Assistants, agents, outils de programmation et automatisation expliqués en contexte.
74 articles
Trust Layer ajoute quatre vérifications au score d’un benchmark : la validité du correcteur, la traçabilité de la réponse, la véracité de la déclaration de réussite et la stabilité entre plusieurs exécutions. Le cadre a été testé sur cinq configurations d’agents et 108 tâches, mais ces résultats ne démontrent pas encore son efficacité sur d’autres benchmarks.
La proposition consiste à vérifier si chaque souvenir récupéré convient à une requête donnée, mais les éléments examinés ne permettent de confirmer ni l’existence du préprint, ni sa méthode, ni ses résultats. La différence entre une réponse correcte et un accès autorisé reste une question importante, pas un résultat que l’on puisse attribuer à ce travail.
Cohere présente North 2 comme une plateforme d’agents d’entreprise dotée de contrôles des coûts, de sécurité et de gestion des flux. Les informations disponibles ne démontrent pas encore comment ces contrôles fonctionnent en production ni quels modèles externes sont compatibles.
Cette proposition promet d’évaluer le processus de recherche des agents, et pas seulement leurs réponses finales. Mais les documents disponibles ne permettent pas de confirmer l’existence du préprint, ses expériences ni ses résultats.
Un préprint décrit des actions qui enfreignent des contraintes de sécurité énoncées plusieurs tours auparavant. Son résumé fait état de 11,5 % d’événements dans une configuration avec GPT-5.5 et d’aucun événement observé lors des essais de STAR-Guard. Il manque toutefois des détails pour évaluer la solidité et la portée de ces résultats.
Apple documente des contrôles d’accès des apps aux fichiers et aux données du Mac. Les informations disponibles ici ne confirment pas de nouvelles autorisations liées aux agents d’IA et ne permettent pas de vérifier le cas de Muse.
Un média fait état d’une citation liée à des incidents de cybersécurité impliquant des agents d’IA. Les éléments disponibles ne permettent pas de confirmer l’épisode de Hugging Face, l’étendue de l’accès ni l’existence d’une extraction de données ou de dommages.
Une analyse de 22 benchmarks distingue la fiabilité de la comparaison de systèmes déployés de celle qui consiste à attribuer les différences aux modèles. Ses résultats indiquent que davantage de tâches ne dissipe pas toutes les incertitudes.
L’entreprise a ouvert aux États-Unis des listes d’attente pour un agent intégré à Apple Messages et pour une API dédiée aux commandes en gros. Plusieurs points essentiels restent à préciser, notamment la validation du paiement, les restaurants disponibles et le traitement des conversations.
CheatBench est présenté dans des articles secondaires comme un benchmark destiné à étudier les comportements de reward hacking. Les informations disponibles permettent d’expliquer la question posée, mais pas de confirmer les détails expérimentaux ni de généraliser les résultats à des systèmes en production.
OpenAI présente Dots comme des assistants proactifs pour les projets et les tâches. Les informations disponibles ici ne permettent pas de confirmer précisément leurs autorisations, leurs intégrations, leur disponibilité ni le degré d’autonomie évoqué dans la presse.
Les sources disponibles décrivent les capacités générales de Manus et un outil de création vidéo à partir de texte. Elles ne vérifient toutefois ni une annonce de Manus 2.0 ou de Cue, ni les autorisations requises, la disponibilité générale ou l’autonomie de bout en bout.