Aller au contenu principal

Actualités IA — page 188

9 335 articles au fil, du plus récent au plus ancien.

Le fonds IA de Bernie Sanders ? Une idée plus courante qu’on le croit
Illustration générée par IA
3741Next INpact 

Le fonds IA de Bernie Sanders ? Une idée plus courante qu’on le croit

Bernie Sanders a publié début juin 2026 une tribune dans le New York Times proposant de créer un fonds souverain américain de l'IA, l'American A.I. Sovereign Wealth Fund Act. Le principe : obliger les grandes entreprises du secteur à céder 50 % de leurs actions à un fonds géré dans l'intérêt commun, permettant à l'ensemble de la population américaine de détenir une part de sociétés comme OpenAI, Anthropic ou xAI. Sanders argue que ces technologies reposent sur des données personnelles et des œuvres protégées extraites « sans permission, sans crédit, sans compensation », et que leur création doit donc être considérée comme une ressource publique. L'IA n'est pas encore rentable : le site isaiprofitable.com, qui traque les investissements tech versus les revenus générés, l'indique clairement, et les documents qu'OpenAI vient de soumettre à la SEC en vue d'une probable introduction en bourse confirment des pertes massives. La proposition vise un problème concret et immédiat : des entreprises justifient déjà des plans sociaux par les gains de productivité que l'IA leur procure, redistribuant les bénéfices vers les actionnaires plutôt que vers les salariés ou la société. Sanders veut court-circuiter cette dynamique en donnant aux citoyens un droit de regard direct sur l'orientation de ces technologies, et surtout une part des gains financiers lorsqu'ils se matérialiseront. Elon Musk venait de devenir le premier « trillionaire » de l'histoire grâce à l'entrée en bourse de SpaceX, cette concentration de richesse sert de toile de fond à la proposition du sénateur, qui veut éviter que les milliers de milliards potentiellement générés par l'IA ne profitent qu'à une poignée d'individus déjà ultra-riches. Ce qui est frappant, c'est que l'idée traverse les clivages politiques habituels. D'après le média NOTUS, l'administration Trump elle-même aurait approché plusieurs grandes entreprises d'IA pour prendre des participations au capital, dans un contexte où OpenAI et Anthropic préparent leurs IPO. L'État avait déjà pris 9,9 % du capital d'Intel il y a un an. Sam Altman a lui-même suggéré par le passé un fonds donnant à chaque citoyen une part de la croissance économique tirée par l'IA, et Musk s'est prononcé favorablement, à sa manière lapidaire, sur X. Sanders, lui, légifère à l'approche des élections de mi-mandat de novembre 2026, donnant à sa proposition une dimension électorale évidente. La vraie question reste ouverte : un fonds en actions a-t-il un sens si l'IA ne génère pas encore de profits, et qui contrôle réellement l'orientation des entreprises quand l'État en devient actionnaire ?

RégulationReglementation
1 source
Trump est clair : pas de Fable 5 ni de Mythos 5, même pour les alliés du G7
Illustration générée par IA
3742Le Big Data 

Trump est clair : pas de Fable 5 ni de Mythos 5, même pour les alliés du G7

Le département américain du Commerce a interdit l'accès aux modèles Fable 5 et Mythos 5 d'Anthropic à tous les ressortissants étrangers, forçant l'entreprise à couper complètement l'accès mondial à ces deux systèmes. L'interdiction, justifiée par des raisons de sécurité nationale, fait suite à la découverte d'une technique de « jailbreak » permettant de contourner les protections intégrées et de pousser les modèles à rechercher des vulnérabilités dans des logiciels, une capacité jugée dangereuse par Washington. Incapable de vérifier la nationalité de ses utilisateurs en temps réel, Anthropic n'a eu d'autre choix que de suspendre l'accès pour l'ensemble de ses utilisateurs non américains. La tentative du Premier ministre britannique Keir Starmer d'obtenir une exception pour le Royaume-Uni lors du sommet du G7, le 17 juin, a été rejetée par l'administration Trump, qui a estimé qu'accorder un traitement de faveur à certains alliés tout en l'interdisant aux autres n'aurait aucun sens. Dario Amodei, PDG d'Anthropic, présent au même déjeuner de dirigeants, a plaidé contre une fragmentation mondiale de l'IA. Donald Trump s'est contenté d'indiquer que les discussions avec l'entreprise se déroulaient bien. L'impact est immédiat et massif : des millions d'utilisateurs en Europe et dans le reste du monde se retrouvent du jour au lendemain privés de deux des modèles les plus avancés du marché, sans préavis et sans recours. Anthropic conteste la proportionnalité de la mesure, décrivant la faille en question comme mineure et rappelant que ses mécanismes de sécurité avaient été évalués avec plusieurs agences gouvernementales avant le lancement des modèles. Pour les professionnels et entreprises qui dépendent de ces outils, l'interruption illustre concrètement la fragilité de la souveraineté numérique européenne face aux décisions réglementaires américaines : un outil critique peut disparaître du jour au lendemain sans que les utilisateurs étrangers aient leur mot à dire. Cette affaire s'inscrit dans une tension plus ancienne entre Anthropic et Washington. Plus tôt cette année, la startup avait déjà été classée comme risque potentiel pour la sécurité nationale après avoir refusé de mettre ses modèles au service de projets liés à la surveillance et aux armes autonomes. L'alerte initiale sur la faille de jailbreak aurait par ailleurs été remontée par Amazon, principal investisseur d'Anthropic, un détail qui illustre la complexité des rapports de force à l'intérieur même de l'écosystème IA américain. Pour des responsables comme Emmanuel Macron, l'épisode relance le débat sur la dépendance stratégique de l'Europe aux infrastructures numériques américaines et sur les conséquences d'une éventuelle décision américaine de restreindre durablement l'accès aux modèles d'IA les plus performants.

RégulationReglementation
1 source
GLM-5.2 rivalise avec GPT ; Z.ai prévoit la sortie d'Open Fable en décembre
Illustration générée par IA
3743Latent Space 

GLM-5.2 rivalise avec GPT ; Z.ai prévoit la sortie d'Open Fable en décembre

GLM-5.2, le dernier modèle de langage de Zhipu AI, filiale de Z.ai, s'est imposé cette semaine comme l'événement open source majeur du moment. Plusieurs praticiens indépendants l'ont qualifié de premier modèle en accès libre réellement comparable aux meilleurs systèmes propriétaires. Jeremy Howard, chercheur réputé peu enclin aux effusions, a déclaré qu'il lui semblait « au moins aussi bon qu'Opus 4.8 et GPT-5.5 » pour ses usages quotidiens, soulignant néanmoins l'absence de support visuel comme principale lacune. Le cabinet Artificial Analysis l'a quant à lui classé entre GPT-5.5 et Opus 4.8 sur son nouveau benchmark de travail de connaissance agentique. Côté architecture, GLM-5.2 introduit une innovation appelée IndexShare, qui réutilise les indices d'attention sparse entre groupes de couches pour réduire considérablement le coût de l'inférence sur des contextes de un million de tokens. Sur les tâches internes de Zhipu, il passe de 21 à 48 tâches réussies sur 70 par rapport à son prédécesseur GLM-5.1. Le modèle est disponible gratuitement via les fournisseurs d'inférence Hugging Face pour une durée limitée, et en local via llama.cpp et Unsloth au format GGUF. Ce résultat est important parce qu'il marque un seuil symbolique : pour la première fois, un modèle open weight franchit ce que la communauté appelle le « vibe check frontier », c'est-à-dire la conviction, confirmée par des utilisateurs exigeants, qu'un modèle open source est utilisable en production comme alternative sérieuse aux systèmes fermés de premier rang. Cela change les calculs pour les entreprises, les développeurs et les chercheurs qui cherchent à s'affranchir des API commerciales et des contraintes de confidentialité qui les accompagnent. Z.ai, la société mère, se positionne désormais comme un laboratoire de recherche frontier à part entière, ce qui était encore contestable il y a quelques mois. La même semaine, Poolside AI a publié les poids de Laguna M.1 sous licence Apache 2.0 : un modèle sparse MoE de 225 milliards de paramètres en total et 23 milliards actifs, 256 experts avec top-k=16, 70 couches, contexte de 256 000 tokens, optimisé pour le codage agentique longue durée. L'ascension de Z.ai intervient dans un contexte de forte tension autour des modèles ouverts chinois. En février 2026, Anthropic avait publié un rapport dénonçant une « distillation à l'échelle industrielle » par plusieurs laboratoires chinois, mais Z.ai était notamment absent de cette liste, ce qui renforce sa crédibilité auprès de la communauté occidentale. La question qui domine désormais les discussions est celle du calendrier : Z.ai a laissé entendre qu'un modèle open source de classe Fable, soit l'équivalent du modèle le plus puissant d'Anthropic, pourrait être disponible d'ici décembre 2026. Pendant ce temps, l'incertitude plane sur la capacité des quatre grands laboratoires américains à maintenir leur avance, dans un contexte réglementaire tendu autour de ce que la newsletter appelle le « Mythos ban », qui pourrait freiner leurs prochaines publications majeures.

LLMsOpinion
1 source
☕️ Bercy crée une direction dédiée à l’intelligence artificielle
Illustration générée par IA
3744Next INpact 

☕️ Bercy crée une direction dédiée à l’intelligence artificielle

Le ministère de l'Économie et des Finances a annoncé le 18 juin 2026 la création de la Direction de l'intelligence artificielle et du numérique (DIAN), qui succède au Service du numérique du Secrétariat général des ministères économiques et financiers (MEF). Cette nouvelle entité, placée sous l'autorité du ministre Roland Lescure, aura pour mission de piloter le déploiement de l'IA au sein de Bercy et de ses administrations satellites. Sa création s'accompagne d'une feuille de route IA 2026-2027, attendue avant la fin du mois de juin, qui fixera les grandes orientations stratégiques : accès universel à l'IA pour tous les agents, mutualisation des infrastructures de calcul, développement d'agents et d'applications IA, et contribution aux briques interministérielles communes. Bercy devient ainsi le premier ministère français à inscrire explicitement l'intelligence artificielle dans l'intitulé et le périmètre d'une de ses directions. Ce signal institutionnel dépasse la simple réorganisation administrative : il traduit une volonté politique de faire de l'État un adopteur précoce et exemplaire des nouvelles technologies. La DIAN s'inscrit dans un mouvement plus large dévoilé cette même semaine par le Premier ministre Sébastien Lecornu, qui a annoncé une série de mesures pour que l'administration publique change d'échelle sur l'IA. Parmi elles : un agent conversationnel souverain accessible à l'ensemble des fonctionnaires, un assistant santé publique intégré à Ameli, l'ouverture des technologies avancées du ministère des Armées aux autres administrations, et le remplacement des solutions de Palantir par celles de ChapsVision, acteur français de la gestion de données. Pour Roland Lescure, l'enjeu est direct : "Pour que la France reste dans la course, l'État doit être exemplaire dans sa capacité à adopter ces technologies, à les diffuser et à les mettre au service de sa performance." La création de la DIAN s'inscrit dans une dynamique de rattrapage et d'affirmation souveraine. La France, comme d'autres pays européens, cherche à structurer une adoption de l'IA dans le secteur public qui ne dépende pas entièrement d'acteurs américains, d'où la substitution de Palantir par ChapsVision et l'accent mis sur des "solutions de confiance". La ministre déléguée chargée de l'IA, Anne Le Hénanff, présente la DIAN comme "un signal fort aux acteurs de l'innovation" destiné à "structurer un marché de confiance pour les solutions d'IA". Un effort massif de formation et d'accompagnement des agents humains est également prévu, reconnaissant que la technologie seule ne suffit pas. Les prochains mois, avec la publication de la feuille de route, diront si ces ambitions se traduisent en déploiements concrets ou restent au stade de la déclaration d'intention.

RégulationReglementation
1 source
Derrière OpenAI, la montée silencieuse des modèles chinois
Illustration générée par IA
3745FrenchWeb 

Derrière OpenAI, la montée silencieuse des modèles chinois

L'article fourni est tronqué après la première phrase, ce qui ne me laisse que l'intro pour travailler. Voici tout de même un article autonome basé sur le contenu disponible et la thèse annoncée : --- Pendant que les projecteurs restent braqués sur OpenAI, Anthropic et Google DeepMind, les modèles d'intelligence artificielle chinois gagnent du terrain en silence dans les couches les plus profondes de l'écosystème IA mondial. Des acteurs comme DeepSeek, Qwen (Alibaba) ou Baidu s'imposent progressivement dans les benchmarks techniques et, surtout, dans les intégrations d'entreprises, souvent sans faire la une des médias occidentaux. En 2025, DeepSeek R1 a provoqué un séisme en affichant des performances comparables à GPT-4 à une fraction du coût de développement. L'enjeu n'est pas symbolique : ce sont les modèles intégrés dans les outils, les API et les infrastructures qui définissent les standards de demain. Un modèle adopté massivement aujourd'hui crée une dépendance technique qui dure des années. Pour les entreprises européennes et américaines, choisir un modèle chinois bon marché et performant pose des questions de souveraineté des données, de sécurité et de conformité réglementaire que peu ont encore pleinement anticipées. Cette montée en puissance s'inscrit dans une stratégie délibérée de Pékin, qui finance massivement la recherche en IA depuis son plan national de 2017. Les restrictions américaines sur les puces Nvidia ont accéléré l'innovation domestique plutôt que de la freiner. La vraie compétition dans l'IA n'oppose pas seulement des modèles, mais deux visions de l'internet et deux blocs géopolitiques qui se disputent l'infrastructure cognitive de la prochaine décennie.

SociétéOpinion
1 source
Humanoid Everyday : un jeu de données robotique complet pour la manipulation humanoïde en monde ouvert
Illustration générée par IA
3746arXiv cs.RO 

Humanoid Everyday : un jeu de données robotique complet pour la manipulation humanoïde en monde ouvert

Une équipe de recherche a publié sur arXiv (identifiant 2510.08807v2) Humanoid Everyday, un jeu de données massif dédié à l'apprentissage de la manipulation par les robots humanoïdes en conditions ouvertes. Le dataset compile 10 300 trajectoires et plus de 3 millions de frames couvrant 260 tâches réparties en 7 catégories larges : manipulation dextère d'objets, interaction humain-humanoïde, actions intégrant de la locomotion bipède, et d'autres scénarios du quotidien. Les données sont multimodales, RGB, profondeur, LiDAR, retour tactile, accompagnées d'annotations en langage naturel. La collecte repose sur un pipeline de télé-opération supervisée par des humains, optimisé pour maximiser le débit tout en maintenant la qualité des démonstrations. Les auteurs publient simultanément une plateforme d'évaluation cloud permettant à des équipes extérieures de déployer leurs propres politiques de contrôle et d'obtenir des métriques comparables dans un environnement standardisé. Ce dataset comble un vide structurel dans la recherche robotique : la quasi-totalité des benchmarks existants (Open X-Embodiment, DROID, BridgeData V2) ciblent des bras fixes, et les rares datasets humanoïdes disponibles se limitent à des environnements contrôlés, un faible nombre de tâches, et excluent généralement la locomotion et l'interaction avec des personnes. Pour un intégrateur ou un décideur industriel, la portée pratique est double : des données hétérogènes permettent d'entraîner des politiques plus généralisables, notamment des architectures VLA (vision-language-action) ; la plateforme d'évaluation cloud offre pour la première fois un cadre reproductible pour comparer des méthodes d'apprentissage par imitation ou par renforcement sur des tâches humanoïdes réalistes. L'article analyse aussi les performances de plusieurs politiques de référence, en identifiant leurs forces et limites par catégorie. La publication intervient dans un contexte de forte concurrence autour des données d'entraînement pour humanoïdes. Physical Intelligence (Pi-0, π0.5), NVIDIA (GR00T N2), Unitree et Figure AI misent chacun sur des datasets propriétaires pour différencier leurs politiques de contrôle. Côté recherche ouverte, AgiBot World et RH20T ont posé des jalons, mais restent limités dans leur couverture humanoïde. Humanoid Everyday est rendu entièrement public, dataset, code de collecte et plateforme d'évaluation inclus, ce qui en fait une ressource directement exploitable par des laboratoires et startups sans accès à des infrastructures de collecte massives. Les auteurs présentent cette release comme un socle pour de futurs agents incarnés généralistes, sans préciser d'échéancier pour des suites expérimentales.

RobotiqueOpinion
1 source
L'affinage des modèles vision-langage-action (VLA) nécessite moins de couches qu'on ne le pense
Illustration générée par IA
3747arXiv cs.RO 

L'affinage des modèles vision-langage-action (VLA) nécessite moins de couches qu'on ne le pense

Des chercheurs ont publié le 19 juin 2026 (arXiv:2606.20246) une méthode de compression structurelle pour les modèles VLA (Vision-Language-Action) tels que pi-0 (Physical Intelligence) et GR00T N1.5 (NVIDIA). Le constat de départ : ces architectures de plusieurs milliards de paramètres, pré-entraînées sur de vastes corpus vidéo-robot, imposent des coûts de calcul prohibitifs lors du fine-tuning et de l'inférence temps-réel. La méthode proposée est entièrement sans entraînement (training-free) : un unique passage forward via la Centered Kernel Alignment (CKA) suffit à identifier les couches redondantes du backbone VLM et de la tête de contrôle continu. En supprimant ces "couches jumelles", le pipeline compresse la profondeur du modèle jusqu'à 50 %. Les gains mesurés sont de 40 à 50 % sur le temps de fine-tuning et jusqu'à 30 % sur la vitesse d'inférence, tout en conservant des performances équivalentes ou supérieures au modèle complet. Les validations couvrent trois benchmarks de simulation (LIBERO, RoboCasa, SimplerEnv) et dix tâches de manipulation réelle sur quatre embodiments robotiques distincts. Ce résultat remet en question un présupposé structurant du domaine : la profondeur des VLA serait proportionnelle à leurs capacités. Démontrer qu'une redondance massive existe dans ces architectures malgré un entraînement sur des trajectoires physiques diversifiées est non trivial. Pour les intégrateurs et les équipes MLOps industrielles, l'impact pratique est direct : des cycles de fine-tuning deux fois plus courts réduisent le coût d'adaptation à de nouveaux environnements, nouveaux grippers ou nouvelles tâches, sans matériel supplémentaire. L'absence d'entraînement dans la phase de compression est particulièrement critique : les méthodes concurrentes (distillation, token pruning dynamique) exigent de charger le modèle complet, ce qui reste un goulot d'étranglement sur GPU A100/H100. Les VLA comme pi-0 (Physical Intelligence, fondée en 2023 par d'anciens de Google, DeepMind et Stanford) et GR00T N1.5 (NVIDIA, annoncé en mars 2025) représentent actuellement la frontière technique des politiques de manipulation généraliste. La compression de modèles pour robots est un axe de recherche actif : des travaux récents explorent la distillation (OpenVLA-OFT), la quantification et le pruning à la volée. Cette approche se distingue par sa simplicité opérationnelle : aucun dataset de calibration étendu, aucune phase d'optimisation. Les auteurs ne mentionnent pas de partenaire industriel ni de pipeline de déploiement à l'échelle, ce qui en fait pour l'instant une contribution de recherche prometteuse plutôt qu'un produit prêt à l'intégration.

RechercheActu
1 source
EquiVLA : un cadre général pour les modèles VLA équivariants par rotation
Illustration générée par IA
3748arXiv cs.RO 

EquiVLA : un cadre général pour les modèles VLA équivariants par rotation

Des chercheurs ont publié EquiVLA (arXiv:2606.19784), le premier cadre général pour rendre les modèles Vision-Langage-Action (VLA) équivariants par rotation SO(2) de bout en bout. Le système introduit deux composants modulaires : EquiPerceptor, qui extrait des représentations visuelles approximativement SO(2)-équivariantes à partir de features ViT gelées, et EquiActor, une tête d'action exactement SO(2)-équivariante basée sur un Diffusion Transformer à flow-matching. Instancié sur GR00T N1.5 (le modèle de manipulation généraliste de NVIDIA), EquiVLA atteint 92,6 % de succès moyen sur les quatre suites de benchmarks LIBERO contre 78,1 % pour la baseline, une longueur de séquence de 4,03 sur CALVIN ABCD→D contre 3,45, et améliore le taux de succès sur cinq tâches réelles avec le robot Mobile ALOHA de 54 % à 72 %. Le problème central qu'adresse EquiVLA est structurel : les VLA actuels manquent de biais inductifs géométriques, ce qui signifie qu'une politique entraînée dans une orientation donnée nécessite substantiellement plus de données pour généraliser à d'autres configurations rotationnelles. En imposant l'équivariance SO(2) de la caméra jusqu'aux séquences d'actions prédites, le framework réduit la dépendance aux données d'orientation. Pour un intégrateur ou un COO industriel, l'implication concrète est une meilleure robustesse opérationnelle sans retraining coûteux lorsqu'un poste de travail est réorganisé. Le gain de 18 points absolus sur LIBERO et le passage de 54 % à 72 % sur robot réel sont significatifs, même si ces résultats restent obtenus en conditions de laboratoire contrôlé et ne constituent pas encore un déploiement industriel. Les VLA sont devenus le paradigme dominant de la manipulation généraliste depuis RT-2 et PaLM-E, avec des modèles concurrents comme Pi-0 (Physical Intelligence), OpenVLA et GR00T N1.5 de NVIDIA, publié début 2025 comme modèle de référence pour la manipulation humanoïde. L'approche modulaire d'EquiVLA - les backbones vision-langage gelés restent intacts - facilite l'adoption sur des architectures existantes sans repartir de zéro. Ce papier est une contribution académique sans partenariat commercial annoncé ; les suites naturelles seraient d'étendre l'équivariance à SO(3) pour les manipulateurs à 6 DOF, et de valider la robustesse à grande échelle dans des environnements industriels moins structurés.

RechercheOpinion
1 source
Apprentissage robotique ludique à base d'agents
Illustration générée par IA
3749arXiv cs.RO 

Apprentissage robotique ludique à base d'agents

RATs (Robotics Agent Teams) est un système d'apprentissage robotique agentic présenté dans le preprint arXiv 2606.19419 qui introduit une phase de "jeu" auto-dirigé avant toute tâche explicite. L'agent, basé sur le paradigme Code-as-Policy (CaP), propose lui-même des tâches exploratoires, exécute des politiques en code, vérifie les progrès intermédiaires, diagnostique les échecs avec un feedback dense à chaque étape et distille les exécutions réussies dans une bibliothèque de compétences persistante. À l'inférence, cette bibliothèque gelée est réutilisée par d'autres agents pour résoudre des tâches inédites, sans fine-tuning du modèle sous-jacent. Sur les benchmarks LIBERO-PRO et MolmoSpaces, RATs surpasse la baseline CaP-Agent0 de 20,6 et 17,0 points de pourcentage respectivement ; les compétences acquises sont également transférables à d'autres agents CaP, avec des gains de 8,9 points sur RoboSuite et 8,8 points en déploiement réel. La portée industrielle de cette approche tient principalement à deux éléments. La séparation entre phase d'acquisition de compétences et phase d'exécution crée une bibliothèque réutilisable partageable entre agents hétérogènes sans réentraînement, ouvrant la voie à des bibliothèques de primitives robotiques mutualisées sur des flottes entières. Les gains en transfert réel (+8,8 points) suggèrent par ailleurs que l'apprentissage par jeu améliore la robustesse sim-to-real, défi persistant pour les systèmes VLA (Vision-Language-Action) déployés hors simulation. Il convient toutefois de nuancer : le preprint ne détaille ni les conditions de déploiement réel ni le profil précis des tâches testées, ce qui limite l'évaluation en contexte industriel non contrôlé. Le paradigme Code-as-Policy, introduit par Google DeepMind avec SayCan et Code as Policies entre 2022 et 2023, utilise des LLMs pour générer du code Python interprétable comme politique robotique. RATs y greffe un mécanisme d'exploration issu de la robotique développementale, prolongeant une lignée de travaux sur les agents curieux et l'apprentissage non supervisé de compétences. Dans un paysage dominé par des architectures VLA end-to-end, comme Pi-0 et Helix de Physical Intelligence ou Figure 03 de Figure Robotics, cette approche code-first se distingue par sa modularité et sa moindre dépendance aux données d'annotation denses. Le travail reste à ce stade non revu par des pairs, et des validations à plus grande échelle dans des environnements variés et non structurés seront nécessaires pour confirmer sa portée opérationnelle.

RobotiqueOpinion
1 source
Apporte ma tasse ! Personnalisation des modèles vision-langage-action par prompting visuel attentionnel
Illustration générée par IA
3750arXiv cs.RO 

Apporte ma tasse ! Personnalisation des modèles vision-langage-action par prompting visuel attentionnel

Des chercheurs ont publié en décembre 2024 (arXiv:2512.20014) une méthode appelée Visual Attentive Prompting (VAP), conçue pour permettre aux modèles Vision-Language-Action (VLA) de répondre à des consignes personnalisées du type "apporte ma tasse". Le problème adressé est précis : un VLA classique, même performant sur des instructions génériques, échoue à identifier un objet spécifique parmi plusieurs visuellement identiques sans avoir été entraîné sur cet objet. VAP fonctionne sans ré-entraînement (training-free), c'est son argument central. Il prend quelques images de référence de l'objet cible, effectue une détection en vocabulaire ouvert dans la scène, compare les embeddings visuels pour localiser l'instance correcte, puis injecte cette localisation directement dans le flux d'entrée du VLA : surlignage de l'objet et réécriture de l'instruction. Les auteurs ont construit deux benchmarks en simulation (Personalized-SIMPLER et Personalized-VLABench) et un benchmark réel sur table pour valider l'approche sur plusieurs robots et tâches. VAP surpasse les politiques génériques et les baselines par apprentissage de tokens, à la fois en taux de succès global et en taux de manipulation du bon objet. L'enjeu industriel derrière ce travail est la personnalisation au niveau de l'instance, un verrou jusqu'ici sous-traité dans la recherche VLA. Pour un intégrateur ou un COO déployant des robots en environnement résidentiel ou hospitalier, la capacité à distinguer "la tasse de Paul" de "la tasse de Marie" sans pipeline d'apprentissage dédié par utilisateur représente un gain opérationnel significatif. VAP démontre que l'attention sélective top-down, couplée à une mémoire visuelle non-paramétrique, peut combler l'écart entre compréhension sémantique et contrôle au niveau de l'instance, un problème que les approches fondées sur le langage seul ne résolvent pas. L'absence de ré-entraînement est un avantage de déploiement réel, même si les benchmarks restent à l'échelle tabletop, loin de la chaîne logistique. Ce travail s'inscrit dans la dynamique post-RT-2 et post-OpenVLA : les VLA généralistes (π0 de Physical Intelligence, GR00T N2 de NVIDIA, ou encore les approches Octo et RoboFlamingo) excellent sur des distributions larges mais restent aveugles à la sémantique d'instance. VAP propose une surcouche légère compatible avec n'importe quel VLA gelé, ce qui le positionne comme un adaptateur potentiel pour des systèmes existants plutôt qu'un modèle concurrent. Les prochaines étapes naturelles incluent des tests hors tabletop (manipulation mobile, environnements encombrés), l'évaluation à plus grande échelle d'objets personnels, et l'intégration dans des frameworks open-source comme LeRobot d'Hugging Face. Aucun partenariat industriel ni timeline de commercialisation n'est mentionné dans la publication.

RechercheOpinion
1 source
Apprentissage de la navigation au dernier mètre par catégorie à partir de démonstrations RGB d'une instance unique
Illustration générée par IA
3751arXiv cs.RO 

Apprentissage de la navigation au dernier mètre par catégorie à partir de démonstrations RGB d'une instance unique

Des chercheurs du RPM Lab de l'Université du Minnesota présentent dans un preprint arXiv (2512.11173v3) un framework d'imitation learning pour la navigation au "dernier mètre" d'un robot manipulateur mobile quadrupède. L'enjeu : positionner la base du robot à quelques centimètres de l'objet cible avant toute action de manipulation, une phase où les systèmes RGB existants échouent, ne garantissant qu'une précision métrique insuffisante. Le système n'utilise que des caméras RGB embarquées et fonctionne avec trois entrées : des images objectif, des observations RGB multi-vues, et un prompt texte nommant l'objet cible. Un module de segmentation guidé par le langage et un décodeur de matrice de score spatial gèrent l'ancrage de l'objet et le raisonnement en pose relative. Entraîné sur une seule instance physique par catégorie, le système atteint 74,58 % de succès en edge-alignment (évaluation sur l'orientation réelle) et 89,42 % en object-alignment sur des instances et environnements inédits, y compris avec des conditions d'éclairage et de fond difficiles. Ce résultat comble un angle mort structurel de la manipulation mobile : les politiques de manipulation sont entraînées sur des configurations précises, et un positionnement approximatif suffit à les faire sortir de leur distribution d'entraînement, causant des échecs en chaîne à l'exécution. Supprimer LiDAR, capteurs de profondeur et cartes préalables tout en conservant une précision centimétrique rend le pipeline nettement plus déployable sur des plateformes sans capteurs premium. La généralisation catégorielle (une seule démonstration réelle, des dizaines d'instances inconnues) réduit massivement le coût de collecte de données, un verrou majeur pour la manipulation hors environnement contrôlé. Ce travail s'inscrit dans la dynamique des VLA (Vision-Language-Action) qui cherchent à unifier perception, langage et action dans des politiques généralisables. Les acteurs dominants sur la manipulation mobile incluent Physical Intelligence (Pi-0), Figure AI et les équipes académiques de Stanford et CMU, qui investissent massivement dans la collecte de données téléopérées à grande échelle. L'approche ici contraste délibérément : une seule démonstration par catégorie plutôt que des milliers d'épisodes. Ce résultat reste un démonstrateur académique sans déploiement industriel annoncé ni partenaire B2B identifié, mais une page projet avec des démonstrations visuelles est disponible en ligne.

RobotiqueActu
1 source
Fail-RAG : un cadre fondé sur la RAG pour l'identification des défaillances des robots
Illustration générée par IA
3752arXiv cs.RO 

Fail-RAG : un cadre fondé sur la RAG pour l'identification des défaillances des robots

Des chercheurs ont publié sur arXiv (2606.19598, juin 2026) Fail-RAG, un framework de détection automatique de pannes pour robots industriels combinant RAG (Retrieval Augmented Generation) et modèles vision-langage (VLM). Le principe : des images de défaillances et leurs métadonnées contextuelles sont indexées dans une base vectorielle ; lors d'un incident, le système calcule la similarité entre l'événement observé et les entrées de cette base, puis soumet les cas les plus proches à un VLM qui analyse la situation en suivant un gabarit d'instructions structuré. Les expériences ont porté sur cinq types d'opérations courantes en logistique entrepôt, testées à la fois en simulation et en environnement physique, sur des bras robotiques fixes et un manipulateur mobile. Résultat mesuré : +25 points de précision en moyenne par rapport à l'utilisation directe d'un VLM généraliste sans couche RAG. Le gain de 25 points est significatif dans un contexte où les VLM "out-of-the-shelf" peinent à fiabiliser la détection de pannes en conditions réelles, notamment face à la diversité des échecs possibles dans des environnements dynamiques. Les méthodes à base de règles (classiques en automatisation industrielle) se révèlent fragiles dès que les tâches ou l'environnement évoluent, un problème structurel dans les entrepôts à forte variabilité. Fail-RAG répond à ce défaut en construisant une mémoire des défaillances passées plutôt qu'en codant des règles figées, ce qui le rend potentiellement plus robuste aux variantes nouvelles. C'est une approche pertinente pour les intégrateurs cherchant à réduire les arrêts non planifiés sans avoir à réentraîner un modèle complet à chaque nouveau type d'incident. Le contexte académique de ce travail est celui de la montée des robots généralistes et de l'IA incarnée dans les contextes manufacturiers, portée notamment par la pénurie de main-d'oeuvre en logistique. La recherche sur la détection de pannes par vision reste un chantier ouvert : des acteurs comme Boston Dynamics, Intrinsic (Google) ou les labos universitaires travaillant sur des VLA (Vision-Language-Action models) s'intéressent à des approches similaires de résilience autonome. Fail-RAG reste à ce stade un prototype de recherche avec validation expérimentale limitée en termes de diversité de scènes et d'équipements. Les prochaines étapes naturelles seraient un déploiement pilote chez un opérateur logistique et une évaluation sur des robots mobiles autonomes (AMR) à plus large échelle.

RecherchePaper
1 source
Pose6DAug : substitution d'objets multi-vues physiquement plausible pour l'augmentation de données en robotique
Illustration générée par IA
3753arXiv cs.RO 

Pose6DAug : substitution d'objets multi-vues physiquement plausible pour l'augmentation de données en robotique

Des chercheurs ont publié sur arXiv (réf. 2606.20118) une méthode baptisée Pose6DAug, un framework d'augmentation de données conçu pour améliorer la robustesse des politiques de type Vision-Language-Action (VLA) face à des objets qu'elles n'ont jamais manipulés lors de l'entraînement. Sans collecter un seul épisode de télé-opération supplémentaire, la méthode exploite les démonstrations réussies existantes pour en générer automatiquement de nouvelles, ciblées sur les modes d'échec détectés. Le principe : identifier les cas où la politique échoue sur un objet inconnu, puis remplacer l'objet manipulé dans les épisodes réussis par cet objet cible, tout en conservant la trajectoire d'action d'origine. Pour garantir la cohérence physique et multi-vue, le remplacement n'opère pas en 2D comme le ferait un inpainting vidéo classique, mais directement en 3D : l'objet cible est ancré via un mesh 3D piloté par une trajectoire de pose 6D cohérente temporellement, ce qui permet des rendus géométriquement consistants sur toutes les caméras, y compris sous occultations et angles egocentriques. En fine-tuning un VLA sur ces données augmentées, les auteurs mesurent un gain de 16,5 % de taux de succès sur objets hors-distribution par rapport au meilleur baselin existant, sans dégradation sur les objets connus. Ce résultat est important parce qu'il attaque directement le principal verrou à la mise à l'échelle des VLAs dans des environnements industriels réels : la généralisation à de nouveaux objets exige aujourd'hui des cycles coûteux de collecte de démonstrations humaines pour chaque nouveau cas. Pose6DAug transforme un épisode réussi en source de données synthétiques ciblées, ce qui pourrait réduire drastiquement le coût de déploiement continu des politiques robotiques. La méthode apporte aussi une réponse concrète au débat sur la cohérence sim-to-real : l'augmentation 2D par édition vidéo crée des incohérences entre vues qui dégradent l'apprentissage, tandis que l'approche 3D physiquement ancrée les élimine, validant l'hypothèse que la plausibilité géométrique est déterminante pour l'efficacité des augmentations. Le contexte de ce travail est celui de l'explosion des VLAs généralistes, portée par des modèles comme pi-0 de Physical Intelligence, GR00T N2 de NVIDIA, OpenVLA ou encore Octo, tous confrontés au même problème de distribution shift sur de nouveaux objets. Les approches concurrentes, domain randomization ou collecte de nouvelles démonstrations, peinent à passer à l'échelle industrielle. Pose6DAug se positionne comme une brique de fine-tuning continu et automatique, activable dès qu'un mode d'échec est détecté en production. Les auteurs n'annoncent pas de déploiement terrain ni de partenariat industriel dans cette version preprint ; il s'agit d'une publication de recherche, sans produit commercialisé à ce stade.

RechercheOpinion
1 source
MemoryWAM : modélisation monde-action efficace avec mémoire persistante
Illustration générée par IA
3754arXiv cs.RO 

MemoryWAM : modélisation monde-action efficace avec mémoire persistante

La manipulation robotique longue durée exige une mémoire procédurale que la majorité des modèles actuels ne possèdent pas. MemoryWAM, un modèle monde-action (WAM, world action model) présenté en préprint arXiv (réf. 2506.20562, juin 2026), propose une architecture de mémoire hybride pour combler ce manque. Le système repose sur trois niveaux : des trames récentes pour le contexte immédiat, des trames ancres positionnées aux frontières d'événements clés de la séquence, et des gist tokens, des représentations compressées résumant l'historique long terme. Un mécanisme d'attention sur mesure permet d'interroger simultanément ces trois niveaux, conjuguant précision à court terme et cohérence à long terme. Les auteurs reportent des performances supérieures aux baselines VLA (vision-language-action) et WAM sur des tâches de manipulation à long horizon, en simulation et en environnement réel, avec une latence d'inférence et une consommation mémoire GPU réduites. Le verrou adressé est structurel : les WAM actuels choisissent entre fenêtre d'observation bornée, efficace mais aveugle au passé, et historique complet, précis mais dont le coût en temps et en VRAM croit avec la longueur de la séquence. Dans les environnements non-markoviens, c'est-à-dire lorsque la décision optimale dépend d'événements situés hors de la fenêtre courante, situation fréquente dans les tâches d'assemblage ou de pick-and-place multi-étapes, ce compromis devient rédhibitoire. La stratégie des gist tokens propose une alternative : comprimer sélectivement plutôt que stocker exhaustivement, ce qui maintient des performances d'inférence compatibles avec un déploiement embarqué. Pour les intégrateurs robotiques et les équipes R&D industrielles, l'enjeu est double : des robots capables de réagir à un historique long sans multiplier les ressources GPU, et une voie vers des VLA plus robustes hors des conditions de laboratoire. Les modèles monde-action s'inscrivent dans une lignée qui cherche à dépasser les VLA purs en ajoutant une modélisation dynamique visuelle, la prédiction de frames futures servant de signal de supervision auxiliaire. Des travaux comme UniSim ou DreamerV3 ont exploré cette direction en contexte général ; MemoryWAM l'applique spécifiquement à la manipulation longue durée. Ses concurrents directs incluent des VLA à contexte court tels que Pi-0 de Physical Intelligence, OpenVLA ou RoboFlamingo, qui peinent sur les séquences avec dépendances temporelles distantes. Le papier reste un preprint sans code ni poids publiés, et ses benchmarks proviennent de protocoles internes, ce qui limite la portée immédiate pour les praticiens. Une comparaison sur des jeux de données standardisés comme LIBERO ou RLBench sera nécessaire pour évaluer la généralisation réelle de l'approche. Ni partenariat industriel ni calendrier de déploiement ne sont mentionnés.

RobotiqueOpinion
1 source
Salesforce CodeGen : générer, valider et reclasser des fonctions Python avec tests et vérifications de sécurité
Illustration générée par IA
3755MarkTechPost 

Salesforce CodeGen : générer, valider et reclasser des fonctions Python avec tests et vérifications de sécurité

Salesforce CodeGen est un modèle de génération de code disponible sur Hugging Face, conçu pour produire des fonctions Python à partir de descriptions en langage naturel. Un tutoriel publié récemment présente un pipeline complet autour de ce modèle, allant du chargement du modèle jusqu'à l'export d'artefacts en passant par la validation automatique et le reclassement de candidats. Le workflow s'appuie sur la bibliothèque Transformers d'Hugging Face et PyTorch, avec support GPU via CUDA. Plusieurs variantes du modèle sont proposées selon les ressources disponibles : codegen-350M-mono pour les environnements légers comme Google Colab, codegen-2B-mono pour plus de puissance, et codegen25-7b-mono pour les configurations les plus exigeantes, avec 7 milliards de paramètres. La génération s'effectue avec des paramètres calibrés, notamment une température de 0,35 et un top-p de 0,92, favorisant des sorties précises sans sacrifier toute diversité. Ce type de pipeline dépasse la simple complétion de code : il intègre des étapes de vérification syntaxique, de contrôle de sécurité statique, et de validation par tests unitaires automatisés. L'approche "best-of-N" permet de générer plusieurs candidats pour une même tâche, puis de retenir le meilleur selon des critères objectifs, ce qui améliore significativement la qualité des sorties par rapport à une génération unique. Pour les développeurs et les équipes d'ingénierie, cela représente une voie vers l'automatisation partielle de tâches répétitives, avec des garanties de qualité intégrées. La mesure de complexité cyclomatique via la bibliothèque Radon et l'analyse de tokens via Tiktoken donnent des métriques concrètes sur le code produit, utiles pour des environnements de production où la maintenabilité compte. Salesforce a lancé la famille CodeGen en 2022 comme alternative ouverte à GitHub Copilot, et les modèles sont depuis accessibles librement sur Hugging Face. La montée en puissance des modèles de code open source s'est accélérée avec l'arrivée de DeepSeek Coder, StarCoder 2 et Code Llama, tous positionnés sur le même segment. Ce tutoriel illustre comment des modèles relativement légers, à partir de 350 millions de paramètres, peuvent être intégrés dans des pipelines structurés sans dépendre d'API cloud propriétaires. L'enjeu pour les entreprises est double : réduire les coûts liés aux services comme GPT-4o ou Claude pour la génération de code, et garder le contrôle sur les données traitées. La prochaine étape logique pour ce genre de workflow serait l'intégration dans des environnements d'intégration continue, où la validation automatique de code généré pourrait s'inscrire directement dans les processus de revue.

OutilsOutil
1 source
Le tournant mobile de Meta chez Microsoft
Illustration générée par IA
3756The Information AI 

Le tournant mobile de Meta chez Microsoft

Meta traverse une période de turbulences internes qui rappelle les crises récurrentes d'OpenAI. Selon des révélations publiées par Wired cette semaine, le directeur technique Andrew Bosworth aurait reconnu en interne que Meta avait fait un travail "atroce" lors du lancement de sa nouvelle division IA. Dans un autre article du même média, le directeur produit Chris Cox a admis "l'insanité de cette entreprise" face à l'insatisfaction croissante au sein de la division IA appliquée du groupe. Ces tensions internes coïncident avec un signal stratégique significatif : Meta vient de faire volte-face sur sa politique encourageant l'usage de l'IA par ses ingénieurs, une décision interprétée comme une prise de conscience aiguë des coûts liés à ces outils. Ce revirement illustre une contradiction que vivent de nombreux géants tech : investir massivement dans l'IA tout en cherchant à en maîtriser les dépenses opérationnelles, au risque de freiner l'adoption interne même. Le titre évocateur de "Microsoft Mobile Moment" convoque un précédent bien connu dans la Silicon Valley : le ratage stratégique de Microsoft sur le mobile au tournant des années 2010, qui lui a coûté une décennie d'influence. La comparaison suggère que Meta pourrait être en train de manquer son virage IA, non par manque de ressources, mais par désorganisation interne. Avec Mark Zuckerberg qui a pourtant placé l'IA au centre de la stratégie du groupe pour 2025-2026, les frictions entre ambition affichée et exécution réelle constituent un risque sérieux pour l'entreprise.

BusinessOpinion
1 source
Surveiller et déboguer l'inférence IA générative avec SageMaker sur CloudWatch
Illustration générée par IA
3757AWS ML Blog 

Surveiller et déboguer l'inférence IA générative avec SageMaker sur CloudWatch

Amazon Web Services a enrichi son service SageMaker AI d'un système de supervision avancé pour les endpoints d'inférence en temps réel : la plateforme émet désormais plus de 100 métriques détaillées couvrant la santé GPU, la latence au niveau des tokens, la pression sur le cache KV, la répartition du trafic entre zones de disponibilité et les diagnostics de démarrage à froid. Ces données alimentent automatiquement un tableau de bord intégré appelé SageMaker Insights, accessible directement depuis la console Amazon CloudWatch sous la section « Infrastructure Monitoring ». Le tableau de bord s'organise en trois vues, Performance, Capacité, Fiabilité, et exploite les métriques via une interface compatible PromQL, permettant également leur intégration dans des outils tiers comme Grafana ou Datadog. Deux architectures d'endpoints sont supportées : les endpoints mono-modèle (SME), où chaque modèle dispose de ses propres instances GPU, et les endpoints à composants d'inférence (IC), qui permettent à plusieurs modèles de partager la même infrastructure GPU avec une mise à l'échelle indépendante par modèle. Cette évolution répond à un besoin critique des équipes MLOps et SRE qui gèrent en production des dizaines de modèles sur des centaines d'instances GPU. Jusqu'ici, diagnostiquer un pic de latence P99 sur un endpoint LLM exigeait de déterminer en quelques minutes si la cause était une saturation de la mémoire GPU, un cache KV saturé, un déséquilibre de trafic entre zones ou une politique d'autoscaling trop lente, sans outillage natif pour y répondre rapidement. Le nouveau système supprime la nécessité de configurer manuellement des dashboards Grafana et des exporteurs Prometheus, ce qui représente un gain opérationnel significatif. Les métriques sont émises nativement au format OpenTelemetry, standard ouvert qui facilite l'interopérabilité avec l'écosystème d'observabilité existant des entreprises. La montée en puissance de l'inférence LLM en production a profondément modifié les priorités des équipes d'infrastructure machine learning : si l'entraînement des modèles concentrait autrefois l'essentiel de l'attention, c'est désormais le « serving » à grande échelle qui pose les défis les plus complexes, notamment en termes de coût GPU, de disponibilité et de gestion multi-modèles. L'architecture IC, recommandée par AWS pour les charges de travail IA génératives en production, permet de mutualiser l'infrastructure GPU entre plusieurs modèles et d'assurer la haute disponibilité via une distribution des répliques entre zones de disponibilité. Cette annonce s'inscrit dans une compétition accrue entre les grands fournisseurs cloud, AWS, Google Cloud et Azure, pour proposer des environnements de déploiement LLM clés en main, où l'observabilité devient un argument différenciant à mesure que les équipes industrialisent leurs pipelines d'inférence.

InfrastructureOpinion
1 source
Anthropic met à jour Claude Code Artifacts avec des tableaux de bord en temps réel et des espaces de travail collaboratifs pour les entreprises
Illustration générée par IA
3758VentureBeat AI 

Anthropic met à jour Claude Code Artifacts avec des tableaux de bord en temps réel et des espaces de travail collaboratifs pour les entreprises

Anthropic a annoncé une nouvelle fonctionnalité majeure pour les abonnés Claude Team et Enterprise : les Artifacts pour Claude Code. Concrètement, cette mise à jour transforme une session de travail dans Claude Code en une page web HTML interactive, partageable en temps réel via une URL unique. Un ingénieur peut ainsi connecter plusieurs sources de données, du code en direct et des outils de monitoring, puis envoyer ce lien à ses collègues non techniques, responsables produit, managers, clients internes, qui voient la page se mettre à jour automatiquement au fur et à mesure que l'agent IA avance dans son travail. Chaque modification crée un historique de versions consultable, permettant de revenir en arrière ou de suivre la progression sur mobile comme sur desktop. Anthropic avait déjà introduit les Artifacts dans son chatbot grand public en été 2024, mais leur intégration dans l'interface en ligne de commande (CLI) et l'application desktop de Claude Code marque un tournant : l'outil passe du prototypage conversationnel au flux de travail d'ingénierie professionnel. L'impact le plus immédiat concerne la communication entre équipes techniques et non techniques. Jusqu'ici, un ingénieur qui voulait montrer l'avancement d'un chantier IA devait soit rédiger un compte-rendu manuel, soit organiser une démonstration live. Avec les Artifacts, le tableau de bord ou le prototype se construit directement depuis le contexte de la session, le dépôt de code, les outils connectés, les données existantes, sans infrastructure supplémentaire à mettre en place. La page s'actualise à la même URL sans rechargement, ce qui en fait un canal de reporting passif mais précis. Pour les entreprises qui déploient des agents autonomes sur des tâches longues, c'est une fenêtre d'observabilité sans friction pour les parties prenantes. Cette annonce intervient plus de deux semaines après qu'OpenAI a lancé une fonctionnalité similaire sur sa plateforme Codex, baptisée "Sites". La comparaison révèle deux philosophies opposées : OpenAI construit une plateforme applicative complète, avec bases de données relationnelles D1, stockage de fichiers R2, authentification externe et déploiement en production compatible Cloudflare Workers, en clair, un outil destiné à remplacer des SaaS internes. Anthropic fait le choix inverse et l'assume explicitement dans sa documentation : "An artifact is a capture of work, not an application." Chaque Artifact est une page HTML autonome, plafonnée à 16 Mo rendu, sans accès réseau externe grâce à une politique de sécurité stricte (CSP). Ce positionnement délibérément limité vise la lisibilité et la sécurité organisationnelle plutôt que la durabilité applicative, révélant une bataille de fond sur la définition même de ce que doit être un espace de travail IA en entreprise.

Perplexity lance Brain, un système de mémoire auto-améliorant qui construit un graphe contextuel du travail d'un agent et apprend durant la nuit
Illustration générée par IA
3759MarkTechPost 

Perplexity lance Brain, un système de mémoire auto-améliorant qui construit un graphe contextuel du travail d'un agent et apprend durant la nuit

Perplexity a lancé Brain, un système de mémoire à auto-amélioration intégré à son agent Computer, aujourd'hui disponible en Research Preview pour les abonnés Max et Enterprise Max. Contrairement aux systèmes de mémoire traditionnels qui stockent les préférences et habitudes de l'utilisateur, Brain construit un graphe de contexte centré sur le travail accompli par l'agent lui-même. Concrètement, Brain enregistre ce que Computer a fait, ce qui a fonctionné, ce qui a échoué, et les corrections apportées en cours de route. Ce graphe prend la forme d'un wiki alimenté par LLM, chargé automatiquement dans le sandbox de l'agent, dont les pages reflètent les projets, personnes, idées et sources propres à l'univers de travail de l'utilisateur. Le système se met à jour la nuit, en synthétisant les sessions passées, les résultats des connecteurs et les modifications apportées aux documents sources. L'impact concret est significatif : Perplexity annonce, sur la base de ses propres tests, une amélioration de 25 % de la correction des réponses sur des tâches déjà rencontrées, un gain de 16 % sur le rappel d'information, et une réduction de 13 % des coûts sur les tâches nécessitant un contexte historique. Plus l'utilisateur se sert de Computer, plus les gains s'accumulent, puisque l'agent apprend progressivement quels fichiers, connecteurs et sources produisent les meilleurs résultats. Chaque entrée mémorisée est traçable jusqu'à sa session ou son document d'origine, ce qui facilite le débogage et renforce la confiance dans le système. Pour Perplexity, l'objectif est simple : chaque jeton dépensé aujourd'hui est un investissement dans une utilisation plus efficace des jetons demain. Ce lancement s'inscrit dans une réflexion plus large sur ce que doit être la mémoire en intelligence artificielle. Jusqu'ici, les assistants IA mémorisaient principalement l'utilisateur, pour produire un sentiment d'engagement. Perplexity renverse cette logique en affirmant que la mémoire la plus utile est celle qui améliore la performance de l'agent sur le travail réel. La startup, qui s'est imposée comme un acteur sérieux de la recherche augmentée par IA face à Google et OpenAI, positionne ainsi Computer comme un agent de productivité à long terme plutôt qu'un simple assistant ponctuel. Des cas d'usage concrets illustrent cette ambition : un data scientist qui relance chaque semaine le même audit de pipeline verra Brain éliminer progressivement les sources mortes et raccourcir les détours ; une équipe support verra les tickets routés plus vite vers les bonnes ressources. La prochaine étape naturelle serait d'ouvrir ce mécanisme d'apprentissage à des intégrations tierces plus larges, et de mesurer ses performances sur des benchmarks indépendants.

OutilsOutil
1 source
La mise à jour santé de ChatGPT surpasse les réponses de médecins, selon OpenAI
Illustration générée par IA
3760The Decoder 

La mise à jour santé de ChatGPT surpasse les réponses de médecins, selon OpenAI

OpenAI a annoncé une mise à niveau significative des capacités médicales de ChatGPT, propulsée par son nouveau modèle GPT-5.5 Instant. Selon les tests comparatifs conduits par l'entreprise elle-même, le chatbot surpasse désormais les réponses rédigées par des médecins en termes de précision, de clarté et d'exhaustivité. Plus concrètement, le taux d'erreur sur les questions de santé aurait chuté de 71 % par rapport aux versions précédentes. Cette avancée représente un tournant potentiel dans l'usage de l'IA comme outil de santé grand public. Si ces performances se confirment en conditions réelles, des millions d'utilisateurs pourraient obtenir des informations médicales fiables sans passer par un professionnel de santé, ce qui soulève autant d'espoirs que d'interrogations sur la responsabilité en cas d'erreur. Pour l'industrie de la santé numérique, c'est un signal fort : les modèles de langage commencent à rivaliser sérieusement avec l'expertise clinique sur certains types de requêtes informatives. Cette annonce s'inscrit dans une compétition acharnée entre les grands laboratoires d'IA pour s'imposer dans le secteur médical, jugé stratégique et lucratif. Google, Microsoft et plusieurs startups spécialisées investissent massivement dans des modèles entraînés sur des données cliniques. OpenAI, en misant sur GPT-5.5 Instant pour le grand public, adopte une approche différente : intégrer la santé directement dans un outil généraliste déjà utilisé par des centaines de millions de personnes, sans nécessiter de plateforme dédiée.

LLMsActu
1 source