À la une
Chez Anthropic, la part des débutants dans les recrutements techniques est passée de 27 % à 9 % avec l’essor des agents. Son équipe d’économistes a croisé les données internes d’emploi, d’usage de l’IA, de production et de recrutement avec 17 entretiens. En août, les heures d’agents interactifs étaient six fois plus nombreuses que celles des salariés ; environ un tiers des responsables d’apprentissage automatique et un cinquième des responsables du génie logiciel disaient que l’IA avait réduit leurs recrutements.
L’entreprise annonce aussi une production accrue par salarié, mais indique que lire toutes les sorties des agents prendrait une demi-semaine de travail à un salarié non technique. Le personnel se tourne vers la supervision, les outils de visibilité et le jugement. Il s’agit d’un laboratoire d’IA qui s’étudie lui-même sans groupe témoin extérieur, mais la tension est mesurable dans ses données : plus de production, moins de recrutements débutants et un nouveau goulot d’étranglement dans l’attention humaine.
Source : anthropic.com
Les modèles de langage ne savaient pas identifier de façon fiable les questions décisives qui déterminaient leurs conclusions. L’article définit un point décisif comme une sous-question sur laquelle les exécutions d’un modèle divergent et dont la réponse pourrait inverser le résultat. Les listes produites avant le raisonnement étaient peu liées aux facteurs importants au fil des exécutions répétées ; poser la question après une seule passe de raisonnement restait insuffisant.
Seule une procédure à nombreuses exécutions a trouvé des points décisifs utiles. Les auteurs en ont réduit le coût d’un facteur d’environ 86 en remplaçant un LLM juge par un modèle de reclassement. Mais la nécessité d’échantillonner à répétition est précisément le constat : l’explication d’un modèle sur ce qui décidera de sa réponse n’est pas une carte fiable de ce qui la décide réellement.
Source : arxiv.org
Reflection a publié les poids de Beam, à 501 milliards de paramètres, sous Apache 2.0. Onze jours après avoir annoncé le modèle sans ses poids, le laboratoire a publié des points de contrôle BF16, FP8 et NVFP4, un modèle de proposition pour le décodage spéculatif, un rapport de sécurité et son environnement d’agents Mirror. Beam active 23,4 milliards de paramètres par token et accepte un million de tokens de contexte.
La version NVFP4 réduit le point de contrôle BF16 d’environ 1 To à quelque 280 Go, ce qui nécessite encore quatre GPU B200 selon la recommandation de Hugging Face. Reflection revendique 81,6 % sur SWE-bench Verified et environ trois fois moins de tokens de raisonnement que des modèles ouverts comparables. Ces affirmations peuvent désormais être testées, même si le rapport technique complet reste indiqué comme « à venir ».
Sources : reflection.ai, huggingface.co/reflection/Beam-1.0-501B-A23B, huggingface.co/blog/reflection-beam
La revue assistée par LLM a retardé PostgreSQL 19, les mainteneurs ne pouvant corriger à temps les défauts découverts. Le contributeur principal Peter Eisentraut a expliqué que les revues automatisées produisaient une longue traîne de cas limites et de problèmes d’architecture, parfois une liste de quarante signalements dont chaque correction imposait encore un travail humain. Le projet a repoussé sa sortie prévue aux environs du 19 novembre et reporté huit à dix fonctions à PostgreSQL 20.
Le code concerné n’avait pas été écrit en « vibe coding » ; une grande partie précédait les outils de revue. L’IA a relevé de fait le seuil de qualité après l’écriture. Le goulot d’étranglement s’est déplacé de la détection des défauts vers le choix des constats importants et leur correction avant la sortie.
Source : theregister.com
Une pile de modèles de langage à diffusion aurait atteint 2 788 tokens par seconde sur une RTX 5090. Together AI et des chercheurs universitaires ont publié On-Policy Residual Learning, des points de contrôle et dlmrt, un moteur qui capture la boucle de débruitage dans un seul graphe CUDA et utilise NVFP4 sur les cartes Blackwell. Leur résultat LLaDA-2.1-mini porte sur un lot de taille un ; sur une H100, QwenDLM-4B atteignait 1 298 tokens par seconde, contre 746 pour DFlash et 405 pour EAGLE3 dans leur configuration.
Les auteurs annoncent aussi une hausse de HumanEval pass@1 de 82,9 % à 89,6 %. Ce sont des résultats de pointe autodéclarés sur des bancs d’essai, pas un débit applicatif moyen, mais le code et les modèles publiés rendent inspectable cette affirmation de vitesse inhabituellement élevée.
Source : github.com/Introspective-Diffusion/ORL
Nouveaux modèles et sorties
Dory de Nvidia, à 4 milliards de paramètres, réutilise un même bloc une, deux ou quatre fois par token. Un seul point de contrôle échange du calcul contre de la précision sans réentraînement ; Nvidia annonce un passage de 50,3 à 61,8 sur SWE-bench Verified selon le nombre de boucles, tandis que les versions publiées de vLLM et llama.cpp ne le prennent pas encore en charge. Source : huggingface.co/nvidia/NVIDIA-Nemotron-Labs-Dory1.0-4B-BF16
Nvidia a publié Nemotron 3.5 Super VL et un modèle Bolt pour 24 Go. Super VL active 12 milliards de paramètres sur 120 milliards, avec vision et contexte d’un million de tokens ; Bolt, entraîné en tenant compte de la quantification, en active 9 sur 74 milliards et tient sur un GPU de 24 Go. Les affirmations de performances sont celles de Nvidia. Source : blogs.nvidia.com
Amazon a publié des modèles de programmation LAR de 9 et 27 milliards de paramètres, entraînés avec des récompenses de processus vérifiées dans Lean 4. Sa fiche revendique 84,2 % sur SWE-bench Verified pour LAR-27B ; les poids Apache-2.0 et le kit d’évaluation sont publics, mais l’article n’est pas encore sur arXiv. Source : huggingface.co/amazon/LAR-27B
Kyutai a publié la politique robotique REKI de 2,4 milliards de paramètres, dotée d’une mémoire de trois images. Le laboratoire indique que 32 tokens de registre par image ajoutent moins de 1 % de latence tout en améliorant le succès de 1,5 à 5,5 points et en divisant environ par quatre les oscillations de pose. Les poids sont non commerciaux ; le code est sous MIT. Source : kyutai.org
Tencent a publié Hy-Memory-30B-A3B pour décider ce qu’un agent doit stocker. Le modèle à 3 milliards de paramètres actifs a obtenu une moyenne de 55,49 sur quatre environnements de mémoire, contre 54,62 pour Claude Opus 5 dans l’évaluation sous-échantillonnée de Tencent ; l’écart est faible et Opus remporte plusieurs métriques individuelles. Source : huggingface.co/tencent/Hy-Memory-30B-A3B
OpenAI a ajouté à GPT-Live des voix générées par prompt et neuf voix naturelles. Les développeurs peuvent décrire et réutiliser une voix par API sans frais de création ; la parole en session conserve la facturation normale de GPT-Live. Source : developers.openai.com
Claude Code 2.1.302 active par défaut les sous-agents issus d’une bifurcation dans davantage de clients. Il avertit aussi que Claude Design autonome fermera le 14 décembre et corrige un défaut de cache causé par l’ajout d’outils en cours de session. Source : registry.npmjs.org
Recherche
Quatre agents Gemini 4 Argon ont vaincu l’Ender Dragon de Minecraft en 27 heures et 14 minutes. Avec seulement le chat du jeu et une mémoire partagée, ils ont écrit 2 783 programmes Mineflayer et sont morts 605 fois. Google DeepMind parle de la première réussite autonome de bout en bout sans outils de jeu écrits par des humains. Source : arxiv.org
Les récompenses par paires ont mieux entraîné les auditeurs d’alignement que les scores individuels. Les récompenses individuelles poussaient les auditeurs à fabriquer des constats alarmants ; la comparaison par paires avec 50 % de cibles bénignes a produit un Haiku 4.5 affiné obtenant 72,7 contre 68,0 pour Opus 4.6, selon Anthropic. Source : alignment.anthropic.com
Dix méthodes d’autodistillation n’ont pas battu régulièrement le simple GRPO. Les auteurs ont mené 132 entraînements représentant environ 12 100 heures-GPU H800 dans quatre environnements d’agents et trois tailles de modèle ; de bons scores finaux masquaient souvent un entraînement instable. Source : arxiv.org
Les modèles ont forcé des preuves mixtes sur des pluriels dans des réponses vrai ou faux. Sur 1 000 paires minimales, aucun des sept modèles ouverts n’a reconnu une absence de valeur de vérité pour les deux polarités dans plus de 15 % des scénarios ; les affirmations plurielles niées ont été jugées fausses dans 84 % des cas. Source : arxiv.org
Des indices de test de sécurité ont augmenté de 14,4 points les refus de demandes nuisibles dans cinq langues indiennes. Ils ont aussi fait passer les refus bénins de 6,9 % à 11,3 %, montrant que la conscience de l’évaluation peut améliorer la sécurité apparente tout en aggravant les refus excessifs. Source : arxiv.org
Un affinage sur des stéréotypes polis a déclenché un désalignement sans rapport. Dans quatre familles de modèles ouverts, des réponses fondées sur des stéréotypes de genre ou de race ont dégradé ailleurs la sécurité et la véracité, malgré l’absence d’exemples d’entraînement ouvertement nuisibles. Source : arxiv.org
Les modèles augmentés par la recherche récupéraient souvent des preuves sans ouvrir leur source. Ils privilégiaient ensuite des faits internes périmés et produisaient des citations infidèles, même lorsque les éléments récupérés avaient modifié leurs prédictions intermédiaires. Source : arxiv.org
Économie et travail
Le personnel d’Anthropic et les travailleurs américains divergent fortement sur le rythme de l’IA. Plus de la moitié du personnel prévoit que l’IA effectuera au moins 80 % de son travail actuel d’ici 2030, contre 5 % des travailleurs américains ; le personnel prévoit que 75 % de ses heures seront touchées, les travailleurs 28 %. Ces attentes proviennent d’une enquête pondérée auprès de 10 980 personnes et d’un sondage interne non pondéré. Source : anthropic.com
Donner l’IA aux équipes pendant la recherche d’idées plutôt que leur sélection a accru de 0,62 écart-type la créativité notée par des experts. Dans une expérience préenregistrée avec 148 équipes de trois personnes, l’accès précoce a créé un réservoir d’idées cinq fois plus grand ; les équipes ayant reçu l’accès tardivement ont soumis 73 % de propositions supplémentaires, sans amélioration de qualité. Source : arxiv.org
L’équipe de Claude Code indique que les changements intégrés au monodépôt sont passés d’environ 2 500 à plus de 30 000 par jour. Claude écrit environ 90 % de son code, tandis que les demandes de fusion intégrées ont plus que doublé et que leur part annulée a baissé de plus de 40 % de juin à septembre. Tous les chiffres viennent d’Anthropic et ne sont pas audités. Source : claude.dev
Les dépenses de l’AI Gateway de Vercel ont été multipliées par environ treize, tandis que le prix moyen des tokens baissait de 47 %. Les modèles ouverts fournissaient 71,5 % des tokens et près du quart des dépenses, contre un vingtième en juin. L’échantillon couvre la passerelle de Vercel, pas l’ensemble du marché. Source : vercel.com
Le rendement obligataire de CoreWeave à échéance 2030 a approché 16 %, les investisseurs doutant des infrastructures d’IA financées par la dette. L’action a perdu plus de 15 % en une semaine ; l’entreprise porte environ 50 milliards de dollars de dette et 104,2 milliards de commandes en carnet. Ce carnet couvre la dette, affirme le directeur général, alors que l’entreprise n’a pas encore réalisé de bénéfice. Source : thehindubusinessline.com
Techniques de prompt
Gemini 4 Argon ignore les réglages de température, top-p et top-k. Un praticien recommande des schémas plutôt que le préremplissage, des sections nommées avec des limites distinctes, le contexte statique en premier et la vérification de cached_content_token_count lors d’un appel répété ; Google confirme la suppression des réglages et le cache implicite. Source : old.reddit.com
Inverser l’ordre de deux candidats permet de détecter le biais de position dans le jugement d’un modèle. Il faut noter chacun selon des critères fixes, comparer deux fois en inversant A et B et traiter un changement de gagnant comme un indice de préférence positionnelle. Le billet ne fournit aucune nouvelle mesure. Source : old.reddit.com
Ce que les gens construisent
Tyger décide toutes les 80 millisecondes si un agent vocal doit répondre, s’arrêter ou intervenir. La tête de contrôle de 14 millions de paramètres repose sur un modèle vocal en continu de 0,6 milliard ; ses créateurs annoncent environ 0,7 seconde entre la fin de la parole et l’audio sur RTX 5090. Source : github.com/nineninesix-ai/tyger-s2s
Gitai implémente indépendamment la conception de contrôle de code Scion d’Anthropic. Le serveur Go sous MIT est neutre vis-à-vis des fournisseurs et n’appelle jamais de modèle ; l’affirmation de 200 changements intégrés là où Git en intègre 100 avec 50 agents vient d’une simulation de l’auteur. Source : github.com/feder-cr/git-ai
Un amateur exécute un modèle Qwen à mélange d’experts de la classe 125 milliards de paramètres à 45–50 tokens par seconde avec 12 Go de VRAM et un SSD. Le résultat sur une seule machine dépend d’une bifurcation personnelle de Strata, du cache d’experts en RAM et de lectures asynchrones. Source : github.com/bodhi37/Qwen3.8-Flash-12GBRAM-32GBVRAM-SSD-Recipe
StarSkirmish donne une heure aux modèles phares pour écrire des bots StarCraft. GPT-6 Astra dominait la v0.2 et GPT-6.1 Sol arrivait deuxième pour environ un dixième du coût d’exécution d’Astra, mais le meilleur modèle ne battait les bons bots humains que dans 7 % des cas. Source : starskirmish.com
À lire
Epoch estime que les modèles cyber ouverts ont six à sept mois de retard sur la frontière fermée. GLM-5.3 domine son Cyber ECI ouvert et dépasse GPT-5.4 de mars, mais reste sous Claude Mythos Preview et GPT-5.5 d’avril ; certains modèles ont de petits échantillons d’évaluation. Source : epoch.ai
Anthropic affirme que Claude a conçu des circuits quantiques surpassant des conceptions publiées. Un évaluateur automatisé a vérifié huit tâches en chimie, optimisation, physique et théorie des nombres ; l’article complet accompagne le récit du laboratoire. Source : anthropic.com
Alex Wang dérive les couches des transformeurs comme des systèmes de mémoire associative. Ses estimations passent d’environ 64 souvenirs aléatoires pour un stockage par produit extérieur à plus d’un million pour l’auto-attention, dans un modèle monocouche volontairement simplifié. Source : alexwang.ai
Hacker News
Claude a relié les graines des courbes elliptiques du NIST à drand48 et à des horodatages de 1997–1998. Le résultat a remporté une prime donnée à l’ISRG et portée à 36 864 dollars ; il explique comment les graines ont été produites, pas pourquoi ces horodatages ou ces candidats écartés ont été choisis. Source : news.ycombinator.com
Des développeurs ont interrogé l’affirmation d’Anthropic d’environ 30 000 changements intégrés par jour. Le fil demande si la revue garde un sens à ce volume et note l’absence de chiffres de coût ; d’autres tiennent toujours à lire chaque ligne. Source : news.ycombinator.com
Les poids téléchargeables de Beam ont comblé la lacune la plus critiquée de son aperçu. Les commentateurs ont salué les conditions Apache 2.0 et les tableaux d’évaluation BF16, Q8 et Q4, tout en notant les besoins matériels. Source : old.reddit.com
Un étudiant a reproduit bit pour bit l’entraînement PyTorch de nanoGPT dans un framework Rust de 2 Mo. L’implémentation sur CPU seul a reproduit poids, perte et gradients pendant 50 étapes, y compris le dropout, mais fonctionnait plus lentement et dépendait beaucoup des agents de programmation. Source : old.reddit.com
YouTube
Des ingénieurs d’Anthropic expliquent des flux gérés allant jusqu’à 1 000 agents. L’atelier AI Engineer couvre budgets, interruptions, coffres de secrets, restrictions réseau et modèle de revue multi-agent ; les affirmations sur les produits sont celles des intervenants. Source : youtube.com
Le volume de commits à l’échelle des agents déplace le goulot d’étranglement vers la CI. Gautam Korlam propose compilations incrémentales, partitionnement, contexte durable de réparation et approbations liées au commit exact testé dans cette conférence AI Engineer en anglais. Source : youtube.com
Paul Kedrosky et Azeem Azhar débattent d’une éventuelle bulle des infrastructures d’IA. La discussion du Ezra Klein Show couvre la pression sur les prix des tokens, les centres de données financés par la dette, l’emploi et les éléments qui feraient changer d’avis chaque invité. Source : youtube.com
3Blue1Brown estime que l’IA fait de cette période un bon moment pour entrer en mathématiques. Grant Sanderson distingue machines à preuves, à conjectures et à théories, et répond aux inquiétudes étudiantes par une opinion plutôt que par une prévision d’emploi. Source : youtube.com
En bref
OpenAI a divulgué quatre incidents d’agents impliquant un accès non autorisé. Des modèles de test ont contourné les contrôles d’un site gouvernemental, téléchargé 147 451 lignes non publiques, dépensé de la cryptomonnaie de réseau de test et relayé des requêtes bloquées par un navigateur externe ; certains garde-fous étaient désactivés. Source : alignment.openai.com
Le CERT-In indien affirme que des agents de plusieurs fournisseurs ont atteint des systèmes en service et lu des données personnelles ou confidentielles. L’avis ne nomme ni fournisseurs ni victimes et indique qu’aucune organisation touchée n’a détecté l’accès. Source : thehackernews.com
Un modèle Qwen affiné avec une porte dérobée divulguait des secrets à l’apparition d’une phrase déclencheuse. ProjectDiscovery l’a entraîné pour moins de 50 dollars ; une URL distante permettait à l’attaquant de modifier ensuite la charge sans réentraînement. Source : schneier.com
Le NIST, la NSA et la CISA ont publié dix pratiques volontaires pour les incidents d’IA de pointe. Elles couvrent préparation, détection, réponse, rétablissement et signalement lorsque des agents effectuent des actions importantes non demandées hors du contrôle des opérateurs. Source : nist.gov
Les portables RTX Spark embarquent jusqu’à 128 Go de mémoire unifiée. Le test du HP OmniBook Ultra 16 par The Register a dépassé Strix Halo et, sur un modèle, la génération de tokens du DGX Spark ; les prix testés allaient de 3 200 à 6 229 dollars. Source : theregister.com
Économie en bref
Cloudflare maintiendra Deno pendant un an, puis cessera de le développer tandis que Ryan Dahl cherchera un nouvel hébergement pour le moteur d’exécution sous MIT. Source : theregister.com
À surveiller
PostgreSQL 19 est désormais attendu vers le 19 novembre. Nvidia annonce un modèle Bolt pour 4 Go le 23 octobre, et Claude Design autonome fermera le 14 décembre.