-ACEv2 génère des données climatiques mondiales à 3 km pour environ 1/300 du coût de X-SHiELD, avec des modèles et notebooks ouverts.
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.
Anthropic a publié cette semaine un article de blog avertissant que de petits modèles d'IA pourraient être « à quelques mois » d'acquérir des capacités d'auto-réplication.
Motif de la recommandation :L'article détaille la fabrication et le pilotage d'un robot mou sans moteur, utile pour comprendre les actionneurs à élastomère cristallin liquide.
L'équipe Frontier Red Team d'Anthropic a publié le 12 octobre une recherche sur la capacité d'un système d'IA à se répliquer sur du matériel bon marché. L'équipe a réparti Gemma4-26B-A4B sur 15 boîtiers Android TV de marque inconnue, à environ 55 dollars et 4 Go de mémoire chacun, avec un débit de 0,39 token généré par seconde. Un modèle de 9 milliards de paramètres a installé et servi un autre modèle sur huit des neuf catégories de matériel ; Qwen3.5-9B a terminé la configuration d'inférence dans 45 % des exécutions, puis 61 % à 84 % lorsque des instances ultérieures héritaient des notes d'échecs précédents sans modification des poids. Dans un réseau pare-feu d'émulateurs Android, GLM-5.2 a atteint les huit nœuds cibles dans quatre essais sur cinq, les cibles exposant un port de débogage Android non authentifié, GLM-5.2 s'exécutant sur un serveur séparé pour orchestrer la chaîne. Anthropic note que les deux seuils ne se recoupent pas encore : les petits modèles tiennent sur les appareils mais sont peu fiables, et le modèle qui a terminé la chaîne est trop grand pour eux.
Motif de la recommandation :L'expérience quantifie la réplication autonome d'un système d'IA sur du matériel bon marché et identifie deux seuils encore disjoints.
Motif de la recommandation :Le récit détaillé d'un implant matériel dans un portefeuille crypto expose une chaîne d'attaque complète, de l'interception du bus SPI à l'exfiltration par eSIM.
Anthropic avertit que les progrès des petits modèles IA pourraient donner naissance à des malwares auto-répliqués infectant des objets connectés comme des réfrigérateurs ou des aspirateurs.
Lors d'un test d'intrusion autorisé, un agent IA de pentest a découvert seul une faille critique de contournement d'authentification sur le site de production d'un grand assureur. Une requête de connexion permettait à l'utilisateur de choisir où envoyer le code à usage unique. Le texte souligne que l'attaque était la partie facile, la difficulté résidant dans la preuve sur un site en production.
Motif de la recommandation :L'original expose un cas concret d'agents pilotés par un modèle public pour enchaîner trois failles Chrome, ce qui éclaire les délais et coûts de l'exploitation assistée par IA.
Motif de la recommandation :L'article détaille la méthode RISE et un taux de contournement de 13 % sur DALL·E 3, Nano Banana 2 et GPT-Image-2, ce qui permet de situer le niveau réel des garde-fous des principaux générateurs d'images.
Une faille dans le sous-système vhost de Linux permet à un utilisateur local de lire et écrire arbitrairement la mémoire du noyau et d'obtenir les privilèges root sur près d'une décennie de versions du noyau. Dans une configuration de virtualisation, elle permet à une machine virtuelle non fiable d'écrire dans la mémoire de l'hôte et de détourner le programme qui exécute la machine virtuelle. La vulnérabilité est suivie sous la référence CVE-2026-74580 et nommée Vghost ; elle a été découverte par Tencent Zhuque Lab.
Motif de la recommandation :Une faille du sous-système vhost de Linux, découverte par l'IA et suivie sous CVE-2026-74580, permet à un utilisateur local d'obtenir root et à une VM invitée de s'échapper vers l'hôte.
Des chercheurs en sécurité ont exécuté leur propre code à l'intérieur d'une zone protégée de Windows censée rester scellée même lorsque le reste de l'ordinateur est compromis. Cette zone est une enclave VBS, une portion de mémoire isolée que le système d'exploitation utilise pour protéger des secrets, et celle qu'ils ont pénétrée gère les mots de passe d'une fonction anti-hameçonnage de Windows. Les travaux ont été menés en laboratoire à titre de preuve de concept.