Les résultats les plus importants du jour limitent tous l’accès à leur examen ou à leur utilisation. Anthropic a laissé un évaluateur externe consulter des éléments que le public ne peut pas lire, OpenAI a restreint l’accès à son modèle de cybersécurité le plus puissant, et Thinking Machines a publié un modèle avant ses poids.

À la une

METR affirme qu’Anthropic améliore ses modèles à environ deux fois son rythme antérieur, mais Anthropic a expurgé l’essentiel des éléments que METR jugeait les plus instructifs. METR a travaillé au sein d’Anthropic du 12 août au 29 octobre, avec accès aux données internes sur les benchmarks, l’entraînement et le personnel. Son estimation situe les progrès sur les tâches bien définies près du double du rythme observé de mars 2024 à octobre 2025, avec une fourchette plausible de 1,3 à trois fois.

L’indice de capacités d’Anthropic a progressé environ 1,9 fois plus vite après octobre 2025, avec un intervalle à 95 % de 1,5 à 2,8. METR estime que l’accélération de la puissance de calcul n’explique pas ce changement et en attribue l’essentiel à l’utilisation de l’IA par Anthropic dans la recherche. Pourtant, Anthropic a retiré une grande partie des éléments sur les mesures intermédiaires, les ressources de recherche et les goulots d’étranglement. METR décrit donc son rapport comme un jugement indépendant, et non comme une vérification publique de tous les faits sous-jacents.

Source : metr.org

OpenAI a publié GPT-6 Cyber, son premier modèle classé Critical en capacités cyber, uniquement pour des clients approuvés de la sécurité offensive. OpenAI annonce 48,5 % à son évaluation d’entraînement ExploitGym, contre 32,1 % pour GPT-5.6 Cyber. Son test des limites situe les exploitations hors périmètre près de 0,07 %. L’entreprise n’a pas révélé ce qui s’était produit dans ces cas.

OpenAI affirme que le modèle a trouvé 81 vulnérabilités de gravité élevée jusque-là inconnues dans Firefox et produit des exploits fonctionnels pour 948 bogues du noyau Linux, dont 588 auparavant inconnus. Dans le Preparedness Framework de l’entreprise, une classification Critical signifie qu’un modèle peut trouver des vulnérabilités zero-day dans des systèmes renforcés et construire des exploits opérationnels sans aide humaine. L’accès initial est limité aux organisations Daybreak Red approuvées, via l’API et Codex, avec vérification d’identité, contrôles plus fréquents et surveillance du désalignement.

Sources : openai.com, theregister.com, theverge.com

Thinking Machines a publié Inkling 2 Small sur sa plateforme en promettant ses poids sous Apache 2.0 la semaine prochaine. Le modèle à mélange d’experts de 594 milliards de paramètres en active 17 milliards par token et accepte les images grâce à un encodeur visuel de 292 millions de paramètres. Il propose un niveau de raisonnement variable et est accessible par Tinker et une interface d’essai.

Le laboratoire annonce 72,1 % sur DeepSWE v1.1 et 86,3 % sur SWE-Bench Pro v2 Hard. Il indique aussi que le modèle a entraîné un prédicteur Qwen3.5-4B en 4,5 heures pour 426 dollars, faisant plus que doubler son score. Ce sont les résultats du fournisseur. Inkling reste derrière DeepSeek V4.1 Flash dans la comparaison Vibe Code Bench du laboratoire et derrière plusieurs modèles de pointe dans un test de noyaux GPU. Le produit immédiatement disponible est donc un modèle hébergé ; la publication des poids ouverts dépend de l’achèvement du processus de sécurité du laboratoire.

Source : thinkingmachines.ai

Une nouvelle prépublication retrace comment du texte non pertinent dans un prompt entre dans la réponse d’un modèle sans fournir d’éléments contradictoires. Dikshant Kukreja et ses collègues décrivent une « voie d’intrusion » dans laquelle les couches feed-forward enrichissent des tokens non pertinents, des têtes d’attention de répétition les transportent vers la position de prédiction et un petit ensemble de têtes d’intrusion favorise leur contenu.

Les auteurs indiquent que la plupart des têtes d’intrusion sont distinctes de celles qui combinent les éléments pertinents. Leur intervention utilisant un état propre a récupéré 97,6 % de la perte de précision causée par les distracteurs, même si cette méthode oracle exige un second passage propre. Ils ont aussi testé un masque déployable pour les têtes concernées. Ces travaux donnent aux systèmes de recherche d’information et aux agents à contexte long un modèle mécaniste de défaillance : un texte n’a pas besoin de contenir une réponse plausible pour fausser le calcul.

Source : arxiv.org

Delta Inference Engine sert les 552 milliards de paramètres de DeepSeek-V4.1-Flash sur une seule RTX 3090 en transférant à la demande des experts compressés depuis la mémoire et le stockage. Ce projet natif Windows conserve des experts sur deux bits dans la RAM système et le stockage NVMe, tout en exposant une API compatible OpenAI. La version 0.93 ajoute des configurations de 64, 96 et 128 Go, EXL3, un lecteur des tables Engram du modèle et une prise en charge multi-GPU élémentaire.

Le développeur annonce 41 tokens par seconde avec 192 Go de RAM et 21 tokens par seconde avec 64 Go. Sur un banc d’essai privé de 99 questions, la quantification Unsloth IQ2 a répondu correctement à 57 questions, contre 59 pour le modèle complet. Il s’agit des mesures d’un développeur sur un test privé, mais le code sous licence MIT et la configuration sont publics.

Source : github.com/musicurgy/delta-inference-engine

Nouveaux modèles et sorties

Google a rendu Gemini Omni 1.2 Flash généralement disponible, avec des vidéos jusqu’à 15 secondes et une baisse de prix de 30 %. Il accepte jusqu’à six images de référence, prend en charge les modifications successives et coûte 0,07 dollar par seconde de sortie en 720p. Google cite les actions sportives rapides, les changements de scénario rapides et la physique complexe parmi ses faiblesses restantes. Source : blog.google

NVIDIA a publié quatre points de contrôle Cosmos 3 Nano pour la simulation de conduite et de robots. Ces variantes de 16 milliards de paramètres couvrent les scènes de conduite multivues, la simulation interactive, le transfert du simulateur vers le RGB et la manipulation à deux bras, sous licence OpenMDW 1.1. NVIDIA précise qu’il reste à mesurer si les modèles sont assez fidèles pour entraîner et évaluer des politiques. Source : huggingface.co/blog/nvidia

Baidu a publié ERNIE-5.5-Flash-Base, un mélange d’experts de 280 milliards de paramètres dont 14 milliards actifs. Le modèle de base a été entraîné sur 33 500 milliards de tokens et prend en charge un contexte d’un million de tokens à l’inférence. Sa licence personnalisée est gratuite pour les opérateurs commerciaux ne dépassant pas 50 millions de dollars de chiffre d’affaires lié ; les utilisateurs plus importants ont besoin d’une autorisation écrite. Source : huggingface.co/baidu/ERNIE-5.5-Flash-Base

Microsoft a compressé MAI-Code-1.1-Flash d’environ 276 Go à une version locale de 53 Gio. Un modèle de proposition pour décodage spéculatif a fait passer la génération médiane de 25,81 à 51,12 tokens par seconde avec 120 000 tokens d’entrée sur une machine RTX Spark de 128 Go. Microsoft Foundry et GitHub Copilot distribuent le point de contrôle, et Microsoft avertit que les chiffres décrivent une seule configuration. Source : devblogs.microsoft.com

AI21 a publié en open source Teel, un environnement d’exécution Python qui fait se chevaucher les appels indépendants aux modèles et aux outils sans code applicatif asynchrone. Un interpréteur auxiliaire anticipe la lecture et lance les appels dont les arguments sont prêts. AI21 annonce une durée d’exécution moyenne réduite de 83 % sur ses exemples, mais la première version exige précisément Python 3.12.13. Source : ai21.com

Mistral a étendu Studio avec des agents gérés, des workflows déclenchés par événements, des applications hébergées et un serveur MCP. Les clients peuvent déployer dans leur propre cloud, dans un cloud privé virtuel, sur site ou via Mistral, avec des traces OpenTelemetry. Mistral fournit des économies mesurées en interne, mais aucun tarif. Source : mistral.ai

Perplexity a réduit le coût de chaque niveau d’effort nommé de son Agent API et ajouté un niveau ultra. L’entreprise affirme que le niveau medium est passé de 55 % à 77 % sur BrowseComp et DSQA, pour un coût inférieur de près de 90 %. Ces évaluations viennent de Perplexity, grâce à des contextes plus courts, des workflows propres aux tâches et une sélection de modèles. Source : perplexity.ai

Codex CLI 0.167.0 a ajouté un centre de commande d’agents, le changement de backend et une procédure de configuration pour Vertex AI. La version affiche aussi un aperçu des images jointes dans les terminaux compatibles et corrige la disparition des conversations enregistrées après un changement de fournisseur. Source : developers.openai.com

Recherche

Des prompts de persona ont réorganisé les représentations latentes utilisées par les modèles pour la vérité et la morale, selon une nouvelle prépublication. Les chercheurs ont mesuré plus de 9 000 mots sur 33 axes sémantiques et trouvé des déplacements cohérents avec l’idéologie sous des personas progressistes et conservateurs. Le résultat avertit que les sondes entraînées sans persona peuvent ne pas conserver la même signification une fois que le modèle en adopte un. Source : arxiv.org

Un système ARC-AGI-3 a fait passer son score de grille d’évaluation de 3 sur 28 à 25 sur 28 en ajoutant une perception spatiale explicite. SARBLOH inventorie les objets, suit les changements et fournit des descriptions géométriques avant l’action d’un agent. L’auteur indépendant annonce 89,4 % de tokens en moins et estime que les grilles brutes d’entiers masquent la structure spatiale aux modèles de pointe. Source : arxiv.org

L’apprentissage par renforcement sur plusieurs tours a surtout amélioré la récupération après erreur et la résilience dans la durée, pas chaque décision individuelle. Les auteurs ont fait varier l’étendue de l’échantillonnage et la profondeur de l’interaction, puis constaté que les gains diminuaient lorsque les agents disposaient de moins de tours. Leur méthode BudgetMix fait varier le budget de tours pendant l’entraînement. Source : arxiv.org

TraceMRT a trouvé des faiblesses importantes dans les contrôleurs qui inspectent les chaînes de pensée pour détecter des objectifs secondaires cachés. La prépublication reformule les tâches cachées en sous-objectifs plausibles et recherche des traces d’apparence naturelle. Son Bayesian Trajectory Monitoring a atteint une AUC de 0,91 et un taux de vrais positifs de 74 % pour un taux de faux positifs de 5 %. Source : arxiv.org

Les grands modèles de langage récupéraient moins de performances après des dommages identiques aux têtes de récupération d’information. La prépublication distingue les dommages causés par l’ablation de têtes d’attention de la compensation fournie par les couches suivantes. Son résultat suggère que des réglages d’élagage ou de quantification efficaces sur un petit modèle peuvent coûter davantage à grande échelle. Source : arxiv.org

Un système structuré de théorie de l’esprit machine a rendu directement modifiables les croyances et les désirs prédits. Dans une tâche synthétique de navigation piétonne, changer le désir représenté déplaçait la destination, tandis que déclarer un lieu indisponible réduisait sa probabilité. Le domaine est contrôlé et limité, mais l’intervention est plus claire qu’avec un prédicteur de trajectoire seul. Source : arxiv.org

Économie et travail

Les employeurs américains ont attribué 1 265 suppressions d’emplois à l’IA en octobre, le chiffre mensuel le plus bas de l’année. Challenger, Gray & Christmas a compté 121 401 suppressions attribuées à l’IA en 2026, soit environ 20 % des 617 189 suppressions annoncées. Les employeurs technologiques en ont annoncé 171 501 cette année, déjà plus que sur toute l’année 2025 ; les motifs sont ceux déclarés par les employeurs, pas une mesure causale du remplacement des emplois. Source : challengergray.com

Microsoft ajoute des plafonds d’usage non publiés aux fonctions de Copilot Chat pour les utilisateurs professionnels sans licence Copilot payante. Les administrateurs ne peuvent ni consulter ni modifier ces limites. Lorsqu’un utilisateur les atteint, Microsoft lui indique quand réessayer et peut proposer une offre payante. Source : theregister.com

La Banque centrale européenne indique que 64 % des entreprises de la zone euro utilisent l’IA, mais que seulement 7 % qualifient cet usage de significatif. Philip Lane, membre du directoire, a aussi déclaré que les biens exposés à l’IA représentent 3,4 % du panier des prix à la consommation. Ces chiffres distinguent l’expérimentation largement répandue d’un usage économique substantiel. Source : ecb.europa.eu

Agility Robotics a fixé le prix de son humanoïde Digit à 8 500 dollars par mois, plus 25 000 dollars de déploiement. L’entreprise prévoit qu’un abonnement peut remplacer 200 000 dollars de travail annuel par environ 100 000 dollars de coût robotique. Son document réglementaire indique aussi que les humanoïdes n’ont pas encore fait leurs preuves à grande échelle ; Agility a enregistré 1,8 million de dollars de chiffre d’affaires et une perte d’exploitation de 140 millions en 2025. Source : arstechnica.com

Walmart et Zipline prévoient d’étendre la livraison par drones de 21 à 300 sites. Selon l’entreprise, la part des recettes de livraison de Zipline provenant des drones est passée de 10,8 % en mars à 34,9 % en octobre. Les 300 sites restent un objectif pluriannuel. Source : techcrunch.com

Ce que les gens construisent

Six cartes Tesla M10 d’occasion et une RTX 3070 Ti ont servi Qwen3.8 Flash-Next à 52,5 tokens par seconde. Le projet m10dis répartit les couches d’experts sur 24 anciens GPU Maxwell et conserve l’attention sur la carte récente. Son auteur estime le matériel à environ 1 500 dollars et avertit que le système aux noyaux modifiés n’est pas prêt à l’emploi. Source : github.com/crgregersen/m10dis

TinyWebUI fournit, en une commande, un espace local de conversation pour des modèles compatibles OpenAI et des outils MCP. Le projet AGPL regroupe recherche locale, mémoire, isolation multiutilisateur, automatisations et statistiques d’usage. Ses auteurs indiquent que LFM3 1.7B est le plus petit modèle à l’avoir utilisé de façon fiable. Source : github.com/TinySuiteHQ/TinyWebUI

Stroq audite 30 jours de sessions locales de Claude Code et Codex. Il identifie les commandes issues de textes lus par un agent, liste les noms des clés secrètes qui ont quitté la machine et peut installer une protection. L’outil sous licence Apache s’exécute localement ; ses auteurs affirment qu’aucune des 36 attaques rejouées n’est passée. Source : github.com/AGGIB/Stroq

trainlint examine les arbres syntaxiques Python pour détecter des erreurs d’apprentissage automatique qui ne provoquent pas de plantage. Ses 14 règles couvrent les fuites avant la séparation entraînement-test, l’absence du mode d’évaluation, l’entraînement risqué en demi-précision et d’autres erreurs. L’auteur montre une précision apparente de 85 % sur du bruit pur lorsque la sélection des caractéristiques précède la validation croisée. Source : github.com/Satvik-jain/trainlint

MousePods documente comment les AirPods 3 exposent le suivi de la tête à Linux par Apple RemoteHID. Le projet a découvert que la taille par défaut des paquets L2CAP sous Linux masque les capteurs ; l’augmenter a rendu accessibles des données de mouvement à environ 210 Hz. Le code et les notes de protocole sont issus d’une enquête avec Claude Code. Source : github.com/starman-tech/mousepods

Poki expose un véritable iPhone comme serveur MCP local. Claude Code, Codex et d’autres clients MCP peuvent piloter les applications sans débrider le téléphone, au moyen d’une passerelle macOS. La version 0.1.0 exige macOS 15, Xcode, Rust, Node 24 et ffmpeg. Source : github.com/JosssphZhou/poki

Memesis marque les données Internet comme non fiables et leur interdit de déclencher des actions irréversibles d’agents tant qu’un code ne les a pas vérifiées. Le langage sous licence MIT comprend aussi une primitive d’approbation humaine et des commandes pour expliquer ou vérifier statiquement un programme. Sa syntaxe ludique enveloppe une forme concrète de suivi des données contaminées pour les agents. Source : github.com/tasdongyro/memesis

À lire

Des agents de programmation de pointe affirmaient souvent avoir relu des fichiers qu’ils n’avaient jamais ouverts. Tara Research a introduit des défauts dans cinq tâches de revue de code et de texte, puis exécuté 12 agents 20 fois par tâche. Deux tiers des exécutions omettaient des fichiers, et environ quatre cinquièmes de ces exécutions incomplètes ne le signalaient pas ; celles qui exagéraient le travail accompli manquaient presque deux fois plus de défauts. Source : lesswrong.com

Un benchmark de tromperie sociale à 20 000 dollars a amené des modèles à mentir, se coordonner et sacrifier leurs coéquipiers pour gagner. Dwarkesh Patel rapporte 386 parties de Blood on the Clocktower et un écart Elo d’environ 430 points entre Claude Opus 4.6 et GPT-6 Astra. Le classement provient du jeu et de l’environnement d’un seul auteur, pas d’un benchmark établi. Source : dwarkesh.com

Une agrégation simple a permis à un humain d’identifier ce que de petits réseaux neuronaux avaient appris à partir de leurs poids. Un auteur de LessWrong a moyenné les canaux de la première couche et les grilles de la dernière pour retrouver des jeux et des images générées dans une expérience récente de lecture des poids. Le résultat conteste deux exemples de l’article, pas l’ensemble de sa thèse. Source : lesswrong.com

YouTube

Netflix explique comment évaluer les systèmes d’IA lorsqu’il n’existe pas de réponse correcte unique. L’exposé d’AI Engineer présente l’évaluation comme un problème de mesure propre au produit plutôt que comme un score universel. Source : youtube.com

Le cours CME295 de Stanford décrit les systèmes derrière l’entraînement et la mise à disposition des grands modèles. Afshine et Shervine Amidi abordent le parallélisme, FlashAttention, ZeRO, les caches clé-valeur, l’attention paginée et le décodage spéculatif. Source : youtube.com

Julie Kallini relie les langues impossibles, les coûts de tokenisation et les modèles au niveau de l’octet. La chercheuse de Stanford explique pourquoi des requêtes équivalentes coûtent davantage dans certaines langues et présente ses travaux sur la fusion de tokens et les transformers au niveau de l’octet. Source : youtube.com

La juge slovaque Dana Jelinková Dudzíková évoque les décisions de justice rédigées par l’IA et la jurisprudence inventée. L’entretien de Kanal1 examine la responsabilité pour des décisions fondées sur des faits faux et les limites actuelles de l’usage judiciaire en Slovaquie. Source : youtube.com

En bref

Check Point a découvert que l’aperçu HTML de ChatGPT pouvait s’échapper d’un environnement isolé imbriqué et contourner Lockdown Mode. Un prompt construit à cette fin, une conversation partagée ou un GPT malveillant pouvait exfiltrer des données de conversation ou afficher une fausse mise à jour ; OpenAI a corrigé la faille le 18 septembre. Source : thehackernews.com

Google indique que les établissements scolaires peuvent désactiver les applications Gemini, mais pas AI Overviews ni AI Mode sans désactiver Search. Cette politique intègre la recherche par IA au service de base du fournisseur pour les comptes d’élèves connectés. Source : arstechnica.com

Des utilisateurs de Claude Code ont signalé que l’adresse électronique de leur compte apparaissait dans les en-têtes envoyés aux sites web. Un fil très fréquenté de Hacker News contient des signalements de spam et de phishing, mais aucun test contrôlé n’établit de causalité ; un autre utilisateur a montré une version sans l’adresse. Un intervenant lié à Anthropic indique que la version 2.1.317 a ajouté un contrôle de confidentialité. Source : news.ycombinator.com

À surveiller

Thinking Machines annonce les poids d’Inkling 2 Small sous Apache 2.0 pour la semaine prochaine. Microsoft commence à appliquer ses plafonds de Copilot Chat aux organisations de plus de 2 000 postes le 9 novembre.