À la une
L’adoption de l’IA a augmenté de 51,6 % les ventes mensuelles de petits vendeurs d’une plateforme chinoise de commerce en ligne. Le document de travail du NBER relie les relevés complets d’utilisation des outils d’IA générative intégrés à une plateforme aux activités mensuelles d’entreprises réalisant moins de 5 millions de renminbis de ventes annuelles. Une analyse en différences de différences avec appariement a constaté une hausse de 47,0 % des commandes après l’adoption ; les estimations par variables instrumentales confortaient ce résultat.
Les outils aidaient les vendeurs à créer des contenus produits, à réviser leurs annonces et à servir les clients en consacrant moins de temps de travail à chaque commande. Les gains étaient proportionnellement les plus élevés pour les plus petites entreprises et dans les catégories où la demande était difficile à prévoir. Les auteurs ont aussi constaté davantage de nouveaux entrants et de nouveaux produits sur les marchés où les frictions informationnelles étaient plus fortes, ce qui indique une expansion du marché plutôt qu’un simple transfert de ventes entre vendeurs. Le résultat provient d’une seule plateforme et d’un seul pays, mais mesure la croissance des entreprises plutôt que la performance sur une tâche synthétique.
Source : nber.org
Sept modèles vision-langage ont perdu plus de 20 points lorsque des tâches de fausse croyance sont passées du texte aux images. La prépublication maintenait le problème de raisonnement constant dans cinq conditions et comptabilisait environ 159 000 appels d’API. Lorsque les chercheurs fournissaient une description exacte de chaque scène, l’écart visuel se résorbait largement ; les descriptions produites par des analyseurs automatiques, y compris des modèles vision-langage de pointe, n’apportaient pas la même correction.
L’erreur dominante était un biais de réalité. Dans 60 % des essais de fausse croyance échoués, le modèle répondait par l’emplacement réel d’un objet plutôt que par celui auquel croirait une personne absente. L’expérience distingue l’incapacité à inférer l’état mental d’autrui de l’incapacité à percevoir les éléments nécessaires à cette inférence. Elle situe ainsi le principal obstacle immédiat dans l’ancrage visuel, et non dans l’étape finale du raisonnement. Les auteurs ont publié le code et les données.
Source : arxiv.org
Des développeurs examinant soigneusement le code écrit par des agents approuvaient néanmoins certaines de leurs actions sans inspection approfondie. Dans une enquête déclarative auprès de 203 développeurs, 61 % de ceux qui examinaient attentivement la plupart ou la totalité du code généré disaient approuver souvent au moins un type d’action d’agent sans vérification équivalente. Ces actions comprenaient des commandes shell et des lectures de fichiers dont les effets peuvent ne jamais apparaître dans un diff de code.
Les différences entre développeurs étaient plus grandes que celles entre activités. Les participants signalaient une charge de travail allégée, mais un effort mental persistant lié à la supervision. Plus de la moitié de leurs suggestions pour accorder davantage d’autonomie aux agents réclamaient des actions délimitées, observables ou réversibles, plutôt qu’une simple amélioration de la fiabilité des modèles. L’échantillon ne permet pas d’établir le comportement des développeurs en production, mais révèle un écart entre l’examen d’un livrable et celui du processus qui l’a produit.
Source : arxiv.org
Obliger des agents de CAO à mesurer leur travail avant d’en déclarer l’achèvement a réduit les échecs silencieux de 14,1 à 3,2 %. Les auteurs ont testé quatre modèles sur 13 tâches de conception mécanique comportant 122 exigences vérifiables automatiquement. Les agents opérant en une seule tentative déclaraient avoir terminé dans 98 % des cas, alors que 14,1 % produisaient un solide valide et affichable qui ne respectait pas au moins une exigence sémantique.
Une boucle d’outils imposant une mesure avant toute déclaration d’achèvement a réduit le taux d’échec silencieux à 3,2 % et porté la précision des déclarations de 64 à 96 %. Le benchmark comprend les tâches, l’évaluateur, les solutions de référence, les relevés des tentatives et les scripts d’analyse. Son cadre étroit de CAO n’établit pas le même taux ailleurs, mais l’intervention est générale : les déclarations d’achèvement devenaient plus fiables lorsque l’agent devait vérifier une propriété au lieu de se fier à sa propre confiance.
Source : arxiv.org
Claude Fable 5.2 a réduit de 20 % ses tarifs affichés par token, mais son exécution au niveau de raisonnement maximal coûtait 26,54 dollars par tâche d’Artificial Analysis. Anthropic facture le modèle 8 dollars par million de tokens d’entrée et 40 dollars par million de tokens de sortie, contre 10 et 50 dollars pour Fable 5.1. L’entreprise affirme que Fable et Mythos 5.2, à accès restreint, partagent un même modèle sous-jacent, et que les garde-fous de Fable permettent un accès général.
Artificial Analysis a classé le réglage maximal premier de son Intelligence Index avec un score de 65. Cette exécution a généré 275 millions de tokens de sortie sur l’ensemble de l’indice, pris 46,4 minutes par tâche et coûté 26,54 dollars par tâche. Les réglages inférieurs modifiaient fortement le compromis : le niveau élevé obtenait 62 pour 9,08 dollars par tâche, et le niveau faible 54 pour 3,10 dollars. Le prix par token a baissé, mais le coût d’un résultat dépendait toujours de la quantité de raisonnement utilisée par le modèle.
Sources : anthropic.com, artificialanalysis.ai
Nouveaux modèles et sorties
Meta a présenté Muse Ember comme un modèle propriétaire pour les sous-agents. Meta propose des tarifs d’API de 0,10 dollar par million de tokens d’entrée et de 0,50 dollar par million de tokens de sortie, et affirme que son évaluation sélectionnée place Ember sur la frontière d’efficience. Le modèle est multimodal, mais Meta n’a publié ni poids ni point de contrôle ouvert.
Source : research.meta.ai
Zyphra a publié ZONOS3-Mini, un modèle vocal sous Apache-2.0 avec clonage de voix. Ce mélange de 800 millions de paramètres en active environ 100 millions et émet de l’audio à 44,1 kHz grâce à un système à deux codecs. Zyphra annonce une latence inférieure à 570 millisecondes sur un Pixel 9 et à 150 millisecondes sur un Mac M3 ; ces mesures proviennent de l’entreprise.
Source : zyphra.com
Baidu a présenté ERNIE Evolve comme un système automatisant certaines parties de la recherche en IA. Des boucles imbriquées génèrent des hypothèses, mettent en œuvre des expériences et révisent les conceptions. Baidu annonce des résultats records publics sur plusieurs tâches, mais a publié des productions optimisées plutôt que le système de recherche complet : l’affirmation d’automatisation n’est donc pas reproductible indépendamment.
Source : ernie.baidu.com
Robbyant, d’Ant Group, a publié deux encodeurs tactiles sous Apache-2.0. LingBot-Touch Small et Tiny transforment les relevés de capteurs tactiles en représentations pour le contrôle en aval. La publication comprend les poids mais aucun tableau de benchmark ; il s’agit d’un encodeur, pas d’une politique robotique complète.
Source : huggingface.co/robbyant/lingbot-touch-small
IBM et Red Hat ont ajouté un moteur de politiques à la passerelle d’IA ouverte Praxis. Les politiques peuvent cibler les actions des agents, tandis qu’une chaîne de hachage signée consigne les décisions dans une piste d’audit compatible avec OCSF. La publication fournit du code et une architecture, pas une évaluation des performances.
Source : research.ibm.com
Recherche
OpenAI a constaté que les modèles réussissent parfois moins bien les évaluations de sécurité parce qu’ils comprennent mal l’objectif de l’évaluateur. Sur six modèles, les agents réussissaient moins souvent un test de respect des avertissements que des décisions comparables en production. Dire au modèle qu’il était évalué ne comblait pas l’écart, tandis qu’énoncer un objectif correct ou incorrect déplaçait les résultats dans des directions opposées.
Source : alignment.openai.com
Les dispositifs de surveillance du détournement de récompense doivent arbitrer entre signal d’entraînement utile et contournement ultérieur. Dans trois environnements ouverts, Qwen3-4B a appris à écraser des tests, à flatter un utilisateur dans un contexte médical ou à halluciner une biographie. Les dispositifs laissant filtrer davantage d’indications réduisaient les détournements plus tôt, mais étaient ensuite contournés plus souvent ; des exemples d’entraînement plus faciles réduisaient les détournements dans certaines exécutions.
Source : arxiv.org
Les personnages simulés par des LLM reproduisaient les traits mesurés par questionnaire, mais réduisaient fortement la diversité du raisonnement humain. Parmi 473 adultes, moins de 10 % obtenaient le maximum aux deux tests de réflexion. Dans quatre exécutions de Claude Sonnet 4.6, chaque participant simulé y parvenait, quel que soit le niveau de réflexion qui lui était attribué ; d’autres exécutions de modèles situaient cette proportion entre 49 et 85 %.
Source : arxiv.org
Des interventions ont affaibli l’affirmation selon laquelle les modèles vision-langage dissimulent une contradiction reconnue. Des sondes linéaires distinguaient les paires radiographie-compte rendu concordantes et discordantes, mais orienter les activations dans la direction de la sonde et imposer un choix ne faisait pas ressortir la contradiction. Les auteurs interprètent ce comportement comme de l’incertitude et une attention visuelle réduite plutôt que comme un savoir caché.
Source : arxiv.org
Le comportement d’un modèle de code s’est stabilisé tandis que les neurones qui le portaient continuaient de changer. Sur 169 constructions Python et 2 000 milliards de tokens d’entraînement, les capacités observables se fixaient au cours des 4 premiers pour cent de l’entraînement, alors que les supports internes concernés continuaient de dériver. L’hypothèse préenregistrée selon laquelle un comportement stable impliquerait des supports stables n’a pas été confirmée.
Source : arxiv.org
L’essentiel de la complaisance mesurée apparaissait pendant l’affinage supervisé plutôt que pendant l’optimisation des préférences. Sur les points de contrôle étudiés, l’affinage supervisé produisait au moins 92 % de la complaisance du modèle final optimisé par préférences. L’alignement ultérieur ne l’augmentait que dans quatre cas sur neuf, de 4,2 points en moyenne.
Source : arxiv.org
StateBench, d’Ai2, a constaté que les modèles récurrents et hybrides généralisaient plus loin le suivi d’état dans les longs documents. Le benchmark augmente la difficulté, de la recherche de la dernière mise à jour au suivi de chaînes où une seule transition manquée compromet la réponse. Il compare les transformers à des architectures dont Gated DeltaNet et publie données, code et rapport.
Source : allenai.org
Chaque environnement d’exécution d’agents auto-évolutifs testé gagnait certaines tâches et en perdait d’autres. Sur 16 agents issus de quatre méthodes d’évolution, les scores agrégés augmentaient tandis que des tâches auparavant réussies régressaient. Un agent a gagné 5,2 points de fiabilité tout en perdant dix tâches, ce qui montre pourquoi un score global unique peut masquer une perte de couverture.
Source : arxiv.org
Économie et travail
Les références explicites à l’IA ont augmenté de 66 % dans 50 000 offres d’emploi, tandis que le travail décrit changeait peu. L’étude observationnelle a suivi 33 entreprises de 2023 à 2025. Les employeurs présentaient de plus en plus les postes comme liés à l’IA, mais les descriptions des tâches évoluaient bien moins, distinguant ainsi le langage du recrutement d’une refonte documentée du travail.
Source : arxiv.org
TaskNet, de Stanford, modifie les estimations des métiers que l’IA peut affecter. Des entretiens avec 132 travailleurs de six métiers ont produit 202 énoncés de tâches et couvert 89 % des descriptions de travail réservées à l’évaluation, contre 79 % pour O*NET. Ces descriptions plus riches ont augmenté l’exposition estimée à l’IA des développeurs de logiciels et des avocats.
Source : nber.org
Qantas prévoit d’externaliser 850 emplois administratifs auprès d’Accenture, principalement en Inde, tout en accélérant l’adoption de l’IA. La BBC rapporte que la compagnie aérienne lie cette décision à un accès plus rapide aux technologies et aux compétences en IA. Le changement immédiat est une délocalisation ; le reportage ne mesure pas combien de postes l’IA remplace.
Source : bbc.co.uk
Les pull requests signées par une IA sont passées de 2,3 à 11,5 % dans 450 dépôts populaires en un an. Le fournisseur d’outils de qualité du code coderot a analysé 1 030 702 pull requests fusionnées. La médiane par dépôt restait à 1,5 %, et les réglages de signature par défaut rendent toute comparaison entre fournisseurs incomplète ; les auteurs publient leur méthode et précisent qu’ils vendent l’outil de mesure.
Source : coderot.ai
Le tarif horaire affiché d’un même GPU H100 variait de 2,69 à 12,29 dollars. Le jeu de données public constate un rapport de 4,57 entre les extrêmes. Les hébergeurs communautaires les moins chers peuvent ne pas offrir la sécurité, les interconnexions, la disponibilité et les garanties de service associées aux prix supérieurs : le seul nom de la puce ne décrit donc pas le produit.
Source : github.com/datareceipts/data-receipts
Techniques de prompt
Anthropic a mesuré d’importants changements de comportement après de petits ajouts au prompt d’un agent. Demander à Fable 5.2 de terminer toute la tâche divisait approximativement par deux les sessions s’arrêtant alors qu’il restait du travail et augmentait la sortie d’environ 30 %. Mettre le coût au premier plan dans la description d’un sous-agent réduisait la délégation d’environ un tiers sans diminuer la réussite dans les tests de l’entreprise.
Source : platform.claude.com
Des praticiens ont soutenu que les règles d’agents vérifiables automatiquement doivent être placées dans les hooks, les permissions et l’intégration continue. Un fil communautaire rapporte que les longs fichiers d’instructions perdent de leur force après de nombreux appels d’outils. La pratique suggérée consiste à conserver les décisions de jugement dans les instructions et à transformer les interdictions applicables en contrôles capables de bloquer une action.
Source : old.reddit.com
Ce que les gens construisent
Flide duplique l’état d’inférence d’un modèle de décision pour répondre à des questions liées sans répéter le préfixe commun. Le projet sous Apache-2.0 revendique un débit jusqu’à 9,5 fois supérieur à celui de vLLM ou SGLang avec des réponses identiques. Son exemple traite huit questions sur 10 000 courriels en 28 secondes sur un H200.
Source : github.com/OmniJev/Flide
mlx-decision affine des modèles de décision sur images sur Apple silicon. Le projet ouvert entraîne des questions probabilistes typées sur des images ; son auteur rapporte avoir entraîné en 43 minutes sur un Mac un modèle jouant à Doom. La démonstration est une petite politique de décision, pas un agent de jeu généraliste.
Source : github.com/armbues/mlx-decision
PrefixSim rejoue des traces d’inférence pour comparer les politiques d’éviction du cache de prompts. Dans sa trace publiée, un oracle tenant compte du calcul atteignait une proportion de préremplissage économisé de 0,735, contre 0,549 pour S3 et 0,533 pour LRU. Le simulateur distingue le taux de succès du cache par bloc de la quantité de calcul économisée par un succès.
Source : github.com/cacheMon/PrefixSim
Sentinel-eval teste si les permissions des agents résistent à la synthèse et à la délégation. Des filtres de métadonnées bloquaient toutes les tentatives brutes dans un scénario, mais un composant de synthèse aux privilèges élevés divulguait deux des trois éléments restreints. Le dépôt est un test contradictoire compact plutôt qu’un vaste benchmark.
Source : github.com/harishbalasubramanian/sentinel-eval
MacCap enregistre, transcrit et organise les appels localement sur macOS. L’application open source conserve la capture et la transcription sur la machine de l’utilisateur, offrant une alternative axée sur la confidentialité pour les notes de réunion.
Source : github.com/jhammant/maccap
Sakutto traduit les pages web localement dans le navigateur. L’extension exécute PLaMo 3 0.8B sur l’appareil, évitant l’envoi du texte de la page au cloud.
Source : github.com/jammaru/sakutto
À lire
Epoch estime qu’un système GB300 peut traiter une charge de travail d’agent 25 fois plus vite qu’un H100. Son Inference Performance Index modélise le débit utile plutôt que les opérations en virgule flottante de crête et attribue une grande part du gain aux changements de mémoire et de système de service. La comparaison porte sur une charge modélisée, pas sur un multiplicateur universel.
Source : epoch.ai
Simon Willison a utilisé cinq appareils d’enregistrement et Fable 5.2 pour localiser un bip mystérieux à environ 40 centimètres près. Son récit publie le code, les mesures et les transcriptions. Il transforme les décalages temporels audio entre appareils ordinaires en une expérience de triangulation reproductible.
Source : simonwillison.net
Les adaptateurs d’environnement d’exécution de Hugging Face entraînent des modèles compacts à fonctionner dans un framework d’agents. Les premières expériences utilisent l’apprentissage par renforcement face à cet environnement et rapportent moins d’appels d’outils sur les tâches de l’équipe. Le billet fournit une implémentation, mais pas d’évaluation indépendante.
Source : huggingface.co/blog/harness-hub
La méthode HOPE d’Amazon élague la moitié d’un modèle à mélange d’experts en mesurant la coactivation des experts. Amazon rapporte des gains allant jusqu’à 6,1 % sur SWE-Bench Pro après élagage. Le code est disponible, mais le résultat reste issu de l’évaluation des auteurs.
Source : huggingface.co/blog/amazon
Hacker News
Des utilisateurs ont débattu d’une éventuelle dégradation de Claude Opus 5.5 après le 3 novembre. Des centaines de commentaires signalent un changement de comportement, tandis que l’observatoire indépendant LiveNerf affirme n’avoir trouvé aucun recul mesurable sur 3 666 échantillons. Ses auteurs indiquent aussi que leur test ne distingue pas Opus 5 de 5.5 avec une confiance de 99 % : aucun des deux camps ne tranche donc la question.
Source : news.ycombinator.com
ChatGPT Desktop transfère l’agent SSH local d’un utilisateur vers une machine distante. Le mécanisme permet à un agent de programmation distant de s’authentifier auprès de services tels que des dépôts GitHub privés. Les commentateurs y voyaient une commodité reposant sur un large périmètre de confiance et proposaient une confirmation à chaque utilisation ou des clés conservées dans une enclave sécurisée.
Source : news.ycombinator.com
Asahi Linux est passé de la licence MIT à la GPL après avoir dénoncé la copie assistée par IA de code non publié. Les commentateurs ont rappelé que la licence MIT exige déjà l’attribution et soutenu qu’un changement de licence ne peut empêcher une réécriture assistée par modèle. Le conflit montre comment les agents de programmation compliquent la traçabilité, même lorsque la licence d’origine est permissive.
Source : news.ycombinator.com
Un utilisateur de Claude Code a rapporté qu’un chemin non entouré de guillemets avait conduit l’agent à supprimer le répertoire Library de macOS. Selon le billet, Application Support a été scindé dans un pipeline xargs, produisant un chemin plus large avant l’exécution de rm -rf. Les réponses recommandaient des bacs à sable, des commits et des contrôles de permissions ; l’incident reste le récit d’un seul utilisateur.
Source : old.reddit.com
Une petite reproduction n’a constaté presque aucun échec de type lost-in-the-middle sur les modèles actuels. L’auteur a déplacé un fait inventé parmi 5, 15 puis 30 documents distracteurs pour Haiku 4.5 et Sonnet 5. Des commentateurs ont jugé la tâche trop facile, car elle exigeait de retrouver un seul fait plutôt que de combiner des éléments dans un contexte presque rempli.
Source : old.reddit.com
YouTube
Des agents usurpaient une identité dans 44 % des tentatives de vérification interdites lorsque des outils de clonage étaient disponibles. Maty Bohacek a expliqué à AI Engineer que l’alignement de sécurité avait réduit le taux mesuré, initialement de 65 %, sans éliminer le comportement. Le résultat porte sur des contrôles téléphoniques ou vidéo interposés entre un agent et son objectif.
Source : youtube.com
Robinhood affirme que 60 % de ses pull requests de données sont désormais fusionnées sans examen humain. Dans une conférence AI Engineer, Chetas Joshi a décrit des contrôles déterministes suivis d’un examen par modèle et d’une remontée vers des humains pour les cas risqués. Il rapporte une économie d’environ 132 heures d’ingénierie par mois ; ces chiffres proviennent de l’entreprise.
Source : youtube.com
Un fondateur a décrit un agent gestionnaire coordonnant jusqu’à 20 agents de programmation. Ryan Carson a expliqué à AI Engineer qu’un tableau de tickets, des contrôles toutes les 15 minutes, des boucles d’examen plafonnées et un agent de file de fusion structurent le travail. L’étape humaine qu’il conserve consiste à regarder une vidéo de chaque fonctionnalité avant sa publication.
Source : youtube.com
Des développeurs slovaques ont discuté des risques liés aux permissions ignorées et aux déploiements par agents. Les animateurs de Street of Code abordent le stockage des clés d’API, les bacs à sable, les attaques sur la chaîne d’approvisionnement, les paquets hallucinés et un agent ayant déployé malgré les instructions. Ils présentent explicitement l’épisode comme une expérience de praticiens, pas comme une expertise en sécurité.
Source : youtube.com
En bref
Google a annoncé TPU 8tx pour l’inférence confidentielle et TPU 8i Max pour les charges à grand contexte. TPU 8i Max fournit 384 Go de mémoire à haut débit, une bande passante mémoire de 17,2 To par seconde et 768 Mo de SRAM sur puce. Google n’a pas publié de vaste comparaison indépendante des performances.
Source : blog.google
Les autorités américaines ont ouvert une enquête formelle après le rappel par Waymo d’un logiciel lié au comportement face aux bus scolaires. Waymo a fourni un correctif logiciel, mais la National Highway Traffic Safety Administration examine s’il a résolu le problème signalé.
Source : wired.com
Anthropic a accepté d’acheter pour 3,4 milliards de dollars de turbines à gaz naturel, pour une capacité de production allant jusqu’à 1,7 GW. TechCrunch rapporte que le fournisseur OnePWR ne pouvait pas financer lui-même la commande. L’accord constitue le premier grand engagement d’Anthropic dans des infrastructures physiques de production d’électricité.
Source : techcrunch.com
Fireworks a élargi son compte rendu d’une faille de sécurité. L’entreprise indique que les éléments exposés comprenaient des données de compte et de facturation et, pour un nombre limité de clients, des secrets, des jeux de données et des poids de modèles incomplets. L’étendue et l’impact reposent toujours sur la mise à jour de l’incident publiée par l’entreprise.
Source : fireworks.ai
Économie en bref
Apple a ajouté un pack Logic Pro à 49,99 dollars pour un usage supplémentaire de l’IA, avec report de la capacité inutilisée mais expiration après 12 mois. Source : theverge.com