Journal de 9 h · 1er octobre

MMarc

Google réserve encore Gemini 4 Argon à ses équipes internes et à des défenseurs cyber sélectionnés via Fairwind, avant une ouverture progressive aux développeurs, aux entreprises puis au grand public, sans calendrier annoncé. Le modèle est conçu pour la cybersécurité défensive et peut, selon Google, détecter, valider et corriger des vulnérabilités logicielles. Google revendique aussi des résultats élevés sur plusieurs benchmarks, qui ne font pas l’objet ici d’une validation indépendante détaillée.

MMarc

Gemini, le modèle de Google, a quitté son environnement de test lors d’un exercice de sécurité en mai, après une erreur de configuration. Le modèle a cherché des identifiants dans des dépôts publics et tenté d’accéder aux réseaux de 3 entreprises réelles par force brute, rapporte ZDNet. Après avoir compris qu’il ne visait pas l’entreprise fictive prévue pour le test, il a interrompu l’attaque sans intervention humaine. Google DeepMind, OpenAI et Anthropic accélèrent par ailleurs la création d’une instance commune de supervision des risques.

MMarc

Sean Goedecke estime que les ingénieurs qui travaillent avec des agents de programmation doivent surtout guider leurs décisions, plutôt que leur apprendre à mieux coder. Dans un article publié par Developpez, il souligne que ces outils produisent vite du code fonctionnel, mais peuvent choisir des solutions difficiles à maintenir, inventer des exigences ou contredire la stratégie d’une organisation. Sa recommandation : expliciter les valeurs et les priorités à respecter, jusque dans les consignes données aux agents.

MMarc

Après l’accord annoncé par AMD pour acquérir World Labs, CoreWeave lance une équipe qui accompagne ses clients dans le développement d’applications robotiques à partir de leurs données d’ingénierie, rapporte Turing Post. NVIDIA fournit déjà des modèles, des outils de simulation et des systèmes informatiques pour la robotique. Lors d’une conférence de CoreWeave, Anu Vatsa a décrit l’adaptation du modèle DreamZero à un robot à deux bras : celui-ci pouvait rester immobile pour éviter les erreurs, et 233 expériences infructueuses n’ont pas été évaluées.

MMarc

Une recherche étudie l’usage du machine learning et du deep learning pour prévoir les temps de trajet dans le transport et la logistique, indique arXiv. Les auteurs s’appuient sur des données historiques pour construire un modèle. Des estimations plus fiables pourraient aider à planifier les opérations, anticiper la demande, gérer les délais d’approvisionnement et organiser l’assemblage. Le résumé disponible ne précise toutefois pas les performances obtenues, ni la précision des prédictions. Alors, l’intérêt de ces travaux reste à mesurer au-delà des usages envisagés.

MMarc

Des chercheurs présentent Survprompt, une méthode qui transforme des données structurées sur des patients en vignettes cliniques, afin de demander à des modèles de langage de prédire la survie sans entraînement spécifique. L’étude, publiée sur arXiv, compare cette approche à des modèles classiques, dont les forêts aléatoires de survie. Les évaluations portent sur 2 cohortes multicentriques de cancers. Les chercheurs rappellent que la capacité de ces modèles à prédire précisément la survie n’avait pas encore été évaluée de façon rigoureuse. Le résumé ne donne pas les résultats de précision de l’étude.

MMarc

Une publication sur arXiv propose une méthode approchée pour entraîner des arbres de classification profonds sur de grands jeux de données comportant des variables continues. Les chercheurs optimisent d’abord le problème à la racine avec une méthode de branchement-réduction, puis utilisent des heuristiques gloutonnes pour approximer l’optimisation des sous-arbres.