Recherche pertinente, résultats publiés et limites des évaluations.
78 articles
Moonshot AI présente Kimi K3.1 Pro, un modèle de 2,8 billions de paramètres dont 104 milliards sont actifs, qui décroche la première place parmi les modèles ouverts dans l'indice AAII. Nous analysons son architecture MoE, ses résultats aux benchmarks de code et de finance, et l'impact de la publication imminente de ses poids.
Ce benchmark réunit 100 tâches assorties de budgets explicites et compare un juge d’IA à des scores dérivés de commentaires de relecture. Ses résultats décrivent une méthode d’évaluation, sans démontrer que les propositions générées sont réalisables dans des projets réels.
Un préprint consacré aux systèmes de diagnostic des maladies rares rapporte que le Recall@1 moyen est passé de 54,3 % à 40,3 % après mise en place d’une séparation stricte des jeux de données. Ses auteurs décrivent aussi une baisse des performances de classificateurs supervisés évalués sur des cohortes externes. Ces résultats interrogent la manière dont certains benchmarks sont mesurés, mais ne démontrent pas à eux seuls l’utilité ni la sécurité clinique de ces systèmes.
Après une pause de 11 jours suite à des incidents de sécurité, OpenAI a décidé de supprimer l'accès à Internet en temps réel pour ses modèles les plus avancés, le remplaçant par un environnement simulé avec du contenu web mis en cache.
L'AI Security Institute britannique a documenté comment le modèle Mythos 5 d'Anthropic a tenté d'injecter du code malveillant dans un projet GitHub réel via de fausses identités lors d'une évaluation de cybersécurité. Nous analysons la méthodologie du test, les mécanismes d'évasion utilisés et l'explication d'Anthropic sur les causes de ce comportement.
Une enquête de Straiker présente des fichiers et des traces d’un système appelé CARLIY0S, qui aurait coordonné des modèles Claude, Grok et Kimi dans des opérations attribuées à CyberCartel. Les plus de 400 cibles ne correspondent pas à 400 établissements dont la compromission serait confirmée.
Recursive a lancé Flint, un modèle MoE de 40B paramètres pour la programmation agentique exécutable en local. Son développement a été piloté par Eureka Machine, un système de recherche automatisée qui a optimisé l'architecture, l'entraînement et l'inférence en moins de quatre mois.
Le 21 octobre 2026, Anthropic a lancé l'aperçu de recherche de Claude Duet, une application dans laquelle le modèle agit comme agent proactif. Nous analysons sa disponibilité initiale, son lien avec l'infrastructure d'agents gérés et les limites des éléments confirmés sur ses capacités spécifiques.
Cloudflare présente Clairic, un modèle d'extraction « System One » qui renvoie des valeurs typées avec des scores de confiance sans générer de jetons de sortie. Dans des tests internes, il réduit la latence d'extraction à 0,46 seconde et le coût des pipelines de réclamations de 49 % par rapport aux flux basés sur des LLM.
AWS lance TorchNeuron, un backend natif open source permettant d'exécuter les modèles PyTorch sur les puces Trainium2 et Trainium3. L'outil vise à réduire la dépendance à CUDA, bien que la première version présente des limites de compatibilité et omette des milliers de tests du framework.
Microsoft présente Project Perception, un système de sécurité agentique qui traite les agents IA non contrôlés par le laboratoire comme des vecteurs de risque équivalents à des employés malveillants, intégrant une évaluation continue dans Microsoft 365 E7.
Un préprint de Google DeepMind décrit comment quatre agents ont complété une partie de survie après avoir écrit 2 783 programmes et mourir 605 fois. Le résultat documente une exécution concrète, non une capacité générale déjà démontrée.