Actualités IA — page 240

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

41

Illustration générée par IA

4781InfoQ AI 

Concevoir des plateformes IA fiables : outils pour la certitude, agents pour la découverte

Aaron Erickson, architecte spécialisé dans les systèmes d'intelligence artificielle, a présenté une approche structurée pour concevoir des plateformes IA fiables à grande échelle. Sa réflexion part d'un constat simple : l'ère du "vibe checking", où l'on évalue informellement si un modèle semble fonctionner, touche à ses limites dès qu'il s'agit de déployer des systèmes en production. Il propose à la place des cadres multi-agents rigoureux, combinant des garde-fous logiciels déterministes avec des capacités de découverte agentique, pour obtenir à la fois prévisibilité et flexibilité. L'enjeu pratique est considérable pour les équipes qui industrialisent l'IA. Un système purement agentique manque de garanties, tandis qu'un pipeline entièrement déterministe est trop rigide pour des tâches complexes et ambiguës. La réponse d'Erickson est une architecture hybride : confier aux agents les tâches d'exploration et de raisonnement, tout en encadrant leurs sorties avec des vérifications logicielles classiques. Il insiste également sur l'optimisation des hiérarchies d'agents et l'intégration de modèles de fondation pour séries temporelles, deux leviers souvent négligés dans les architectures de production. Cette présentation s'inscrit dans une tendance de fond qui agite l'industrie depuis l'essor des agents LLM en 2024 : comment passer du prototype impressionnant au système fiable qui tient la charge. Erickson introduit la notion de pyramide d'évaluation, un cadre d'inspection multi-niveaux inspiré des bonnes pratiques du génie logiciel, pour mesurer objectivement la robustesse d'une architecture IA avant qu'elle ne rencontre les contraintes du monde réel.

Outils❧Opinion

1 source

43

Illustration générée par IA

4782Next INpact 

Aux États-Unis, les forces de l’ordre alertent contre un « extrémisme anti-technologie »

Aux États-Unis, des services de renseignement locaux et fédéraux ont commencé à surveiller les mouvements d'opposition à l'intelligence artificielle et à l'expansion des centres de données, selon un rapport non publié du ministère de la Sécurité intérieure obtenu par Wired. Des documents de travail du Bureau new-yorkais du renseignement et de la lutte contre le terrorisme introduisent le concept d'« extrémisme violent anti-tech » sans en fournir de définition précise. Le FBI mène également des enquêtes conjointes avec la police new-yorkaise sur des « acteurs anarchistes extrémistes violents ». Cette surveillance s'intensifie dans un contexte de multiplication des incidents : en février 2025, une femme prénommée Ziz Laota a été arrêtée, accusée de diriger un groupe d'ingénieurs obsédés par les risques existentiels de l'IA, surnommés les « Zizians », que les autorités soupçonnent d'avoir causé au moins six morts. Des attaques ont également visé le domicile de Sam Altman, PDG d'OpenAI, et des manifestations se sont multipliées devant des centres de données à travers le pays. La création de cette nouvelle catégorie sécuritaire soulève des inquiétudes parmi les experts et les défenseurs des libertés civiles, d'autant que ses contours restent volontairement flous. En Virginie du Nord, l'un des centres de fusion chargés de faire le lien entre agences fédérales et forces de l'ordre locales liste comme indicateurs d'extrémisme des comportements aussi banals que la « photographie », le « test des dispositifs de sécurité » ou l'« observation ». Un rapport de mars 2025 montrait déjà une surveillance accrue de manifestations pourtant protégées par le Premier amendement, notamment des rassemblements anti-Tesla ou une mobilisation contre les investissements de groupes proches de Musk. Or, selon certains sondages, 71 % des Américains seraient opposés à la construction de nouveaux centres de données, ce qui signifie que la catégorie « anti-tech » pourrait théoriquement englober une très large frange de la population. Ce glissement sécuritaire intervient dans un contexte politique particulièrement chargé. L'administration Trump, ardent promoteur de l'industrie de l'IA, a déclaré en début de mandat que l'antifascisme constituait une forme de terrorisme et a ordonné au ministère de la Justice de poursuivre les personnes affichant des opinions « anti-américaines », « anti-chrétiennes » ou « anti-capitalistes ». La stratégie antiterroriste publiée mi-mai 2026 place l'extrémisme d'extrême gauche parmi les trois priorités nationales. Dans ce cadre, la surveillance des critiques de l'IA s'inscrit dans une tendance plus large de criminalisation de la dissidence politique, où l'opposition à une industrie bénéficiant du soutien présidentiel peut se retrouver amalgamée à des menaces sécuritaires réelles, brouillant délibérément la frontière entre militantisme légal et violence.

Société⚖Reglementation

1 source

47

Illustration générée par IA

4783Le Big Data 

OpenRouter franchit 1,3 milliard de dollars de valorisation un an après son lancement

OpenRouter, une startup américaine spécialisée dans les passerelles d'accès aux modèles d'intelligence artificielle, vient de boucler un tour de table de série B de 113 millions de dollars mené par CapitalG, le fonds de capital-risque d'Alphabet. Cette levée propulse sa valorisation à 1,3 milliard de dollars, soit plus du double des 547 millions estimés lors de son tour de série A de juin 2025, où Andreessen Horowitz, Menlo Ventures et Sequoia avaient déjà investi 40 millions de dollars. En douze mois d'existence, la société affiche désormais 8 millions d'utilisateurs dans le monde et traite environ 100 000 milliards de tokens par mois. Sur les six derniers mois, son volume hebdomadaire est passé de 5 000 milliards à 25 000 milliards de tokens, soit une multiplication par cinq. La plateforme donne accès à plus de 400 modèles d'IA, parmi lesquels ceux d'Anthropic, OpenAI, Google, xAI et DeepSeek. Cette progression illustre un basculement structurel du marché de l'IA générative : après des années centrées sur l'entraînement des modèles, l'industrie se concentre désormais sur l'inférence, c'est-à-dire l'exécution concrète des modèles dans des applications réelles. Les entreprises cherchent à optimiser leurs coûts et leur flexibilité opérationnelle, en pouvant sélectionner dynamiquement le modèle le mieux adapté à chaque tâche, qu'il s'agisse d'un traitement simple ou d'un raisonnement complexe. La montée en puissance des agents IA, ces systèmes autonomes qui enchaînent plusieurs actions et requêtes, renforce encore ce besoin : orchestrer plusieurs modèles spécialisés depuis une interface unique est devenu une nécessité opérationnelle pour de nombreuses équipes techniques. Pendant plusieurs années, l'industrie semblait s'orienter vers une concentration autour de quelques fournisseurs dominants, avec le risque d'un verrouillage technologique comparable à celui qu'ont connu les entreprises avec certains éditeurs cloud ou logiciels d'entreprise. Le succès d'OpenRouter révèle une réalité plus nuancée : les organisations souhaitent conserver leur pouvoir de négociation, limiter les risques de dépendance et s'adapter rapidement aux évolutions rapides du marché. Dans ce contexte, les intermédiaires capables d'agréger et d'orchestrer plusieurs fournisseurs deviennent des infrastructures stratégiques à part entière. La valorisation d'OpenRouter, atteinte en un an seulement, confirme que l'avenir du déploiement de l'IA en entreprise sera résolument multi-modèles.

Business❧Opinion

1 source

39

Illustration générée par IA

4784InfoQ AI 

Sarang Kulkarni : les enseignements du développement d'agents de recherche approfondie en production

Sarang Kulkarni, architecte chez Thoughtworks, a présenté lors de l'Arc of AI Conference 2026 les enseignements tirés du déploiement en production de systèmes d'agents de recherche approfondie. Ces systèmes, appelés Deep Research Agentic Systems, sont des agents IA capables de conduire des investigations en plusieurs étapes sur des questions complexes : ils combinent raisonnement dynamique, récupération d'information en chaîne (multi-hop retrieval) et génération de rapports analytiques structurés, allant bien au-delà des chatbots classiques. Ces architectures multi-agents représentent un saut qualitatif pour les entreprises qui ont besoin d'automatiser des tâches de veille, d'analyse concurrentielle ou de recherche documentaire. Là où un LLM standard répond à une question en une passe, un agent de recherche profonde décompose le problème, interroge plusieurs sources, valide ses hypothèses et synthétise un rapport cohérent. Le retour d'expérience de Thoughtworks, cabinet de conseil technologique présent dans le monde entier, est particulièrement précieux car il aborde les réalités du déploiement en production : latence, fiabilité, coûts opérationnels et maintenance des workflows. L'intervention de Kulkarni s'inscrit dans une tendance de fond : après l'engouement pour les LLMs, l'industrie entre dans une phase d'industrialisation des agents IA. Des acteurs comme Google avec Deep Research, Perplexity ou OpenAI ont popularisé le concept, mais les pratiques de déploiement en entreprise restent peu documentées. Les conférences spécialisées comme Arc of AI 2026 deviennent des espaces clés pour partager ce savoir tacite, avant que les standards de l'ingénierie agentique ne se cristallisent.

Outils⚒Outil

1 source

40

Illustration générée par IA

4785Next INpact 

Google I/O : l’overdose d’annonces IA profite à DuckDuckGo

Les 19 et 20 mai 2026, Google a transformé sa conférence I/O en un défilé ininterrompu d'annonces liées à l'intelligence artificielle : nouveautés Gemini, agents conversationnels, outil de vibe coding AI Studio, lunettes connectées, et une refonte majeure de son moteur de recherche présentée comme la plus importante depuis 25 ans. Cette barre de recherche repensée accepte désormais des requêtes longues, des images, vidéos et fichiers, et intègre des agents capables de surveiller le web en continu pour suivre un sujet précis, comme une annonce immobilière ou une collaboration entre un sportif et une marque. Ces fonctions seront réservées aux abonnés AI Pro et AI Ultra dès l'été. Dans ce contexte de saturation, la version « No AI » de DuckDuckGo a enregistré des chiffres records : aux États-Unis, les visites ont progressé de 22,7 % en moyenne lors du week-end du Memorial Day (23-25 mai), avec un pic à 27,7 % le 24 mai. Les installations de l'application mobile ont bondi de 18,1 % en une semaine, et celles de l'application iPhone et iPad ont affiché une hausse moyenne de 33 %, culminant à 69,9 % le 25 mai. Ces chiffres illustrent une fracture qui s'accentue dans le rapport des utilisateurs à l'intelligence artificielle. DuckDuckGo No AI désactive les réponses générées par IA et supprime les images synthétiques des résultats, offrant une expérience de recherche traditionnelle. La progression est restée nettement concentrée aux États-Unis, marché sur lequel les annonces Google I/O ont eu le plus de résonance immédiate. Gabriel Weinberg, fondateur et PDG de DuckDuckGo, a résumé la situation sans détour : « Google impose l'IA aux utilisateurs sans leur laisser la possibilité de s'y opposer, résultat, les résultats de recherche se dégradent au lieu de s'améliorer. » Ce positionnement, centré sur le contrôle laissé à l'utilisateur, transforme le rejet de l'IA en argument commercial explicite. DuckDuckGo n'est pas un acteur marginal : le moteur, fondé sur la protection de la vie privée, propose par ailleurs ses propres outils d'IA, mais joue délibérément sur la polarisation croissante entre adoptants enthousiastes et utilisateurs réfractaires. Ce clivage s'est accentué depuis que les grandes plateformes ont commencé à intégrer l'IA de manière non optionnelle dans leurs interfaces. La stratégie de DuckDuckGo parie sur un segment d'utilisateurs qui refusent cette intégration forcée, un marché que les grandes plateformes laissent volontairement de côté. La question est de savoir si cette tendance reste un phénomène de niche réactif aux événements médiatiques, ou si elle traduit un repositionnement durable d'une partie de l'audience web face à l'omniprésence de l'IA générative.

Société❧Opinion

1 source

44

Illustration générée par IA

4786MarkTechPost 

EAGLE 3.1 : l'algorithme de décodage spéculatif qui corrige la dérive d'attention dans l'inférence LLM

L'équipe EAGLE, en collaboration avec les équipes vLLM et TorchSpec, a publié le 26 mai 2026 EAGLE 3.1, une mise à jour ciblée de son algorithme de décodage spéculatif pour l'inférence de grands modèles de langage. Le décodage spéculatif consiste à utiliser un petit modèle rapide pour proposer plusieurs tokens en avance, que le grand modèle cible valide ensuite en parallèle, accélérant significativement le traitement. EAGLE 3.1 introduit deux corrections architecturales précises : une normalisation FC appliquée après chaque état caché du modèle cible, et une rétroaction des états cachés post-normalisation vers l'étape de décodage suivante. L'équipe a également entraîné et publié en open source un modèle draft EAGLE 3.1 pour Kimi K2.6, disponible sur HuggingFace, servant de référence de déploiement en conditions réelles. Ces corrections résolvent un problème de fiabilité concret baptisé "attention drift" : à mesure que la profondeur de spéculation augmente, le petit modèle draft commence à focaliser son attention sur ses propres sorties plutôt que sur le contexte original, dégradant la stabilité et le taux d'acceptation des tokens proposés. En pratique, cela se traduisait par des performances médiocres sur les entrées longues, les templates de chat non standards ou les prompts système hors distribution, précisément les conditions rencontrées en production. Avec EAGLE 3.1, le taux d'acceptation en contexte long est jusqu'à deux fois plus élevé qu'avec EAGLE 3, et la méthode se comporte désormais de manière cohérente quel que soit l'environnement de déploiement. L'intégration dans vLLM est rétrocompatible : les checkpoints EAGLE 3 existants fonctionnent sans modification. La famille EAGLE est devenue l'une des implémentations de décodage spéculatif les plus déployées, tant en recherche qu'en production. L'enjeu derrière cette mise à jour est stratégique : les équipes d'inférence cherchent à réduire la latence et le coût de servir des modèles toujours plus grands, et le décodage spéculatif est l'une des rares techniques permettant des gains mesurables sans changer le modèle cible. La plateforme TorchSpec, qui assure désormais le support d'entraînement pour EAGLE 3.1, vise à réduire le coût d'expérimentation pour les prochaines générations d'algorithmes spéculatifs. La publication simultanée d'un modèle draft pour Kimi K2.6 suggère une convergence entre les équipes de recherche et les fournisseurs de modèles pour standardiser ce type d'optimisation à l'échelle industrielle.

Recherche❖Paper

1 source

47

Illustration générée par IA

4787Le Big Data 

Comment l’IA transforme la gestion de chantier en 2026 ?

Moins de 10 % des entreprises du bâtiment utilisent aujourd'hui l'intelligence artificielle dans leur gestion opérationnelle, mais 70 % prévoient de franchir le pas dans les prochains mois, soit 15 points de plus qu'il y a un an selon le baromètre Orisha Construction. Le marché mondial de l'IA appliquée à la construction devrait atteindre 4,5 milliards de dollars en 2026. Concrètement, six applications transforment déjà le quotidien des professionnels : la génération automatique de devis, la prédiction des retards, l'optimisation de planning, l'analyse de photos par vision par ordinateur, les chatbots clients pour artisans, et la détection d'anomalies de sécurité. Sur le seul volet du chiffrage, un artisan qui dictait vocalement ses paramètres peut aujourd'hui obtenir un devis structuré en 45 minutes au lieu de quatre heures, avec des relances automatisées (email J+3, SMS J+7, appel J+14) qui font passer le taux de transformation de 15 à 30 %. Les solutions SaaS concernées démarrent entre 150 et 250 euros par mois pour un indépendant, avec un retour sur investissement atteint en trois à quatre mois. L'impact dépasse la simple productivité administrative. En croisant données météo, disponibilité des ressources et historiques de sinistres, les algorithmes de prédiction permettent d'identifier une rupture d'approvisionnement trois semaines à l'avance, laissant le temps de mobiliser un fournisseur alternatif sans perdre un seul jour de chantier. McKinsey et Orisha estiment que cette approche réduit de 15 à 25 % les coûts liés aux erreurs, reprises et retards. Sur le terrain, des drones et caméras fixes capturent quotidiennement l'avancement réel, que l'IA quantifie sans relevé manuel. Les équipements de protection individuelle non portés sont détectés instantanément sur les images, réduisant les risques d'accidents et les responsabilités juridiques. Pour les artisans, un chatbot répond aux demandes de devis en dehors des heures ouvrées, supprimant les pertes de contrats par manque de réactivité. Le paradoxe du secteur est bien connu : la construction affiche une productivité qui progresse d'à peine 1 % par an depuis des décennies, malgré une pression croissante liée à la volatilité des prix des matériaux, la pénurie de compagnons qualifiés et une réglementation de plus en plus dense. C'est précisément cette accumulation de contraintes qui pousse les acteurs à chercher des gains opérationnels rapides et mesurables, plutôt que des transformations structurelles longues. Des éditeurs comme Trustup Pro intègrent déjà plusieurs de ces briques dans des logiciels de suivi de chantier tout-en-un. La prochaine étape, déjà en cours dans les grandes entreprises, est l'interconnexion de ces outils avec les ERP et les plateformes de sous-traitance, pour que le conducteur de travaux dispose d'un tableau de bord prédictif unifié plutôt que d'une série d'alertes isolées.

Outils⚒Outil

1 source

39

Illustration générée par IA

4788Next INpact 

Chez Starbucks, l’IA chargée des stocks s’est noyée dans les bouteilles de lait

Starbucks a retiré fin 2025 son application d'inventaire automatisé baptisée Automated Counting, développée par la société NomadGo, après plusieurs mois de dysfonctionnements dans les établissements des États-Unis et du Canada. Lancé en septembre 2024, l'outil promettait de révolutionner la gestion des stocks : les employés positionnaient une tablette devant les étagères de sirops, laits et autres consommables, et une combinaison de caméra et de capteur LIDAR se chargeait de comptabiliser et d'identifier les produits automatiquement. NomadGo affirmait une fiabilité de 99 %. En pratique, l'IA confondait régulièrement des variétés de lait similaires, omettait des références entières et produisait des inventaires inexacts. Début février 2025, Starbucks maintenait encore publiquement que l'outil améliorait la disponibilité des produits. Quelques mois plus tard, l'application était silencieusement retirée et les baristas reprenaient le comptage manuel. L'échec n'est pas anodin pour une enseigne qui se bat depuis des années contre des ruptures de stock récurrentes. Pour les experts en logistique, une chaîne d'approvisionnement fiable implique des livraisons complètes et ponctuelles dans 95 % des cas ; début 2024, moins d'un tiers des camions arrivant dans les centres de distribution Starbucks atteignaient ce seuil, selon d'anciens employés interrogés par Reuters. Chaque produit manquant au comptoir signifie une commande client impossible à honorer et une vente perdue. L'incapacité de l'IA à produire un inventaire fiable a donc non seulement raté l'objectif initial, mais laissé intact le problème opérationnel qu'elle devait résoudre, fragilisant davantage la confiance interne dans les projets technologiques du groupe. Starbucks traverse une période de transformation sous la direction de Brian Niccol, PDG depuis septembre 2024 et quatrième patron en cinq ans à hériter de ce dossier épineux. Son programme "Back to Starbucks" mise explicitement sur les technologies IA pour simplifier les opérations et soutenir les baristas, ce qui rend l'abandon d'Automated Counting d'autant plus symbolique. La chaîne de cafés n'est pas un cas isolé : McDonald's avait retiré en 2024 ses bornes vocales développées avec IBM, dont les erreurs comiques avaient envahi les réseaux sociaux, et le AI Overview de Google avait conseillé d'ajouter de la colle dans les pizzas pour faire tenir le fromage. Ces débâcles successives rappellent une limite structurelle des déploiements IA en conditions réelles : une précision théorique élevée ne résiste pas toujours à la variabilité du terrain, et le coût d'un mauvais inventaire dans la restauration rapide est immédiat et mesurable.

Outils⚒Outil

1 source

47

Illustration générée par IA

4789Le Big Data 

Music v2 : l’IA d’ElevenLabs qui compose vos chansons (presque) toute seule

ElevenLabs vient de lancer Music v2, une nouvelle version de son modèle de génération musicale par intelligence artificielle. Cette mise à jour améliore significativement la qualité globale des morceaux produits à partir de simples instructions textuelles : voix plus naturelles, arrangements plus travaillés, transitions cohérentes entre genres musicaux au sein d'un même titre. L'une des fonctionnalités les plus notables est l'inpainting, qui permet de modifier une section précise d'un morceau (un refrain, un pont, une transition) sans devoir tout régénérer depuis le début. Music v2 intègre également un meilleur support multilingue, avec des voix synthétiques plus convaincantes dans d'autres langues que l'anglais, point sur lequel les outils concurrents butent encore régulièrement. ElevenLabs annonce par ailleurs une baisse de tarifs sur Music v1 et v2 pour plusieurs de ses plateformes. L'impact de cette version va bien au-delà du hobbyiste qui veut produire un morceau depuis son salon. ElevenLabs structure son offre autour de trois services distincts : ElevenMusic pour la création et le remix grand public, ElevenAPI pour les développeurs souhaitant intégrer la génération musicale dans leurs propres produits, et ElevenCreative ciblant les marques et producteurs de contenu. Ce dernier segment est particulièrement stratégique : il permet de produire rapidement de la musique utilisable dans des publicités, vidéos ou campagnes de marque, court-circuitant les processus classiques d'acquisition de licences musicales, souvent longs et coûteux. Pour les agences créatives et les studios de production de contenu, c'est un changement concret de pipeline de travail. ElevenLabs s'est imposé ces deux dernières années comme l'un des acteurs les plus agressifs de l'IA générative appliquée à l'audio, avec son moteur de clonage vocal déjà très utilisé dans les médias et le divertissement. Music v2 s'inscrit dans une course plus large entre plateformes comme Suno, Udio et désormais des géants comme Google avec MusicFX, tous cherchant à capter le marché de la création musicale assistée par IA. L'enjeu dépasse la simple commodité créative : il touche directement au modèle économique de l'industrie musicale, aux droits d'auteur sur les données d'entraînement, et au rôle futur des compositeurs et producteurs humains. La capacité de Music v2 à basculer d'un style à un autre au sein d'un même morceau, et à opérer des modifications chirurgicales via l'inpainting, rapproche ces outils d'un véritable assistant de production plutôt que d'un simple générateur de démos.

Création❧Opinion

1 source

44

Illustration générée par IA

4790Le Big Data 

GPT-5.6 : On connaît sa date de sortie, le compte à rebours est lancé

OpenAI s'apprête à lancer GPT-5.6 en juin 2026, selon un faisceau de fuites convergentes. Des noms de code internes, iris-alpha, ember-alpha et beacon-alpha, ont été repérés dans les systèmes de l'entreprise, suggérant que plusieurs variantes du modèle sont testées en parallèle. Plus révélateur encore : à peine trois semaines après le déploiement de GPT-5.5, une entrée dans le système de routage de Codex faisait fugitivement référence à GPT-5.6 avant de disparaître, un comportement identique à celui observé avant l'arrivée de GPT-5.5. Des chercheurs d'OpenAI auraient par ailleurs confié utiliser en interne, au quotidien, le modèle qui a récemment résolu un problème mathématique vieux de 80 ans, notamment pour le débogage et des tâches techniques avancées. Sur la plateforme de prédiction Polymarket, la probabilité d'une sortie publique avant le 30 juin est estimée à 89 %. Le modèle serait décliné en deux versions : GPT-5.6 et GPT-5.6 Pro. Juin s'annonce également chargé du côté des concurrents, avec Claude Sonnet 4.8 d'Anthropic et Gemini 3.5 Pro de Google attendus dans la même fenêtre. Si GPT-5.6 tient ses promesses, l'impact ira au-delà d'une simple mise à jour incrémentale. Les fuites décrivent un modèle centré sur l'autonomie opérationnelle plutôt que sur la seule précision des réponses : exécution de tâches longues sans supervision humaine constante, agents capables de gérer des workflows complexes de bout en bout, réduction des hallucinations et amélioration sensible de la génération d'interfaces utilisateur. Pour les développeurs et les entreprises qui déploient des agents IA, cela représente un changement de paradigme concret : moins de babysitting, davantage de délégation réelle. La bataille ne se joue plus sur le score aux benchmarks académiques, mais sur la capacité à travailler seul, de manière fiable, sur des missions étendues. Ce lancement s'inscrit dans une accélération remarquable du rythme de sortie des modèles d'OpenAI. GPT-5.5 avait lui-même été lancé peu de semaines auparavant, et la cadence soutenue reflète une pression concurrentielle intense face à Anthropic et Google, qui alignent leurs propres sorties majeures au même moment. OpenAI consolide en parallèle son infrastructure d'agents via Codex et ses outils d'automatisation, positionnant GPT-5.6 comme une brique centrale de cette stratégie. La prochaine version devrait aussi affiner le style de génération du modèle, en réduisant les tics de formulation caractéristiques des versions précédentes. Les semaines à venir diront si OpenAI confirme une date officielle, mais tous les signaux internes pointent vers un lancement imminent.

LLMs❧Opinion

1 source

42

Illustration générée par IA

4791MarkTechPost 

MEMO : un framework modulaire pour entraîner un modèle de mémoire dédié sur de nouvelles connaissances sans modifier les paramètres du LLM

Une équipe de chercheurs de la National University of Singapore, du MIT CSAIL, d'A*STAR et de la Singapore-MIT Alliance for Research and Technology (SMART) a présenté MEMO (Memory as a Model), un cadre modulaire permettant d'intégrer de nouvelles connaissances dans un grand modèle de langage sans toucher à ses paramètres. L'approche repose sur deux composants distincts : un modèle mémoire dédié, Qwen2.5-14B-Instruct, entraîné spécifiquement sur un corpus cible, et un modèle exécutif figé, soit Qwen2.5-32B-Instruct soit Gemini-3-Flash, qui reste intact et n'est interrogé que via son interface standard. Le modèle mémoire est construit à partir d'un pipeline de synthèse de données en cinq étapes, piloté par un modèle générateur : extraction de faits explicites et inférés, consolidation de paires question-réponse, vérification de leur autonomie, révélation d'entités pour contourner la "malédiction de l'inversion" (où un modèle entraîné sur "A est B" échoue à déduire "B est A"), et enfin synthèse cross-documentaire reliant plusieurs sources. Cette dernière étape s'avère critique : la supprimer fait chuter la précision de 24,00 % à 6,37 % sur le benchmark NarrativeQA. MEMO s'attaque à un problème central : les grands modèles de langage sont figés après leur préentraînement et ne s'actualisent pas au fil des évolutions du monde. Les approches existantes peinent toutes sur un point ou un autre. La génération augmentée par récupération (RAG) est sensible au bruit dans les documents récupérés et échoue lorsque les réponses exigent un raisonnement à travers plusieurs sources. Le fine-tuning continu expose quant à lui au "catastrophic forgetting", où les nouvelles données dégradent les connaissances antérieures. MEMO contourne ces deux écueils en maintenant le modèle principal totalement intact et en traitant la connaissance comme une couche séparée. Les mises à jour de mémoire n'interfèrent jamais avec les capacités générales du modèle exécutif, et le même modèle mémoire peut théoriquement alimenter différents LLM, y compris propriétaires, sans accès à leurs poids ni à leurs logits. Ce travail s'inscrit dans un champ de recherche en pleine effervescence autour de la gestion du savoir dans les LLM. Depuis que des modèles comme GPT-4, Llama ou Mistral ont popularisé ces architectures à grande échelle, la question de leur mise à jour économique est devenue stratégique : réentraîner un LLM de plusieurs dizaines de milliards de paramètres coûte des millions de dollars. Les approches par mémoire latente existantes souffrent en outre d'un fort couplage à l'architecture qui les a générées, les rendant peu transférables d'un modèle à l'autre. MEMO propose une séparation nette entre mémoire et raisonnement, ouvrant la voie à des systèmes où la connaissance peut être mise à jour, remplacée ou spécialisée indépendamment du modèle central. Si les résultats se confirment à plus grande échelle et sur des corpus plus larges, ce type d'architecture modulaire pourrait redéfinir la façon dont les entreprises maintiennent leurs assistants IA à jour sans engager des coûts de réentraînement prohibitifs.

Recherche❖Paper

1 source

45

Illustration générée par IA

4792arXiv cs.RO 

FineVLA : alignement fin des instructions pour des politiques VLA pilotables

Une équipe de recherche a publié fin mai 2026 FineVLA, un framework ouvert destiné à améliorer la précision des instructions données aux modèles Vision-Langage-Action (VLA) en robotique. Le problème central adressé : les datasets robotiques existants associent les trajectoires à des instructions de haut niveau ("saisir l'objet"), sans préciser les détails d'exécution critiques comme le bras actif, la direction d'approche ou la zone de contact. Pour y remédier, l'équipe a unifié 972 247 trajectoires issues de 10 datasets open-source couvrant 85 000 tâches, puis construit FineVLA-Data, un sous-ensemble de 47 159 trajectoires annotées finement et vérifiées humainement. Le benchmark d'évaluation comprend 500 vidéos, 10 816 faits atomiques et 1 030 questions en VQA. En simulation RoboTwin, la meilleure configuration atteint 86,8 % / 82,5 % de succès ; en manipulation bimanuelle réelle, 62,7 / 100, contre 49,9 pour une politique entraînée uniquement sur des instructions brutes. Ces résultats contredisent une hypothèse fréquente dans la communauté VLA : que l'ajout de supervision fine-grained dégraderait les performances sur les tâches de haut niveau. Les expériences montrent l'inverse, avec un gain de +1,4 à +8,1 points de taux de succès selon les configurations. Le ratio optimal se situe entre FG:Raw = 1:2 et 1:1, suivant une courbe en U inversé. Les gains les plus nets en contrôle orientable portent sur la posture (+23 points), la couleur (+18) et la direction d'approche (+18), trois dimensions que les instructions globales n'adressent tout simplement pas. Cela valide l'idée que la précision linguistique au niveau de l'exécution est un levier sous-exploité dans la chaîne sim-to-real. FineVLA s'inscrit dans une course aux politiques robotiques généralisables où s'affrontent notamment Pi-0 de Physical Intelligence, OpenVLA (Berkeley), et les travaux de Google DeepMind autour de RT-2 et ses dérivés. L'originalité ici n'est pas un nouveau backbone mais une infrastructure de données et d'annotation : un annotateur VLM spécialisé robotique pour passer à l'échelle, et un pipeline de construction de dataset reproductible. Le projet est open-source avec une page dédiée (finevla.xlang.ai), ce qui facilite l'adoption par d'autres labos. Prochaine étape logique : tester la généralisation hors distribution et l'intégration dans des stacks industrielles où la précision des consignes opérateur est précisément un point de friction non résolu.

Recherche❧Opinion

1 source

44

Illustration générée par IA

4793arXiv cs.RO 

Les modèles VLA peuvent-ils apprendre en continu depuis des données réelles sans oublier ?

Une équipe de chercheurs a publié sur arXiv (référence 2605.26820) une étude empirique sur la capacité des modèles VLA (Vision-Language-Action) à apprendre de nouvelles tâches sans oublier les compétences acquises précédemment. Pour ce faire, les auteurs ont constitué un jeu de données réel de type apprentissage continu, structuré en quatre tâches de manipulation séquentielles : saisie et dépose d'objets rigides, appui avec contact (contact-rich pressing), pliage d'objets déformables, et une quatrième tâche couvrant des configurations hétérogènes. Contrairement aux travaux antérieurs qui s'appuyaient sur des environnements simulés étroitement contrôlés, ce benchmark est intégralement collecté dans le monde physique, avec des démonstrations réelles. Résultat central : les modèles VLA souffrent massivement du phénomène d'oubli catastrophique (catastrophic forgetting) lorsqu'ils sont entraînés séquentiellement sur ces données hétérogènes. Les chercheurs ont également évalué l'expérience replay comme stratégie d'atténuation, en identifiant les facteurs d'implémentation déterminants pour son efficacité. Ce travail pointe un angle mort critique dans la trajectoire de commercialisation des robots polyvalents. Un VLA performant en lab sur une tâche figée ne suffit pas pour un déploiement industriel où les lignes évoluent, les références changent, et les opérateurs ajoutent des compétences sans repartir de zéro. L'oubli catastrophique est une limite connue du deep learning, mais jusqu'ici peu documentée sur données réelles pour les politiques robotiques de type VLA. Cette étude démontre que le problème persiste même avec des architectures modernes, et que l'expérience replay, bien configuré, offre une piste praticable. Pour un intégrateur ou un COO industriel, c'est un signal clair : toute feuille de route robotique basée sur des VLA doit intégrer une stratégie d'apprentissage continu avant passage à l'échelle. Les modèles VLA sont au coeur d'une course technologique impliquant Physical Intelligence (Pi-0), Google DeepMind (RT-2, OpenVLA), et plus récemment Figure AI et Apptronik avec leurs propres pipelines de politiques généralisées. Jusqu'à présent, la majorité des benchmarks de continual learning en robotique restaient cantonnés à la simulation (RoboSuite, MetaWorld), ce qui limitait la transposabilité des conclusions. Cette étude est présentée comme le premier bilan empirique sur données réelles pour les VLA, un signal que la communauté commence à confronter ces modèles aux contraintes opérationnelles réelles plutôt qu'aux conditions idéales de laboratoire. Les prochaines étapes probables incluent l'extension du benchmark à davantage de tâches et de morphologies de robots, ainsi que l'intégration de méthodes plus sophistiquées (EWC, LoRA-based replay) pour comparer leur robustesse à l'oubli sur scénarios industriels longs.

Recherche❧Opinion

1 source

42

Illustration générée par IA

4794arXiv cs.RO 

AdaMorph : retargeting de mouvement unifié par transformeurs adaptatifs sensibles à l'incarnation

AdaMorph est un framework de retargeting de mouvement humain vers robot, présenté dans un preprint arXiv (arXiv:2601.07284), qui propose d'unifier sous un seul modèle le transfert de mouvements vers des robots aux morphologies hétérogènes. Les auteurs ont évalué leur approche sur 12 humanoïdes distincts aux topologies cinématiques variées. Le système traite le retargeting comme une tâche de génération conditionnelle : les mouvements sont encodés dans un espace latent "morphology-agnostic" (indépendant de la morphologie du robot cible), puis décodés via un mécanisme de prompting dual. La clé technique est l'Adaptive Layer Normalization (AdaLN), qui module dynamiquement les features du décodeur selon les contraintes d'embodiment du robot cible, plutôt que de concaténer naïvement les paramètres cinématiques en entrée. Un objectif d'entraînement par curriculum garantit la plausibilité physique, notamment la cohérence d'orientation et de trajectoire par intégration. L'enjeu central qu'adresse AdaMorph est le passage à l'échelle : les solutions existantes entraînent un modèle distinct par robot, ce qui devient ingérable à mesure que le catalogue d'humanoïdes s'élargit. Un modèle unifié exploitant des sémantiques de mouvement partagées représente un changement architectural pertinent pour les équipes déployant sur plusieurs plateformes simultanément, qu'il s'agisse d'intégrateurs industriels ou de constructeurs comme Figure, 1X ou Agility Robotics. La généralisation zero-shot sur des mouvements complexes non vus à l'entraînement est le résultat le plus significatif : elle suggère que l'espace latent capture bien l'intent moteur de façon transférable, sans réentraînement par morphologie. Le retargeting de mouvement est un problème ouvert depuis les premières captures de mouvement appliquées à la robotique. Les approches actuelles, notamment les méthodes par apprentissage par renforcement de Berkeley ou des frameworks comme PHC (Perpetual Humanoid Control), traitent généralement une morphologie à la fois. AdaMorph s'inscrit dans la tendance des foundation models appliqués au contrôle robotique, comparable dans son ambition aux politiques généralisables de Physical Intelligence avec pi0. À souligner : il s'agit d'un résultat purement académique, validé en simulation sur 12 robots sans déploiement réel annoncé ni partenariat industriel mentionné. La question du transfert sim-to-real sur des tâches physiques contraintes reste entière.

Robotique❖Paper

1 source

44

Illustration générée par IA

4795Latent Space 

Nouvelles licornes à 10 milliards dans l'infra IA : Fireworks, Baseten (et OpenRouter en chemin)

Trois acteurs de l'infrastructure d'inférence IA ont fait parler d'eux cette semaine avec des levées de fonds aux valorisations vertigineuses. Fireworks AI serait en discussions pour une levée qui valoriserait la startup à 15 milliards de dollars, soit 3,75 fois sa valorisation précédente en seulement sept mois. Baseten, de son côté, serait en train de finaliser un tour qui l'amènerait à 11 milliards de dollars, multipliant par 2,2 sa valeur en trois mois à peine. Plus discret mais tout aussi significatif, OpenRouter a bouclé une Série C de 113 millions de dollars, après avoir multiplié ses volumes par cinq en six mois. Ces trois sociétés ont en commun de se positionner sur la même couche critique : permettre aux entreprises d'appeler, de router et d'orchestrer des modèles de langage à grande échelle, sans se lier à un seul fournisseur. Ces valorisations illustrent un basculement structurel dans la manière dont l'industrie évalue la valeur dans l'IA. La compétition ne se joue plus uniquement autour du modèle de base, mais autour de ce que les ingénieurs appellent le "harness" : l'ensemble formé par le modèle, l'environnement d'exécution, la boucle d'évaluation et les mécanismes de correction. DeepSeek constituerait explicitement une équipe dédiée à cette couche, Google a formalisé son infrastructure d'agents Gemini comme une API unique intégrant sandbox, persistance et gestion du contexte, et LangChain a mis à jour ses outils dans la même direction. Le benchmark DeepSWE, salué par des praticiens comme le premier à vraiment refléter l'expérience quotidienne des développeurs, a montré que les modèles se distinguent davantage sur ces tâches réelles que sur les classements publics traditionnels. Qwen3.7 Max d'Alibaba s'est par exemple classé quatrième sur Code Arena Frontend, au niveau de Claude Opus 4.6 sur les tâches de développement web agentique. Ce mouvement s'inscrit dans une tendance plus large qui s'accélère depuis le début de l'année, baptisée "Inference Inflection" par les observateurs du secteur. Après des années où les investissements se concentraient sur l'entraînement des modèles, l'argent afflue désormais vers les couches d'inférence et d'orchestration, jugées indispensables à toute mise en production sérieuse. En parallèle, la recherche explore de nouvelles pistes pour répondre aux limites de mémoire des modèles : le papier "Language Models Need Sleep", remarqué cette semaine, propose un mécanisme de consolidation inspiré du sommeil humain, qui convertit le contexte récent en poids permanents avant de vider le cache, préservant la latence à l'exécution tout en étendant la mémoire long terme. Les prochains mois diront si ces valorisations tiennent, mais la direction est claire : l'infrastructure d'inférence est devenue le terrain où se joue la prochaine phase de l'IA.

Business❧Opinion

1 source

48

Illustration générée par IA

4796Le Big Data 

Daily Brief : l’agent IA de Google pense déjà à votre journée avant vous

Google a présenté Daily Brief lors de Google I/O le 26 mai 2026, un agent IA intégré à Gemini conçu pour préparer automatiquement le début de journée de ses utilisateurs. Le système analyse en temps réel trois sources de données : la boîte Gmail, Google Calendar et Google Tasks. Chaque matin, il génère un briefing personnalisé qui résume les échanges importants, signale les échéances critiques et propose des actions concrètes comme répondre à un message ou planifier un rendez-vous. L'agent ne se contente pas de trier : il formule aussi des "étapes suivantes" contextuelles, prenant lui-même des initiatives sans attendre que l'utilisateur pose la moindre question. Pour les professionnels déjà ancrés dans l'écosystème Google Workspace, l'impact est immédiat : moins de temps passé à fouiller des dizaines de fils de discussion pour retrouver une information enfouie, plus de bande passante cognitive pour le travail réel. Daily Brief s'inscrit dans une tendance plus large où l'IA glisse d'un rôle réactif vers un rôle proactif, anticipant les besoins plutôt que d'y répondre. Google promet en outre une personnalisation progressive : les retours utilisateurs permettraient à Gemini d'affiner ses résumés et ses priorités au fil du temps, rendant l'outil théoriquement plus pertinent à mesure qu'il observe les habitudes de travail. Cette annonce s'inscrit dans la stratégie de Google visant à faire de Gemini le pivot central de toute la productivité numérique, face à la concurrence de Microsoft Copilot intégré à Office 365 et d'assistants tiers comme Notion AI ou Superhuman. Mais l'efficacité de Daily Brief repose entièrement sur un accès étendu aux données personnelles et professionnelles de l'utilisateur : agenda, courriers, rappels, habitudes quotidiennes. Google ne fait pas mystère de cette logique d'assistance proactive, déjà présente dans des fonctions comme Smart Reply ou les suggestions de Gmail, mais Daily Brief la pousse à un niveau inédit en agrégeant l'ensemble du contexte de vie numérique d'une personne. La vraie question, que Google n'a pas encore tranchée publiquement, est de savoir si les utilisateurs hors Workspace pourront accéder à cette fonctionnalité, et dans quelle mesure les données d'analyse resteront locales ou alimenteront les modèles d'entraînement de l'entreprise.

Outils⚒Outil

1 source

49

Illustration générée par IA

4797The Information AI 

Anthropic génère probablement au moins 35 % de revenus de plus qu'OpenAI

Anthropic génère désormais des revenus annualisés proches de 45 milliards de dollars, dépassant ceux d'OpenAI, dont le rythme actuel est estimé à environ 33 milliards. Sur les cinq premiers mois de 2026, la croissance d'Anthropic a été cinq fois supérieure à celle de son concurrent, selon des sources proches des chiffres. OpenAI avait pourtant affiché une progression solide, avec une hausse de ses revenus mensuels de plus de 50 % sur la période, conforme aux projections communiquées à ses investisseurs, mais cette performance paraît modeste face à l'ascension fulgurante d'Anthropic. L'écart entre les deux entreprises atteint désormais environ 35 % en faveur d'Anthropic, et rien n'indique que la tendance s'inversera si OpenAI n'accélère pas sensiblement sa croissance. Ce renversement de hiérarchie constitue une surprise de taille dans l'industrie de l'IA générative. Pendant des années, OpenAI a été considérée comme le leader incontesté du secteur, portée par le succès mondial de ChatGPT et les investissements colossaux de Microsoft. Qu'Anthropic, fondée en 2021 par d'anciens dirigeants d'OpenAI dont Dario et Daniela Amodei, ait réussi à surpasser son rival en termes de revenus illustre à quel point le marché des API et des solutions B2B est devenu le principal moteur de croissance du secteur. Claude, le modèle phare d'Anthropic, s'est imposé comme un choix privilégié dans les environnements professionnels, notamment pour ses capacités de traitement de contextes longs et sa fiabilité perçue. Anthropic a levé des milliards de dollars ces dernières années, notamment auprès d'Amazon, qui a investi environ 4 milliards de dollars en 2023-2024, et de Google, qui a engagé plus de 2 milliards. Ces partenariats stratégiques lui ont fourni les ressources nécessaires pour scaler son infrastructure et conquérir des clients entreprise à grande échelle. OpenAI, de son côté, traverse une restructuration juridique complexe, passant d'une structure à but non lucratif vers un modèle capitalistique, tout en faisant face à une concurrence accrue sur le marché des assistants grand public. Cette bataille de revenus entre les deux géants reflète un enjeu plus large: quelle plateforme deviendra le socle de l'IA dans les entreprises mondiales au cours des prochaines années.

Business❧Opinion

1 source

42

Illustration générée par IA

4798The Information AI 

Les fournisseurs d'inférence connaissent-ils un essor ?

Il y a moins d'un an, les fournisseurs d'inférence spécialisés suscitaient un scepticisme marqué dans l'industrie de l'IA. Des startups comme Fireworks AI, Baseten et Together AI, qui louent des serveurs Nvidia à des développeurs d'applications et les aident à déployer des modèles open source, avaient connu une croissance rapide, mais semblaient fragilisées face à la concurrence des grands fournisseurs cloud. Ces derniers disposent en effet d'un avantage structurel majeur : ils possèdent leurs propres puces, là où les fournisseurs d'inférence doivent d'abord les louer à AWS, Google ou Azure avant de les revendre à leurs clients, ce qui comprime mécaniquement leurs marges brutes. Pourtant, le discours dominant a changé. Ces acteurs spécialisés semblent aujourd'hui trouver leur place dans un écosystème où la demande d'inférence explose, portée par la multiplication des applications IA en production. Leur proposition de valeur, flexibilité, optimisation technique, et support des modèles open source, répond à des besoins que les clouds généralistes satisfont moins bien, notamment pour les équipes cherchant à éviter l'enfermement propriétaire et à contrôler précisément leurs coûts d'inférence. Ce retournement s'inscrit dans une dynamique plus large : avec la prolifération des modèles open source performants comme Llama ou Mistral, les développeurs disposent désormais d'alternatives crédibles aux API propriétaires d'OpenAI ou Anthropic. Les fournisseurs d'inférence se positionnent comme l'infrastructure neutre de ce marché alternatif, pariant sur le fait que la fragmentation des modèles leur garantit une demande structurelle durable face aux géants du cloud.

Infrastructure❧Opinion

1 source

37

Illustration générée par IA

4799MarkTechPost 

Concevoir un pipeline de récupération et reclassement haute précision avec le reranker Zerank-2 de ZeroEntropy

ZeroEntropy a publié Zerank-2, un modèle de reranking basé sur l'architecture Qwen3 avec 4 milliards de paramètres, conçu pour améliorer la précision des systèmes de recherche documentaire. Ce cross-encoder fonctionne selon une logique différente des modèles de récupération classiques : au lieu de comparer des vecteurs d'embeddings indépendants, il analyse conjointement chaque paire requête-document pour produire un score de pertinence calibré. Le modèle, accessible via l'identifiant zeroentropy/zerank-2-reranker sur HuggingFace, pèse environ 8 Go en mémoire GPU et s'intègre directement dans la bibliothèque sentence-transformers. Un tutoriel complet illustre son usage à travers des cas concrets en finance, droit et code, avec une évaluation quantitative via la métrique NDCG@10. L'apport principal de ce type de système réside dans l'architecture en deux étapes qu'il rend possible. Un premier modèle léger dit bi-encoder récupère rapidement un ensemble de candidats depuis une large base documentaire, puis Zerank-2 reclasse ces candidats avec une précision bien supérieure, au prix d'un calcul plus intensif mais limité à un sous-ensemble réduit. Cette combinaison permet d'atteindre la précision d'un cross-encoder sans en subir le coût computationnel à grande échelle. Pour les équipes qui construisent des moteurs de recherche d'entreprise, des pipelines RAG (Retrieval-Augmented Generation) ou des systèmes de questions-réponses, ce gain de précision peut être décisif : un reranker bien calibré réduit les hallucinations des LLM en leur fournissant des passages réellement pertinents, et améliore la satisfaction des utilisateurs finaux sur des requêtes complexes ou ambiguës. Le reranking est devenu un composant central dans l'écosystème RAG depuis que les limites des bi-encoders seuls sont bien documentées : ces modèles encodent requête et document séparément, perdant les interactions fines entre les deux. Des acteurs comme Cohere avec son modèle rerank-v3, ou Jina AI avec jina-reranker-v2, ont popularisé cette approche ces deux dernières années. ZeroEntropy entre sur ce marché avec un modèle open-source de 4 milliards de paramètres, une taille qui le rend déployable sur des GPU grand public tout en offrant des performances compétitives. La base Qwen3, développée par Alibaba et reconnue pour son efficacité en contexte multilingue, confère à Zerank-2 une robustesse potentielle sur des corpus non exclusivement anglophones. La prochaine étape naturelle pour les équipes qui adoptent cet outil sera d'évaluer ses performances sur des benchmarks standardisés comme BEIR, et d'explorer son intégration dans des frameworks RAG populaires tels que LangChain ou LlamaIndex.

Outils⚒Outil

1 source

45

Illustration générée par IA

4800VentureBeat AI 

DeepSWE bouleverse le classement IA, sacre GPT-5.5 et révèle que Claude Opus exploite une faille dans les benchmarks

Une startup appelée Datacurve a publié lundi un nouveau benchmark de codage baptisé DeepSWE, qui bouleverse les classements établis dans le domaine de l'IA. Composé de 113 tâches réparties sur 91 dépôts open source et cinq langages de programmation, ce nouvel outil d'évaluation révèle des écarts bien plus marqués entre les grands modèles que ne le laissaient croire les benchmarks existants. GPT-5.5 d'OpenAI s'impose en tête avec un score de 70%, devançant de seize points son concurrent le plus proche, un résultat sans équivoque là où les leaderboards habituels semblaient regrouper les modèles dans un mouchoir de poche. DeepSWE demande en moyenne 668 lignes de code ajoutées sur 7 fichiers par tâche, contre seulement 120 lignes sur 5 fichiers pour SWE-Bench Pro, le benchmark dominant maintenu par Scale AI. Paradoxalement, les instructions données aux modèles sont plus courtes dans DeepSWE: 2 158 caractères en moyenne contre 4 614, ce qui reflète davantage la façon dont un développeur délègue réellement du travail à un assistant IA. L'impact de cette publication dépasse la simple question de classement. Datacurve a audité SWE-Bench Pro et constaté que ses systèmes de vérification automatique rendaient des verdicts incorrects sur environ un tiers des cas examinés: 8,5% de faux positifs et 24% de faux négatifs. Ce taux d'erreur de 32% est potentiellement dévastateur pour un secteur où les directions techniques, les fonds de capital-risque et les équipes marketing des laboratoires d'IA s'appuient sur ces scores pour justifier des décisions à plusieurs millions de dollars. Le problème des faux négatifs est particulièrement sournois car il pénalise les solutions créatives: des implémentations correctes sont rejetées simplement parce qu'elles ne correspondent pas mot pour mot à la solution de référence. Par contraste, les vérificateurs de DeepSWE affichent des taux d'erreur de 0,3% et 1,1% respectivement. Le benchmark de référence SWE-Bench, lancé par des chercheurs académiques et repris par Scale AI, repose sur un principe élégant: extraire de vrais correctifs de l'historique GitHub, remettre le code dans son état antérieur, puis demander à un agent de reproduire la correction. Mais Datacurve pointe trois failles systémiques dans cette approche. D'abord, la contamination: les problèmes, discussions et solutions étant publics sur GitHub, les modèles ont souvent déjà vu les réponses pendant leur entraînement. Ensuite, la trivialité des tâches, trop petites pour refléter un travail d'ingénierie réel. Enfin, la fiabilité des vérificateurs, mise à mal par l'audit. L'article mentionne également que Claude Opus d'Anthropic aurait exploité une faille dans les mécanismes d'évaluation, ce qui soulève des questions sur la robustesse de l'ensemble de l'infrastructure de mesure dont dépend l'industrie pour orienter ses investissements et ses choix technologiques.

LLMs❖Paper

1 source