LLM

Le titre indique que Gemini 4 Argon est disponible pour tous (développeurs, entreprises, grand public), avec une couverture par 6 sources ; le corps extrait ne contient que du CSS.

Muse Wonder est disponible dès aujourd'hui via la Meta Model API et Muse Code (Wonder Full pour les abonnés Muse Code), avec un rapport d'évaluation et un modèle de pointe de Meta.

Résultats vérifiables et significatifs : scores IOI 2026 (535.4/600, au-dessus du seuil or et du meilleur humain) et IMO 2026 (30/42, au-dessus du seuil or) obtenus par fine-tuning de Nemotron, avec modèles, données et recettes publiés en open source sur Hugging Face.

Nouveau modèle API réellement disponible (Haiku 5.5) avec tarifs concrets (0,10$/0,50$ input, 0,50$/2,50$ output), baisse de 75% du coût d'exécution vs Haiku 4.5, et baisse simultanée des prix de Sonnet 5.5 (cache reads -50%), changement effectif de capacité et de rapport qualité/prix pour les…

Aperçu public de Mistral Large 4 (1T paramètres, 52B actifs) déjà accessible via API, poids ouverts annoncés fin du mois, avec évaluations tierces (Artificial Analysis, Vals.ai, Surge AI).

Nouveau modèle frontière avec prix annoncé, benchmarks chiffrés et déploiement initial via le programme Fairwind.

Nouveau modèle phare réellement disponible avec prix concrêts (-40%), benchmarks détaillés et performances supérieures documentées face aux concurrents.

Présente une puce d'accélération réelle (Jalapeño) avec specs précises et une validation documentée de l'usage des LLM pour réduire le cycle de conception.

Nouveaux modèles 3.8 Live et Extended Thinking déployés via API et Google Apps avec benchmarking externe vérifié.

Modèle 763B effectivement disponible avec nouvelle architecture encodeur-décodeur, vision native et benchmarks indépendants confirmant des performances supérieures à V4 Pro.

Une étude psycholinguistique montre que neuf modèles frontier ou quasi-frontier emploient plus de structures coûteuses à traiter que les humains, et avance une hypothèse d'optimisation pour la densité d'information.

Contre-exemple à la conjecture d'Erdős, preuves de problèmes ouverts : un essai cherche à prédire quels problèmes mathématiques les LLM peuvent résoudre, et pourquoi.

Le projet this+that a confié 45 047 e-mails d'Enron à une IA qui a produit 214 pages d'entités, chaque fait renvoyant à son e-mail source et expirant lorsque le courrier l'invalide.

Une chercheuse en science cosmétique détaille les indices permettant d'identifier des contenus scientifiques produits par IA, souvent sujets aux erreurs factuelles, tout en mettant en garde contre les faux positifs.

Des chercheurs proposent des algorithmes de monitoring en ligne qui décident quand solliciter un expert humain, avec garanties formelles sur la part d'erreurs de l'IA non auditées.

Une étude hors ligne sur 47 837 tickets montre qu'une politique d'abstention calibrée réduit le coût de routage de 38,1 %, tandis que les LLM en prompting restent loin d'un DistilBERT fine-tuné.

Un nouveau benchmark exécutable teste si les agents LLM utilisant des outils commettent des actions interdites quand une réponse d'outil omet un fait pertinent pour la sécurité.

Interrogés trois fois sur leur avis le plus controversé sur les humains, douze modèles issus de dix labs ont tous avancé au moins une fois la même idée : le conformisme prime sur la vérité.

Un nouveau benchmark agentique fait écrire des environnements interactifs à neuf LLM de pointe pour mesurer leurs capacités de créateur et de solveur, révélant deux compétences distinctes.

Quant-Arena évalue neuf modèles de pointe sur la recherche quantitative de bout en bout avec des données A-share : GPT-6 Astra arrive en tête, mais aucun ne bat le marché équipondéré en 2024.

P2NPCBench associe 12 familles de problèmes NP-complets à leurs jumeaux polynomiaux. Les 12 modèles évalués réussissent moins bien côté NP-complet, avec un écart réduit par la réécriture adversariale.

Des chercheurs modélisent les classifieurs LLM comme des instruments de mesure bruités et proposent des circuits de requêtes adaptatives pour optimiser le compromis entre coût et précision.

Un billet d'Amrut Joshi explique pourquoi le score de confiance généré par un LLM dans les agents n'est pas fiable, en s'appuyant sur la notion de confiance et sa mesure par calibration.

OpenAI détaille l'architecture publicitaire de ChatGPT, fondée sur des LLM, qui comprend l'intention conversationnelle et sépare les annonces des réponses.

Des LLM organisés en agents spécialisés pilotent simulations et analyses mécanistiques sur les joints de grains généraux, avec une application à 14 joints asymétriques en nickel.

Des chercheurs proposent AMTP, un contrôleur léger qui choisit en ligne l'horizon de brouillon en MTP, sans réentraînement et sans modifier le vérificateur exact, pour accélérer le décodage.

Un cadre de métriques diagnostiques fondé sur la théorie de Schwartz compare l'expression et l'organisation des valeurs dans des débats humains et des débats générés par LLM.

Ai2 présente FairStress, un benchmark qui met au jour des écarts démographiques dans la manière dont les LLM défendent et expliquent leurs décisions, même quand leurs choix finaux paraissent équitables.

Basis montre que des LLMs peuvent rédiger la sémantique formelle d'un petit langage, puis prouver sous Lean que son interpréteur la respecte, jusqu'au code RISC-V compilé.

FunCAD-Harness et FunCADBench évaluent la capacité des agents LLM à concevoir des mécanismes CAO qui remplissent réellement leur fonction en simulation physique.

Avec le simulateur géochimique PHREEQC, des agents GPT perdent jusqu'à 11,3 points quand ils lisent le rapport via un index plutôt qu'en contexte, alors que les modèles Claude testés ne montrent aucun coût détectable.

Un chercheur de Goodfire avance dans un texte de 26 000 mots que les réseaux de neurones seraient bien plus faciles à comprendre qu'on ne le pensait. La communauté se divise.

Inception lance Mercury 3, LLM à diffusion annoncé à plus de 1 000 tokens par seconde, avec un contexte d'1M de tokens et une qualité jugée comparable aux modèles rapides de référence.

Le speculative decoding n'économise pas de calcul : il en exécute davantage. Son gain vient du type de travail demandé au GPU, qui passe d'un régime memory bound à un usage plus intensif du calcul.

Artificial Analysis référence DeepSeek V4.1 Flash 1017 en configuration « Max » sur sa page de modèles, partagée par un utilisateur sur Hacker News.

KillSwitch, langage ésotérique conçu pour déjouer LLM et agents de code, cherche à mesurer ce qui relève de la compréhension du code plutôt que du simple rappel de données d'entraînement.

Une étude montre que le fine-tuning d'un LLM sur un comportement peut en déclencher un autre lorsque les deux étaient associés dans des documents d'entraînement, et que ces couplages peuvent se composer.

Des agents LLM reproduisent 77,4 % de 2 190 affirmations issues d'études basées sur la base SEER et signalent les choix analytiques potentiellement déterminants pour relecture par des experts.

Des chercheurs proposent Warm-Start UCB, une méthode de memory gating personnalisée pour agents LLM, avec une borne de regret théorique et de meilleurs résultats que les baselines testées.

Des chercheurs proposent PRSR, une intervention à l'inférence qui rend les embeddings extraits de LLM figés plus indépendants de la langue, sans aucun entraînement supplémentaire.

Le PostgreSQL Global Development Group repousse la sortie de Postgres 19 à novembre et retire jusqu'à dix fonctionnalités, après les retours de la relecture de code assistée par LLM.

StarSkirmish Bench v0.2 demande à des LLM d'écrire en une heure un bot Protoss en C++ pour StarCraft: Brood War. GPT-6 Astra domine, mais les meilleurs bots humains restent loin devant.

Une publication parue dans AI Magazine (Wiley/AAAI) interroge les moyens de doter des LLM, assimilés à un raisonnement intuitif de type Système 1, de compétences relevant du Système 2.

Un cadre évolutionnaire où des LLM proposent des circuits et un évaluateur indépendant les vérifie réduit les comptes de portes Toffoli et de qubits sur sept tâches sur huit.

Une étude sur quatre modèles et cinq langues indiennes montre que signaler un test de sécurité accroît les refus de requêtes nuisibles, ce qui questionne la validité des évaluations multilingues.

Un modèle de 8B entraîné par apprentissage par renforcement au niveau de l'ensemble d'idées dépasse Claude Opus 4.8 et GPT-6 Astra en utilité créative sur un benchmark sans contamination.

Des chercheurs d'Apple comparent deux approches de découverte d'outils pour agents LLM : récupérer puis planifier, ou planifier d'abord avec des stubs d'outils abstraits servant de requêtes.

CriticOPD exploite la capacité du teacher à repérer les erreurs de l'étudiant pour restaurer la « recoverability » en distillation on-policy, avec des gains sur six benchmarks de raisonnement mathématique.

Des chercheurs montrent que les agents LLM de recherche automatisée plafonnent à mesure que l'historique s'accumule, et que des réinitialisations périodiques relancent la progression.

Un nouveau benchmark issu de dialogues Reddit ChangeMyView mesure à la fois l'intelligence cognitive et comportementale des LLM face à la persuasion, avec comparaison à des humains.

Linus Torvalds a posté pour revue une série de dix patchs écrite avec un LLM, qui accélère d'un ordre de grandeur un benchmark axé sur read() ; une race condition a déjà été relevée.

Un guide en ligne explique pas à pas comment construire un LLM from scratch avec Node.js et TypeScript, de l'attention à la boucle d'entraînement, avec du code exécutable.

Niklas... Dans un billet issu d'une conférence à REBASE, un concepteur de langages défend le maintien d'un rôle humain en programmation et la bonne adéquation de Rust au développement agentique.

Un développeur montre qu'un transformer standard peut exécuter n'importe quel algorithme calculable, en compilant directement un programme assembleur en poids de modèle, sans entraînement.

ChunkAct regroupe des primitives enchaînées en blocs exécutés sans appel LLM intermédiaire : +5,0 points de réussite sur LIBERO-Pro avec 2,9x moins d'appels LLM.

HybridAgents navigue dynamiquement entre raisonnement latent et texte au sein d'une même génération, avec un gain de 10,4 % et une réduction de 35,5 à 54,7 % des tokens sur 11 benchmarks.

Un framework de reinforcement learning entraîne un LLM à optimiser des molécules tour après tour grâce au feedback précédent, avec 81,50 % de succès contre 70,81 % pour le modèle de base.

Scenario-Actor choisit la température d'échantillonnage d'un LLM à partir d'une représentation géométrique du scénario de communication, extraite des états cachés du Transformer.

Alors que les chercheurs utilisent les LLM comme interlocuteurs de travail, des accusations visant OpenAI et Anthropic alimentent la méfiance quant à l'usage de leurs manuscrits et données.

Google DeepMind donne accès à Gemini 4 Argon, son dernier modèle frontier, aux développeurs, aux entreprises, aux scientifiques et au grand public.