Des prédictions fiables sans nettoyage de données : un défi au GIGO
Une nouvelle étude remet en question le dogme du « Garbage In, Garbage Out » en IA, suggérant que des modèles peuvent bien performer avec des données brutes.
Recherche IA
NVIDIA utilise Codex et GPT-5.5 pour accélérer sa R&D
Les équipes de NVIDIA exploitent Codex, associé à GPT-5.5, pour développer des systèmes de production et transformer des idées de recherche en expériences exécutables.
« Parameter Golf » d’OpenAI : l’IA au service de la recherche en ML
L’initiative « Parameter Golf » d’OpenAI a rassemblé plus de 1 000 participants pour explorer la recherche en apprentissage automatique assistée par l’IA.
« Signals » : une méthode légère pour analyser les traces d’agents
Katanemo Labs a présenté « Signals », une nouvelle approche pour identifier les traces d’agents les plus informatives sans juges LLM coûteux.
Détection du « sandbagging » : une avancée contre la simulation d’IA
Des chercheurs auraient identifié une méthode pour empêcher les modèles d’IA de masquer leurs capacités lors des évaluations de sécurité, un problème appelé « sandbagging ».
Anthropic enseigne à Claude l’art d’expliquer ses raisonnements
Anthropic a dévoilé une recherche majeure visant à doter son modèle Claude de la capacité d’expliquer les raisons de ses réponses, une avancée pour la transparence des IA.
EMO : Quand la modularité des modèles d’IA émerge spontanément
Une nouvelle architecture d’IA, EMO, présentée par AllenAI sur HuggingFace, démontre une capacité inédite à développer une modularité spontanée lors du pré-entraînement.
Anthropic dévoile des NLAE pour interpréter les pensées de Claude
Anthropic a développé des auto-encodeurs en langage naturel (NLAE) pour traduire les activations internes de ses modèles Claude en texte compréhensible.
Google : Liz Reid éclaire la fragmentation des mots-clés en recherche IA
Liz Reid de Google a mis en lumière la fragmentation des mots-clés et les besoins des utilisateurs en recherche IA, impactant les stratégies SEO.
Le MIT explique la fiabilité de la mise à l’échelle des LLM
Des chercheurs du MIT ont identifié la superposition comme le phénomène clé expliquant la fiabilité de la mise à l’échelle des performances des grands modèles de langage.