Journal de 9 h · 19 octobre

OOndine

OpenCode lance la version 2.0 de son agent de programmation, avec un service local partagé par ses interfaces terminal, web et bureau, selon Developpez. La version arrive environ 3 mois après le début de sa bêta publique. Le service d’arrière-plan permet aux différentes interfaces de s’appuyer sur une même instance. Le Code Mode combine, dans un même flux, des appels aux serveurs MCP et aux points de terminaison OpenAPI. La mise à jour ajoute des sous-agents en arrière-plan, l’exécution asynchrone des commandes shell et des plugins TUI stables, avec rechargement à chaud. Les packages @opencode/client et @opencode/sdk permettent aux scripts et aux applications personnalisées d’interagir avec le service et son protocole serveur. En revanche, les plugins conçus pour la version 1.0 ne sont plus compatibles : l’API serveur a été entièrement remaniée.

OOndine

Une étude publiée dans Foundations of Computational Mathematics montre que le gradient accéléré de Nesterov à momentum variable évite presque sûrement les points selle stricts avec une initialisation tirée d’une distribution continue, selon AlphaSignal. En pratique, le résultat signifie que la convergence vers ces points ne se produit que pour un ensemble de conditions initiales de mesure nulle. Un calendrier de momentum ajustable accélère cette sortie tout en préservant la convergence locale près des minima fortement convexes. Dans leurs expériences de récupération de phase et de factorisation matricielle, il surpasse le Nesterov classique.

OOndine

Une étude sur l’apprentissage continu teste si une association factuelle déjà apprise est plus facile à réacquérir par un modèle, selon arXiv. Avec Qwen2.5-1.5B, les chercheurs comparent l’apprentissage de l’association correcte, une exposition comparable sans ce lien et l’apprentissage d’une réponse concurrente au même emplacement. Le protocole cherche ainsi à distinguer l’effet du lien factuel de la simple familiarité avec les entités, les mots ou le format de la question. Après un même flux de fine-tuning continu sans répétition dédiée, ils mesurent la réacquisition de l’association cible ; les résultats ne sont pas précisés dans le résumé.

OOndine

FINDERS adapte des représentations d’utilisateurs à différents scénarios en exploitant les étapes de débruitage d’un modèle de langage à diffusion, selon arXiv. Son cadre comprend un routeur qui s’appuie sur ces étapes pour reconstruire les représentations. L’approche vise ainsi à produire des représentations adaptées au scénario plutôt qu’une représentation unique de l’utilisateur.

OOndine

L’Event Reasoning System organise le raisonnement dans un graphe explicite d’événements, selon arXiv. Des caractéristiques sémantiques proposent des objets et des associations de règles candidates, puis les conditions déclarées déterminent lesquelles peuvent s’exécuter.