SocraticPO est un framework de policy optimization pour LLMs qui augmente les rollouts RL avec des guidances en langage naturel de style socratique. Un enseignant diagnostique les erreurs et fournit des corrections concises, associées à une décroissance de récompense pour éviter que le modèle ne dépende de l'aide. Testé sur SciKnowEval, il surpasse les baselines RL et auto-distillation.
Nouvelle méthode GLU pour quantifier l'incertitude dans les LLM en combinant l'entropie locale (niveau token) et globale (géométrie des états cachés). Teste sur 3 familles de modèles et 6 benchmarks. Détecte les hallucinations confiantes que les méthodes existantes manquent.
Un framework LLM guidé par simulateur pour l'ordonnancement autonome de mines à ciel ouvert. L'LLM agit comme agent décisionnel, contraint par un simulateur encodant les contraintes géotechniques et opérationnelles. Sans fine-tuning ni inférence cloud, il récupère 94-99% de l'optimum MILP avec temps de calcul linéaire.
ParaEval, un framework d'évaluation, corrige les biais des benchmarks MCQA en testant les modèles avec plusieurs paraphrases par option. Les scores standards confondent familiarité avec une formulation exacte et vraie compréhension. Sur modèles 1B-8B avec connaissances identiques, ParaEval réduit les écarts de performance artificiels de 2 points à moins de 1 point.
Apodex-1.0 publie des modèles légers open-weights (0.8B, 2B, 4B) optimisés pour les workflows d'agents locaux. Spécialisés en vérification indépendante et fact-checking dans des boucles agentic, ils remplacent les appels répétés à des modèles 70B+. AgentHarness, le framework d'évaluation, est également open-sourcé.
Sortie de llm 0.32a3, presque entièrement développée par Claude Fable 5. Simon Willison détaille l'utilisation de Claude Code pour ajouter des fonctionnalités à Datasette Agent et llm.
Papier co-écrit par 30 experts analysant les risques épistémiques de l'IA : manipulation/persuasion, délégation cognitive, et boucles de rétroaction réduisant l'espace épistémique. Les auteurs proposent des directions pour améliorer la trajectoire via la conception des systèmes, l'interaction humain-IA, et les incitations des marchés informationnels.
Anthropic déploie Claude Fable 5 et Mythos 5, surpassant la génération Opus en code et science. Fable 5 a complété une migration Stripe en un jour (vs deux mois en équipe). Mythos 5 conçoit des candidats médicaments mais reste restreint pour ses capacités cyber offensives.
Cohere lance officiellement North Mini Code avec poids disponibles sur Hugging Face (fp8). Le modèle supporte le parsing d'outils et le reasoning via vLLM avec la librairie Melody. Déploiement sur OpenCode gratuit.
Google lance Gemini 3.5 Live Translate, un modèle audio pour la traduction vocale en temps réel dans plus de 70 langues. Le système traduit en continu sans attendre la fin des phrases et préserve le ton, le rythme et la hauteur du locuteur. Google Meet passe de 5 à plus de 70 langues supportées.
Anthropic publie les System Cards de Claude Fable 5 et Claude Mythos 5, documents détaillant les capacités, limitations et considérations de sécurité de ces modèles. Évaluation systématique des risques et performances.
Cohere North Mini Code 1.0, modèle 30B spécialisé en code, est en accès final. Score Artificial Analysis de 28 global (faible vs Qwen 3.6 35B: 43), mais compétitif en index coding (33 vs 35 Qwen). Poids disponibles sur HuggingFace.
Un tribunal régional allemand déclare Google responsable du contenu de ses AI Overviews. La cour rejette les protections limitées de responsabilité applicables aux moteurs de recherche traditionnels. Google avait faussement lié deux éditeurs à de la fraude avec des affirmations absentes des sources citées.
Google DeepMind lance Gemini 3.5 Live Translate, un système de traduction vocale en temps quasi réel intégré à Google AI Studio, Google Translate et Google Meet. La traduction préserve la fluidité et le naturel de la parole originale.
Google DeepMind lance Gemma 4 12B, un modèle multimodal unifié sans encodeur dédié. Le modèle traite texte, images et vidéo dans une architecture unique, optimisé pour l'inférence sur appareils.
OpenAI a déposé confidentiellement un formulaire S-1 auprès de la SEC, première étape formelle vers une introduction en bourse. L'entreprise qualifie le processus de « compromis compliqué » sans calendrier défini. Le dépôt d'Anthropic ajoute de la pression concurrentielle.
STARIXNet est un réseau de neurones léger pour l'allocation de ressources en temps réel dans les clouds. Il capture les relations spatio-temporelles entre plusieurs métriques système (saisonnalité, tendance, auto-régression, variables exogènes) et priorise la stabilité des services avant la précision de prédiction. Déployé chez Walmart, il génère 10-50% d'économies.
LEAF est une méthode RL basée sur des arbres rétrospectifs pour l'entraînement post-training de LLM conscients de la parole. Elle améliore l'attribution de crédit en groupant les réponses par préfixes partagés et assignant des avantages au niveau des spans. LEAF surpasse GRPO sur les benchmarks de question-réponse et traduction vocale.
SAGE est un framework multi-agent piloté par LLM pour la détection de fraude. Il coordonne trois agents spécialisés utilisant un arbre diagnostique à six couches et un processus de décision Markovien guidé par gradients en langage naturel. Sur cinq datasets de fraude et cinq backbones LLM, SAGE améliore le F1 de 40,86% en moyenne et gagne 96% des comparaisons.
Nouveau benchmark MMIOC-1M avec 1M+ images couvrant 351 catégories de défauts industriels. Propose RTVPNet, réseau texte-visuel pour détection ouverte/fermée sans prompts manuels. SOTA sur MMIOC-1M, LVIS, COCO.
Vercel AI Gateway introduit des budgets pour les clés API, permettant de fixer une limite de dépense en dollars avec réinitialisation quotidienne, hebdomadaire ou mensuelle. Une fois le budget atteint, les requêtes sont rejetées jusqu'à la réinitialisation. Utile pour contrôler les coûts des agents de code et workflows gourmands en tokens.
Fern, plateforme de documentation pour développeurs, héberge les docs de Webflow et ElevenLabs sur Vercel. Migration de 65% de l'app Pages Router vers App Router en 7 jours. Résultats : TTFB 3x plus rapide, temps de chargement -80%, 6M+ pages vues/mois, déploiements en 5 minutes.
OpenAI a soumis un brouillon de formulaire S-1 à la SEC, première étape officielle vers une introduction en bourse. Le document détaille la structure financière et opérationnelle de l'entreprise.
Google commande plus de 3 millions de puces IA à Intel pour 2028. Nvidia teste la technologie de fabrication d'Intel pour son architecture Feynman. Les deux géants contournent les limites de capacité de TSMC en diversifiant leurs fournisseurs de semiconducteurs.
OpenAI a soumis confidentiellement un brouillon de S-1 à la SEC sans fixer de calendrier pour une introduction en bourse.
Un développeur d'agents a abandonné les embeddings sémantiques pour la sélection d'outils au profit de BM25. Avec 140 outils MCP en production, la similarité cosinus sur descriptions courtes (<50 tokens) échouait (64% accuracy) : les discriminants clés (noms spécifiques) se diluaient dans l'espace embedding. BM25 sur projection texte plate atteint 81% top-1.
Développeur a construit ArxivExplorer, moteur de recherche sémantique arXiv avec résumés générés par IA. Pipeline local utilise Ollama : gemma4:e4b (8B) pour résumés structurés JSON, nomic-embed-text (137M) pour embeddings 768-dim. 4300 papiers traités, taux succès ~95%, stockage via Cloudflare D1/Vectorize. REST API 100× plus rapide que wrangler.
Meta révèle qu'une faille de sécurité dans son chatbot IA Instagram a compromis au moins 20 225 comptes. Pendant sept semaines, le système a envoyé des liens de réinitialisation de mot de passe à des adresses email arbitraires sans vérification. Le chatbot était présenté comme un gain pour la sécurité des comptes.
Meddies PII est un modèle open-source multilingue de dé-identification pour textes cliniques. Il extrait les identifiants patients (noms, numéros de dossier, adresses, dates) tout en préservant les données cliniques pertinentes (symptômes, médicaments, résultats de labo). Dataset synthétique généré avec prompting dynamique, couvrant notes précipitées, formulaires infirmiers, exports JSON/XML et textes multilingues.
Magenta RealTime 2 est un modèle open-weights de Google pour la génération musicale en temps réel. Il permet de créer de la musique live avec latence minimale, accessible via open-source.
Papier arXiv proposant un modèle contextuel en ligne pour optimiser les requêtes à plusieurs APIs LLM. Le cadre « Pandora's Box » adapte la sélection d'APIs selon le contexte, avec une phase de requête (coût dépendant de la sortie) et une phase de sélection (récompense observée). L'approche combine estimation GMM des indices de réservation et bornes UCB, atteignant une regret cumulée en Õ(√T).
ShallowBench est un benchmark de 5 780 cibles protéiques à poches peu profondes extrait de CrossDocked2020, conçu pour évaluer les modèles génératifs de conception de médicaments sur des cibles difficiles comme KRAS et MYC. Les modèles actuels montrent une affinité de liaison prédite plus faible sur ces interfaces à faible concavité, révélant le besoin d'innovations architecturales nouvelles.
Étude empirique sur le steering d'activation dans les modèles de langage. Les auteurs décomposent les interventions en composantes angulaires et radiales, montrant que les concepts résident principalement dans la structure angulaire mais que la norme reste importante pour la stabilité. Recommandation : paramétrer le steering par composantes interprétables plutôt que par un coefficient additif unique.
Les modèles de raisonnement modernes sélectionnent efficacement quelques options pertinentes parmi des centaines de milliers de candidats. Les chercheurs caractérisent ce processus en deux phases : un tri large suivi d'un raisonnement fin. Cette décomposition permet une distillation mécaniste surpassant les approches standard.
RECAP est un benchmark mesurant l'adaptation continue de prompts sous contraintes évolutives en production. Six méthodes d'optimisation de prompts évaluées sur quatre LLMs montrent aucune amélioration significative en protocole proactif (adaptation avant test). Les approches actuelles, conçues pour cadres offline/réactifs, échouent en déploiement avec contraintes changeantes.
GiFlow, un framework de flow matching informé par graphe, résout l'imputation de données manquantes dans les systèmes spatiotemporels (qualité de l'air, trafic urbain). Il remplace le prior gaussien standard par un prior construit via filtrage spatiotemporel, et utilise un modèle de champ vectoriel hybride combinant attention spatiale, attention temporelle et propagation spatiotemporelle. Code disponible.
Les LLM exécutent habituellement tous les layers dans un ordre fixe. Cette recherche révèle que des exécutions dynamiques (PoLar) peuvent sauter ou boucler les layers selon chaque input, réduisant la profondeur tout en maintenant ou améliorant la précision. Un réseau de prédiction léger génère des programmes d'exécution personnalisés, améliorant les résultats sur les benchmarks de raisonnement mathématique.
Sortie de datasette-agent-edit 0.1a0, plugin pour Datasette Agent permettant aux agents d'éditer du texte (Markdown, SQL, SVG). Implémente trois outils inspirés de l'éditeur texte Claude : view, str_replace, insert.
llama.cpp est un projet C/C++ pour l'inférence de modèles LLM. Disponible sur GitHub, il permet d'exécuter des modèles de langage de manière efficace en C/C++.
Perplexity introduit « Search as Code », une architecture permettant aux modèles IA d'écrire leurs propres pipelines de recherche en Python au lieu d'appeler des APIs fixes. Le système surpasse OpenAI et Anthropic sur des benchmarks clés tout en réduisant les coûts en tokens de jusqu'à 85%.