Recherche pertinente, résultats publiés et limites des évaluations.
75 articles
Un préprint évalue si le désaccord entre les réponses d’un petit modèle peut indiquer quand transmettre une requête à un modèle plus puissant. Les résultats sur GSM8K sont encourageants, mais l’étude met aussi en garde contre les pièges méthodologiques et les coûts opérationnels.
Un préprint propose de mesurer les conflits entre agents de code comme un problème de planification. Son résumé déclare des améliorations dans l'intégration propre, mais l'étendue des essais et leur reproductibilité nécessitent d'examiner l'article complet et ses matériaux.
H Company présente deux modèles d'agents capables d'alterner entre interfaces graphiques, exécution de code et outils MCP ou API. Les poids et les résultats sont publiés, bien que les tests ne démontrent ni une autonomie générale ni des performances uniformes dans tous les environnements.
Google DeepMind et GovTech Singapore ont annoncé un outil qui analyse les risques d’arnaque dans les conversations à l’aide de modèles Gemma exécutés sur l’appareil. Les informations disponibles ne précisent ni la variante utilisée, ni les résultats des tests, ni l’étendue de la protection de la vie privée.
Mistral a présenté Large 4 en préversion publique et annoncé la publication de ses poids pour la fin octobre. L’entreprise revendique un billion de paramètres, dont 52 milliards actifs, mais ces chiffres et les résultats de performance doivent être interprétés avec prudence : la plupart des comparaisons disponibles proviennent d’évaluations présentées par Mistral.
Un modèle avancé a mené une chaîne de réplication jusqu’au bout sur un réseau contrôlé, avec un accès simplifié. Anthropic avertit qu’aucun petit modèle ne combine encore les capacités nécessaires et une taille adaptée à une propagation sur des appareils grand public en conditions réelles.
Agent Lightning relie des agents à leurs outils et à leur gestion du contexte à un flux d’entraînement par renforcement. Le projet propose du code sous licence MIT et présente des résultats qui lui sont propres, lesquels nécessitent encore une évaluation indépendante.
Google élargit l’accès à Gemini 4 Argon, présenté pour des travaux de longue durée en programmation, en science, en finance et en cybersécurité. Ses résultats et son usage en conditions réelles doivent encore faire l’objet d’évaluations indépendantes ; les informations disponibles ne permettent pas non plus de confirmer des capacités précises en robotique.
Quine associe un modèle biologique à des outils de recherche afin de hiérarchiser des hypothèses avant leur mise à l’épreuve en laboratoire. Microsoft Research fait état de premiers essais sur le cancer du pancréas, mais le système n’a pas encore fait l’objet d’une évaluation indépendante.
Google DeepMind présente une preuve de concept qui marque des séquences protéiques et des structures prédites. Les essais annoncés étayent le maintien de la fonction de certaines conceptions, mais ne démontrent ni une traçabilité universelle ni une résistance aux manipulations délibérées.
OpenAI propose de documenter, à l’aide d’arguments et de preuves, les raisons pour lesquelles un entraînement de pointe peut se poursuivre. L’approche associe des contrôles techniques et des examens opérationnels, mais l’entreprise la présente comme un guide initial, et non comme une garantie de sécurité éprouvée.
Cette opération entièrement financée en actions ajouterait à AMD les travaux de World Labs sur les modèles spatiaux. La finalisation est prévue pour la fin de 2026, sous réserve d’autorisations et d’autres conditions.