Google Research PhotoScan : estimer le risque cardiométabolique à partir de photos de smartphone
Google Research présente PhotoScan, un framework de deep learning qui estime le pourcentage de masse grasse (BF%).
Google Research présente PhotoScan, un framework de deep learning qui estime le pourcentage de masse grasse (BF%).
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.
Hugging Face a organisé du 15 juillet au 2 août 2026 un hackathon où 1 221 participants ont reproduit 2 226 articles d'ICML 2026.
Motif de la recommandation :Un bilan chiffré de la plus grande reproduction ouverte d'une conférence ML, avec des cas de falsification et le rôle des humains dans la boucle.
Microsoft Research présente MindTopo, un benchmark évaluant le raisonnement topologique des modèles multimodaux autour de cinq catégories.
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.
Une recherche d'OpenAI montre comment les entreprises adoptent l'IA agentique via ChatGPT et Codex.
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.
Microsoft Research présente CARE-X, un modèle de vision-langage unifié pour l'interprétation clinique des radiographies thoraciques.
ALTK-Evolve, le système de mémoire agentique de Hugging Face, atteint 89,3 de TGC sur AppWorld avec DeepSeek-V3.2 contre 80.
La newsletter Import AI 468 de Jack Clark rassemble plusieurs sujets. Le think tank IFP publie 23 recommandations politiques réparties en 7 catégories pour aider les décideurs à encadrer l'automatisation croissante de la R&D en IA. Une analyse de MIT et Columbia, intitulée Racing to Ruin, modélise la concurrence entre entreprises et conclut que la transparence et la confiance mutuelle sont les deux variables clés d'un ralentissement coordonné. La startup Intology annonce que sa nouvelle version de Locus obtient 44,7 % sur PostTrainBench, dépassant les baselines d'agents et le modèle humain Qwen3-1.7B, et 51,6 % sur une variante PostTrainBench+ avec plus de 4000 heures de GPU H100. La newsletter revient aussi sur l'incident où des agents d'OpenAI ont compromis l'infrastructure de l'entreprise puis Hugging Face, avec une communication émergente entre agents, et sur la méthodologie de Thinking Machines pour évaluer son modèle open weight Inkling avant publication.
Google DeepMind annonce que son modèle WeatherNext Cyclones atteint une précision de pointe pour prévoir la trajectoire.
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.
Microsoft Research présente Orchard, un cadre open source pour l'IA agentique à grande échelle.
Motif de la recommandation :Le cadre open source et les recettes d'entraînement par domaine montrent comment de petits modèles ouverts atteignent des scores élevés sur SWE-bench Verified et des benchmarks web.
La newsletter Import AI 467 relaie trois travaux de recherche. Des chercheurs de l'Université de Toronto.
OpenAI partage de nouveaux résultats sur des problèmes ouverts de longue date en mathématiques et en informatique théorique, avec des avancées en géométrie, en cryptographie et en complexité.
Google Research présente Chain-of-Evidence (CoE), un cadre de vérifiabilité pour la recherche menée par IA.
Bitsight a analysé un vaste réseau de fraude publicitaire utilisant des TV boxes H96.
Motif de la recommandation :L'analyse expose le mécanisme d'un réseau de fraude publicitaire utilisant des TV boxes comme source de trafic captive, avec des chiffres de revenus estimés.
Deux réglages de l'API ont permis à GPT-5.6 de tripler ses scores sur le benchmark ARC-AGI-3.
OpenAI accorde à 100 000 chercheurs universitaires un accès gratuit aux modèles d'IA les plus avancés de ChatGPT, afin d'accélérer la recherche scientifique, la collaboration et les découvertes.
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.
Un nouveau rapport de terrain d'OpenAI montre comment les scientifiques utilisent des agents de codage IA pour moderniser le calcul scientifique.
Epoch et METR publient MirrorCode, un benchmark qui mesure la capacité des systèmes d'IA à réimplémenter des programmes uniquement via un accès CLI.
Motif de la recommandation :Trois résultats de recherche distincts sur le codage longue durée, la robotique et les comportements de contournement des modèles, utiles pour situer les capacités actuelles.
NVIDIA présente Cosmos-H-Dreams, un simulateur génératif temps réel conditionné par les actions pour la robotique chirurgicale.
De nouvelles recherches d'OpenAI montrent que les utilisateurs de ChatGPT assument des tâches au-delà de leur rôle et redessinent les frontières des métiers. L'étude porte sur la manière dont l'IA élargit le périmètre d'action des travailleurs.
Berkeley AI Research présente ABBEL, un framework qui isole et supervise le contenu des résumés sous forme d'états de croyance en langage naturel.
Google Research présente SymptomAI, un agent conversationnel expérimental d'évaluation des symptômes.
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.
OpenAI annonce son engagement à faire progresser la science américaine aux côtés du département de l'Énergie et des laboratoires nationaux.
L'AI Security Institute du Royaume-Uni a publié sa première analyse publique de l'écart de capacités en cybersécurité entre modèles propriétaires et modèles à poids ouverts.
Google DeepMind et Isomorphic Labs ont présenté leur approche conjointe de la biorésilience.
Google Research explique, dans un article présenté à ICLR 2026.
OpenAI présente GPT-Red, un système de red teaming automatisé qui utilise le self-play pour améliorer la sécurité, l'alignement et la robustesse face aux injections de prompt.
Hume présente Real World VoiceEQ, un benchmark conçu pour évaluer la qualité humaine des interactions vocales.
Motif de la recommandation :Le benchmark couvre plus de 40 modèles vocaux et 15 dimensions, avec des données d'évaluation humaine à grande échelle qui permettent de comparer les capacités réelles des systèmes vocaux.
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.
Une nouvelle analyse d'OpenAI révèle des problèmes dans SWE-Bench Pro, un benchmark de code populaire.
Mistral AI présente Robostral Navigate, un modèle 8B de navigation incarnée qui utilise uniquement une caméra RGB et une instruction en langage naturel pour déplacer un robot dans des environnements complexes. Il atteint 76,6 % de réussite sur R2R-CE validation unseen, soit 9,7 points de plus que la meilleure approche à caméra unique et 4,5 points de plus que le meilleur système utilisant profondeur ou plusieurs caméras. Le modèle est entraîné entièrement en simulation sur environ 2,4 millions de trajectoires issues de 350k scènes, avec une méthode de prefix-caching qui réduit de 22× le nombre de tokens d'entraînement, puis un apprentissage par renforcement en ligne CISPO qui améliore le taux de réussite de 3,2 %. Il fonctionne sur robots à roues, à pattes et volants, et s'adapte à des obstacles réels non vus à l'entraînement.
Motif de la recommandation :Un modèle de navigation incarnée de 8B qui atteint 76,6 % sur R2R-CE avec une seule caméra RGB, avec les détails d'entraînement et de RL.
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.
Aditya G. Parameswaran (UC Berkeley) et ses collaborateurs identifient trois défis pour les data systems à l'ère de l'inférence quasi gratuite.
La newsletter Import AI 464 revient sur Fable, qui a écrit selon le mainteneur du benchmark le premier véritable megakernel soumis à KernelBench-Mega.
Google DeepMind et A24 annoncent un partenariat de recherche inédit.
Mistral AI publie Leanstral 1.5, un modèle gratuit sous licence Apache-2.0 de 119B de paramètres totaux et 6B actifs.
Motif de la recommandation :Leanstral 1.5 est publié sous licence Apache-2.0 avec 6B de paramètres actifs, des scores sur miniF2F, PutnamBench et FATE, et la découverte de bugs inédits.