The Neuron Times

All the AI that's fit to print

N° 238 Édition du matinMorning EditionMorgenausgabeEdizione del mattinoEdizion del mattin · Genève MERCREDI 26 AOÛT 2026WEDNESDAY, 26 AUGUST 2026MITTWOCH, 26. AUGUST 2026MERCOLEDÌ 26 AGOSTO 2026MERCOLEDÌ 26 AGOSTO 2026

À la Une · Silicium & frontièreFront Page · Silicium & frontièreSchlagzeilen · Silicium & frontièrePrima pagina · Silicium & frontièreIn prima pagina · Silicium & frontière

Jalapeño au banc d'essai : OpenAI revendique une inférence plus rapide et plus sobre que les puces de NvidiaJalapeño au banc d'essai : OpenAI revendique une inférence plus rapide et plus sobre que les puces de NvidiaJalapeño au banc d'essai : OpenAI revendique une inférence plus rapide et plus sobre que les puces de NvidiaJalapeño au banc d'essai : OpenAI revendique une inférence plus rapide et plus sobre que les puces de NvidiaJalapeño au banc d'essai : OpenAI revendique une inférence plus rapide et plus sobre que les puces de Nvidia

Premiers résultats publiés le 25 août 2026 pour la puce d'inférence maison, le jour même où Apple alignait ses M6 et M5 Ultra sur le calcul d'IA.Premiers résultats publiés le 25 août 2026 pour la puce d'inférence maison, le jour même où Apple alignait ses M6 et M5 Ultra sur le calcul d'IA.Premiers résultats publiés le 25 août 2026 pour la puce d'inférence maison, le jour même où Apple alignait ses M6 et M5 Ultra sur le calcul d'IA.Premiers résultats publiés le 25 août 2026 pour la puce d'inférence maison, le jour même où Apple alignait ses M6 et M5 Ultra sur le calcul d'IA.Premiers résultats publiés le 25 août 2026 pour la puce d'inférence maison, le jour même où Apple alignait ses M6 et M5 Ultra sur le calcul d'IA.

OpenAI a publié le 25 août 2026 les premiers résultats de Jalapeño, sa puce d'inférence conçue en interne. Le laboratoire annonce une inférence plus rapide et plus sobre en énergie, avec un débit supérieur et une latence réduite pour les modèles contemporains, dans son annonce du 25 août. Le même jour, Bloomberg rapportait qu'OpenAI affirme que ses nouvelles puces surpassent les processeurs de Nvidia lors de tests — une revendication frontale adressée au fournisseur qui équipe aujourd'hui l'essentiel des centres de calculs d'IA, selon l'article du 25 août 2026.OpenAI a publié le 25 août 2026 les premiers résultats de Jalapeño, sa puce d'inférence conçue en interne. Le laboratoire annonce une inférence plus rapide et plus sobre en énergie, avec un débit supérieur et une latence réduite pour les modèles contemporains, dans son annonce du 25 août. Le même jour, Bloomberg rapportait qu'OpenAI affirme que ses nouvelles puces surpassent les processeurs de Nvidia lors de tests — une revendication frontale adressée au fournisseur qui équipe aujourd'hui l'essentiel des centres de calculs d'IA, selon l'article du 25 août 2026.OpenAI a publié le 25 août 2026 les premiers résultats de Jalapeño, sa puce d'inférence conçue en interne. Le laboratoire annonce une inférence plus rapide et plus sobre en énergie, avec un débit supérieur et une latence réduite pour les modèles contemporains, dans son annonce du 25 août. Le même jour, Bloomberg rapportait qu'OpenAI affirme que ses nouvelles puces surpassent les processeurs de Nvidia lors de tests — une revendication frontale adressée au fournisseur qui équipe aujourd'hui l'essentiel des centres de calculs d'IA, selon l'article du 25 août 2026.OpenAI a publié le 25 août 2026 les premiers résultats de Jalapeño, sa puce d'inférence conçue en interne. Le laboratoire annonce une inférence plus rapide et plus sobre en énergie, avec un débit supérieur et une latence réduite pour les modèles contemporains, dans son annonce du 25 août. Le même jour, Bloomberg rapportait qu'OpenAI affirme que ses nouvelles puces surpassent les processeurs de Nvidia lors de tests — une revendication frontale adressée au fournisseur qui équipe aujourd'hui l'essentiel des centres de calculs d'IA, selon l'article du 25 août 2026.OpenAI a publié le 25 août 2026 les premiers résultats de Jalapeño, sa puce d'inférence conçue en interne. Le laboratoire annonce une inférence plus rapide et plus sobre en énergie, avec un débit supérieur et une latence réduite pour les modèles contemporains, dans son annonce du 25 août. Le même jour, Bloomberg rapportait qu'OpenAI affirme que ses nouvelles puces surpassent les processeurs de Nvidia lors de tests — une revendication frontale adressée au fournisseur qui équipe aujourd'hui l'essentiel des centres de calculs d'IA, selon l'article du 25 août 2026.

La communauté technique a aussitôt passé l'affirmation au crible. SemiAnalysis publie une analyse au titre sans détour — « OpenAI Jalapeño : Better than Nvidia Blackwell » — qui a nourri sur Hacker News une discussion de 389 points et 256 commentaires en quelques heures : l'analyse est lisible ici. L'enjeu dépasse l'industrial gossip : si l'inférence maison s'avère à la fois plus rapide, plus dense et moins coûteuse en énergie, l'économie de toute la pile logicielle du labo s'en trouve réécrite.La communauté technique a aussitôt passé l'affirmation au crible. SemiAnalysis publie une analyse au titre sans détour — « OpenAI Jalapeño : Better than Nvidia Blackwell » — qui a nourri sur Hacker News une discussion de 389 points et 256 commentaires en quelques heures : l'analyse est lisible ici. L'enjeu dépasse l'industrial gossip : si l'inférence maison s'avère à la fois plus rapide, plus dense et moins coûteuse en énergie, l'économie de toute la pile logicielle du labo s'en trouve réécrite.La communauté technique a aussitôt passé l'affirmation au crible. SemiAnalysis publie une analyse au titre sans détour — « OpenAI Jalapeño : Better than Nvidia Blackwell » — qui a nourri sur Hacker News une discussion de 389 points et 256 commentaires en quelques heures : l'analyse est lisible ici. L'enjeu dépasse l'industrial gossip : si l'inférence maison s'avère à la fois plus rapide, plus dense et moins coûteuse en énergie, l'économie de toute la pile logicielle du labo s'en trouve réécrite.La communauté technique a aussitôt passé l'affirmation au crible. SemiAnalysis publie une analyse au titre sans détour — « OpenAI Jalapeño : Better than Nvidia Blackwell » — qui a nourri sur Hacker News une discussion de 389 points et 256 commentaires en quelques heures : l'analyse est lisible ici. L'enjeu dépasse l'industrial gossip : si l'inférence maison s'avère à la fois plus rapide, plus dense et moins coûteuse en énergie, l'économie de toute la pile logicielle du labo s'en trouve réécrite.La communauté technique a aussitôt passé l'affirmation au crible. SemiAnalysis publie une analyse au titre sans détour — « OpenAI Jalapeño : Better than Nvidia Blackwell » — qui a nourri sur Hacker News une discussion de 389 points et 256 commentaires en quelques heures : l'analyse est lisible ici. L'enjeu dépasse l'industrial gossip : si l'inférence maison s'avère à la fois plus rapide, plus dense et moins coûteuse en énergie, l'économie de toute la pile logicielle du labo s'en trouve réécrite.

Le reste de la journée confirme une stratégie d'intégration verticale. La directrice financière Sarah Friar publie le même 25 août « The full stack behind abundant intelligence », où les avancées se composent sur quatre étages — puces, calcul, modèles, produits — pour livrer une intelligence plus utile, à plus grande échelle et à moindre coût : le billet est en ligne. Et Apple, le même jour, introduit ses M6 et M5 Ultra « pour un grand bond en performance et en compute IA », adossés à un Mac Studio M5 Max et M5 Ultra ainsi qu'à un Mac mini M6 : l'annonce a récolté 1 033 points et 953 commentaires sur Hacker News, tandis que le communiqué d'Apple place l'IA au cœur de son argumentaire.Le reste de la journée confirme une stratégie d'intégration verticale. La directrice financière Sarah Friar publie le même 25 août « The full stack behind abundant intelligence », où les avancées se composent sur quatre étages — puces, calcul, modèles, produits — pour livrer une intelligence plus utile, à plus grande échelle et à moindre coût : le billet est en ligne. Et Apple, le même jour, introduit ses M6 et M5 Ultra « pour un grand bond en performance et en compute IA », adossés à un Mac Studio M5 Max et M5 Ultra ainsi qu'à un Mac mini M6 : l'annonce a récolté 1 033 points et 953 commentaires sur Hacker News, tandis que le communiqué d'Apple place l'IA au cœur de son argumentaire.Le reste de la journée confirme une stratégie d'intégration verticale. La directrice financière Sarah Friar publie le même 25 août « The full stack behind abundant intelligence », où les avancées se composent sur quatre étages — puces, calcul, modèles, produits — pour livrer une intelligence plus utile, à plus grande échelle et à moindre coût : le billet est en ligne. Et Apple, le même jour, introduit ses M6 et M5 Ultra « pour un grand bond en performance et en compute IA », adossés à un Mac Studio M5 Max et M5 Ultra ainsi qu'à un Mac mini M6 : l'annonce a récolté 1 033 points et 953 commentaires sur Hacker News, tandis que le communiqué d'Apple place l'IA au cœur de son argumentaire.Le reste de la journée confirme une stratégie d'intégration verticale. La directrice financière Sarah Friar publie le même 25 août « The full stack behind abundant intelligence », où les avancées se composent sur quatre étages — puces, calcul, modèles, produits — pour livrer une intelligence plus utile, à plus grande échelle et à moindre coût : le billet est en ligne. Et Apple, le même jour, introduit ses M6 et M5 Ultra « pour un grand bond en performance et en compute IA », adossés à un Mac Studio M5 Max et M5 Ultra ainsi qu'à un Mac mini M6 : l'annonce a récolté 1 033 points et 953 commentaires sur Hacker News, tandis que le communiqué d'Apple place l'IA au cœur de son argumentaire.Le reste de la journée confirme une stratégie d'intégration verticale. La directrice financière Sarah Friar publie le même 25 août « The full stack behind abundant intelligence », où les avancées se composent sur quatre étages — puces, calcul, modèles, produits — pour livrer une intelligence plus utile, à plus grande échelle et à moindre coût : le billet est en ligne. Et Apple, le même jour, introduit ses M6 et M5 Ultra « pour un grand bond en performance et en compute IA », adossés à un Mac Studio M5 Max et M5 Ultra ainsi qu'à un Mac mini M6 : l'annonce a récolté 1 033 points et 953 commentaires sur Hacker News, tandis que le communiqué d'Apple place l'IA au cœur de son argumentaire.

Page 1 — Page 1 — Seite 1 — Pagina 1 — Pagina 1 — Page 1 — À la UnePage 1 — À la UnePage 1 — À la UnePage 1 — À la UnePage 1 — À la Une

I. La frontière matérielleLa frontière matérielleLa frontière matérielleLa frontière matérielleLa frontière matérielle

Apple Silicon

Apple Silicon

Apple Silicon

Apple Silicon

Apple Silicon

M6 et M5 Ultra : Apple aligne trois machines sur le compute IAM6 et M5 Ultra : Apple aligne trois machines sur le compute IAM6 et M5 Ultra : Apple aligne trois machines sur le compute IAM6 et M5 Ultra : Apple aligne trois machines sur le compute IAM6 et M5 Ultra : Apple aligne trois machines sur le compute IA

From the Wires — 25 août 2026

From the Wires — 25 août 2026

From the Wires — 25 août 2026

Dagli studi — From the Wires — 25 août 2026

From the Wires — 25 août 2026

Apple a déroulé le 25 août 2026 une salve matérielle alignée sur le calcul d'IA : M6 et M5 Ultra promettent « un grand bond en performance et en compute IA », le Mac Studio embarque M5 Max et M5 Ultra, et le Mac mini reçoit M6 et M5 Pro. Sur Hacker News, l'annonce des puces a cumulé 1 033 points et 953 commentaires, celle du Mac Studio 728 points et 481 commentaires, celle du Mac mini 458 points — la discussion principale est ici. Pour l'inférence locale sur Apple Silicon, la fenêtre de compute vient de s'ouvrir un peu plus large.
Apple a déroulé le 25 août 2026 une salve matérielle alignée sur le calcul d'IA : M6 et M5 Ultra promettent « un grand bond en performance et en compute IA », le Mac Studio embarque M5 Max et M5 Ultra, et le Mac mini reçoit M6 et M5 Pro. Sur Hacker News, l'annonce des puces a cumulé 1 033 points et 953 commentaires, celle du Mac Studio 728 points et 481 commentaires, celle du Mac mini 458 points — la discussion principale est ici. Pour l'inférence locale sur Apple Silicon, la fenêtre de compute vient de s'ouvrir un peu plus large.
Apple a déroulé le 25 août 2026 une salve matérielle alignée sur le calcul d'IA : M6 et M5 Ultra promettent « un grand bond en performance et en compute IA », le Mac Studio embarque M5 Max et M5 Ultra, et le Mac mini reçoit M6 et M5 Pro. Sur Hacker News, l'annonce des puces a cumulé 1 033 points et 953 commentaires, celle du Mac Studio 728 points et 481 commentaires, celle du Mac mini 458 points — la discussion principale est ici. Pour l'inférence locale sur Apple Silicon, la fenêtre de compute vient de s'ouvrir un peu plus large.
Apple a déroulé le 25 août 2026 une salve matérielle alignée sur le calcul d'IA : M6 et M5 Ultra promettent « un grand bond en performance et en compute IA », le Mac Studio embarque M5 Max et M5 Ultra, et le Mac mini reçoit M6 et M5 Pro. Sur Hacker News, l'annonce des puces a cumulé 1 033 points et 953 commentaires, celle du Mac Studio 728 points et 481 commentaires, celle du Mac mini 458 points — la discussion principale est ici. Pour l'inférence locale sur Apple Silicon, la fenêtre de compute vient de s'ouvrir un peu plus large.
Apple a déroulé le 25 août 2026 une salve matérielle alignée sur le calcul d'IA : M6 et M5 Ultra promettent « un grand bond en performance et en compute IA », le Mac Studio embarque M5 Max et M5 Ultra, et le Mac mini reçoit M6 et M5 Pro. Sur Hacker News, l'annonce des puces a cumulé 1 033 points et 953 commentaires, celle du Mac Studio 728 points et 481 commentaires, celle du Mac mini 458 points — la discussion principale est ici. Pour l'inférence locale sur Apple Silicon, la fenêtre de compute vient de s'ouvrir un peu plus large.

II. Produits & partenariatsProduits & partenariatsProduits & partenariatsProduits & partenariatsProduits & partenariats

OpenAI

OpenAI

OpenAI

OpenAI

OpenAI

ChatGPT : les tâches planifiées se déclenchent désormais par webhooksChatGPT : les tâches planifiées se déclenchent désormais par webhooksChatGPT : les tâches planifiées se déclenchent désormais par webhooksChatGPT : les tâches planifiées se déclenchent désormais par webhooksChatGPT : les tâches planifiées se déclenchent désormais par webhooks

From the Wires — 25-26 août 2026

From the Wires — 25-26 août 2026

From the Wires — 25-26 août 2026

Dagli studi — From the Wires — 25-26 août 2026

From the Wires — 25-26 août 2026

Les notes de version du 25 août 2026 décrivent des Scheduled tasks capables de réagir par webhooks aux événements de trois écosystèmes : nouveaux messages Gmail, messages de canaux Slack et activité de pull requests GitHub. Les tâches deviennent partageables — chacun peut revoir, connecter ses propres applications et planifier une copie indépendante —, les abonnés Plus et Pro peuvent les créer dans ChatGPT Work sur web, iOS et Android, et les comptes gratuits accèdent aussi aux tâches planifiées. Le 26 août, les notes indiquent en outre qu'à l'issue d'une période de retrait de 90 jours, GPT-4.5 sera retiré de ChatGPT. Détails dans les release notes officielles.
Les notes de version du 25 août 2026 décrivent des Scheduled tasks capables de réagir par webhooks aux événements de trois écosystèmes : nouveaux messages Gmail, messages de canaux Slack et activité de pull requests GitHub. Les tâches deviennent partageables — chacun peut revoir, connecter ses propres applications et planifier une copie indépendante —, les abonnés Plus et Pro peuvent les créer dans ChatGPT Work sur web, iOS et Android, et les comptes gratuits accèdent aussi aux tâches planifiées. Le 26 août, les notes indiquent en outre qu'à l'issue d'une période de retrait de 90 jours, GPT-4.5 sera retiré de ChatGPT. Détails dans les release notes officielles.
Les notes de version du 25 août 2026 décrivent des Scheduled tasks capables de réagir par webhooks aux événements de trois écosystèmes : nouveaux messages Gmail, messages de canaux Slack et activité de pull requests GitHub. Les tâches deviennent partageables — chacun peut revoir, connecter ses propres applications et planifier une copie indépendante —, les abonnés Plus et Pro peuvent les créer dans ChatGPT Work sur web, iOS et Android, et les comptes gratuits accèdent aussi aux tâches planifiées. Le 26 août, les notes indiquent en outre qu'à l'issue d'une période de retrait de 90 jours, GPT-4.5 sera retiré de ChatGPT. Détails dans les release notes officielles.
Les notes de version du 25 août 2026 décrivent des Scheduled tasks capables de réagir par webhooks aux événements de trois écosystèmes : nouveaux messages Gmail, messages de canaux Slack et activité de pull requests GitHub. Les tâches deviennent partageables — chacun peut revoir, connecter ses propres applications et planifier une copie indépendante —, les abonnés Plus et Pro peuvent les créer dans ChatGPT Work sur web, iOS et Android, et les comptes gratuits accèdent aussi aux tâches planifiées. Le 26 août, les notes indiquent en outre qu'à l'issue d'une période de retrait de 90 jours, GPT-4.5 sera retiré de ChatGPT. Détails dans les release notes officielles.
Les notes de version du 25 août 2026 décrivent des Scheduled tasks capables de réagir par webhooks aux événements de trois écosystèmes : nouveaux messages Gmail, messages de canaux Slack et activité de pull requests GitHub. Les tâches deviennent partageables — chacun peut revoir, connecter ses propres applications et planifier une copie indépendante —, les abonnés Plus et Pro peuvent les créer dans ChatGPT Work sur web, iOS et Android, et les comptes gratuits accèdent aussi aux tâches planifiées. Le 26 août, les notes indiquent en outre qu'à l'issue d'une période de retrait de 90 jours, GPT-4.5 sera retiré de ChatGPT. Détails dans les release notes officielles.

Anthropic

Anthropic

Anthropic

Anthropic

Anthropic

La mémoire de Claude devient ubiquitaire — et pilotée par l'utilisateurLa mémoire de Claude devient ubiquitaire — et pilotée par l'utilisateurLa mémoire de Claude devient ubiquitaire — et pilotée par l'utilisateurLa mémoire de Claude devient ubiquitaire — et pilotée par l'utilisateurLa mémoire de Claude devient ubiquitaire — et pilotée par l'utilisateur

From the Wires — 25 août 2026

From the Wires — 25 août 2026

From the Wires — 25 août 2026

Dagli studi — From the Wires — 25 août 2026

From the Wires — 25 août 2026

La mémoire de Claude « fonctionne partout » et c'est l'utilisateur qui décide de ce qu'elle contient : telle est l'évolution annoncée le 25 août 2026 sur le blog produit de Claude, rattachée à Claude Cowork. Un pas vers une mémoire persistante sous contrôle explicite de l'utilisateur, au moment précis où la gestion du contexte devient un sujet d'architecture pour les agents (voir page 4).
La mémoire de Claude « fonctionne partout » et c'est l'utilisateur qui décide de ce qu'elle contient : telle est l'évolution annoncée le 25 août 2026 sur le blog produit de Claude, rattachée à Claude Cowork. Un pas vers une mémoire persistante sous contrôle explicite de l'utilisateur, au moment précis où la gestion du contexte devient un sujet d'architecture pour les agents (voir page 4).
La mémoire de Claude « fonctionne partout » et c'est l'utilisateur qui décide de ce qu'elle contient : telle est l'évolution annoncée le 25 août 2026 sur le blog produit de Claude, rattachée à Claude Cowork. Un pas vers une mémoire persistante sous contrôle explicite de l'utilisateur, au moment précis où la gestion du contexte devient un sujet d'architecture pour les agents (voir page 4).
La mémoire de Claude « fonctionne partout » et c'est l'utilisateur qui décide de ce qu'elle contient : telle est l'évolution annoncée le 25 août 2026 sur le blog produit de Claude, rattachée à Claude Cowork. Un pas vers une mémoire persistante sous contrôle explicite de l'utilisateur, au moment précis où la gestion du contexte devient un sujet d'architecture pour les agents (voir page 4).
La mémoire de Claude « fonctionne partout » et c'est l'utilisateur qui décide de ce qu'elle contient : telle est l'évolution annoncée le 25 août 2026 sur le blog produit de Claude, rattachée à Claude Cowork. Un pas vers une mémoire persistante sous contrôle explicite de l'utilisateur, au moment précis où la gestion du contexte devient un sujet d'architecture pour les agents (voir page 4).

Écosystème

Écosystème

Écosystème

Écosystème

Écosystème

Bain & Company entre au Claude Partner Network au rang Global PremierBain & Company entre au Claude Partner Network au rang Global PremierBain & Company entre au Claude Partner Network au rang Global PremierBain & Company entre au Claude Partner Network au rang Global PremierBain & Company entre au Claude Partner Network au rang Global Premier

From the Wires — 25 août 2026

From the Wires — 25 août 2026

From the Wires — 25 août 2026

Dagli studi — From the Wires — 25 août 2026

From the Wires — 25 août 2026

Le cabinet de conseil rejoint le réseau de partenaires d'Anthropic comme partenaire Global Premier, annonce le blog Claude le 25 août 2026. L'arrivée prolonge la distribution de Claude auprès des clients entreprise via les grands intégrateurs, un axe que le labo cultive depuis plusieurs mois.
Le cabinet de conseil rejoint le réseau de partenaires d'Anthropic comme partenaire Global Premier, annonce le blog Claude le 25 août 2026. L'arrivée prolonge la distribution de Claude auprès des clients entreprise via les grands intégrateurs, un axe que le labo cultive depuis plusieurs mois.
Le cabinet de conseil rejoint le réseau de partenaires d'Anthropic comme partenaire Global Premier, annonce le blog Claude le 25 août 2026. L'arrivée prolonge la distribution de Claude auprès des clients entreprise via les grands intégrateurs, un axe que le labo cultive depuis plusieurs mois.
Le cabinet de conseil rejoint le réseau de partenaires d'Anthropic comme partenaire Global Premier, annonce le blog Claude le 25 août 2026. L'arrivée prolonge la distribution de Claude auprès des clients entreprise via les grands intégrateurs, un axe que le labo cultive depuis plusieurs mois.
Le cabinet de conseil rejoint le réseau de partenaires d'Anthropic comme partenaire Global Premier, annonce le blog Claude le 25 août 2026. L'arrivée prolonge la distribution de Claude auprès des clients entreprise via les grands intégrateurs, un axe que le labo cultive depuis plusieurs mois.

Page 2 — Page 2 — Seite 2 — Pagina 2 — Pagina 2 — Page 2 — Le Cahier TechniquePage 2 — Le Cahier TechniquePage 2 — Le Cahier TechniquePage 2 — Le Cahier TechniquePage 2 — Le Cahier Technique

III. Harnais d'agentsHarnais d'agentsHarnais d'agentsHarnais d'agentsHarnais d'agents

Microsoft Research

Microsoft Research

Microsoft Research

Microsoft Research

Microsoft Research

AutoSaddler : optimiser automatiquement les harnais d'agents à partir de leurs échecsAutoSaddler : optimiser automatiquement les harnais d'agents à partir de leurs échecsAutoSaddler : optimiser automatiquement les harnais d'agents à partir de leurs échecsAutoSaddler : optimiser automatiquement les harnais d'agents à partir de leurs échecsAutoSaddler : optimiser automatiquement les harnais d'agents à partir de leurs échecs

From the Wires — Daily Papers — 26 août 2026

From the Wires — Daily Papers — 26 août 2026

From the Wires — Daily Papers — 26 août 2026

Dagli studi — Daily Papers — 26 août 2026

From the Wires — Daily Papers — 26 août 2026

Soumis aux Daily Papers de Hugging Face le 26 août 2026 (29 votes), AutoSaddler traite l'amélioration du harnais comme un problème d'apprentissage hors ligne : diagnostic des traces d'échec, génération de patchs structurés où le harnais est traité comme du code, puis sélection des mises à jour par validation. Les gains face aux harnais de base : +9,0 points sur GAIA2, +9,6 sur SWE-Bench Pro et +10,0 sur Terminal-Bench 2.0. Les ablations isolent trois ingrédients : un débogage profond plutôt qu'une réflexion superficielle, des modifications ciblées plutôt qu'une édition non contrainte, et une sélection soucieuse de généralisation plutôt qu'une réparation propre à une trajectoire. Le code est ouvert sur GitHub, le paper et la page projet sont en ligne.
Soumis aux Daily Papers de Hugging Face le 26 août 2026 (29 votes), AutoSaddler traite l'amélioration du harnais comme un problème d'apprentissage hors ligne : diagnostic des traces d'échec, génération de patchs structurés où le harnais est traité comme du code, puis sélection des mises à jour par validation. Les gains face aux harnais de base : +9,0 points sur GAIA2, +9,6 sur SWE-Bench Pro et +10,0 sur Terminal-Bench 2.0. Les ablations isolent trois ingrédients : un débogage profond plutôt qu'une réflexion superficielle, des modifications ciblées plutôt qu'une édition non contrainte, et une sélection soucieuse de généralisation plutôt qu'une réparation propre à une trajectoire. Le code est ouvert sur GitHub, le paper et la page projet sont en ligne.
Soumis aux Daily Papers de Hugging Face le 26 août 2026 (29 votes), AutoSaddler traite l'amélioration du harnais comme un problème d'apprentissage hors ligne : diagnostic des traces d'échec, génération de patchs structurés où le harnais est traité comme du code, puis sélection des mises à jour par validation. Les gains face aux harnais de base : +9,0 points sur GAIA2, +9,6 sur SWE-Bench Pro et +10,0 sur Terminal-Bench 2.0. Les ablations isolent trois ingrédients : un débogage profond plutôt qu'une réflexion superficielle, des modifications ciblées plutôt qu'une édition non contrainte, et une sélection soucieuse de généralisation plutôt qu'une réparation propre à une trajectoire. Le code est ouvert sur GitHub, le paper et la page projet sont en ligne.
Soumis aux Daily Papers de Hugging Face le 26 août 2026 (29 votes), AutoSaddler traite l'amélioration du harnais comme un problème d'apprentissage hors ligne : diagnostic des traces d'échec, génération de patchs structurés où le harnais est traité comme du code, puis sélection des mises à jour par validation. Les gains face aux harnais de base : +9,0 points sur GAIA2, +9,6 sur SWE-Bench Pro et +10,0 sur Terminal-Bench 2.0. Les ablations isolent trois ingrédients : un débogage profond plutôt qu'une réflexion superficielle, des modifications ciblées plutôt qu'une édition non contrainte, et une sélection soucieuse de généralisation plutôt qu'une réparation propre à une trajectoire. Le code est ouvert sur GitHub, le paper et la page projet sont en ligne.
Soumis aux Daily Papers de Hugging Face le 26 août 2026 (29 votes), AutoSaddler traite l'amélioration du harnais comme un problème d'apprentissage hors ligne : diagnostic des traces d'échec, génération de patchs structurés où le harnais est traité comme du code, puis sélection des mises à jour par validation. Les gains face aux harnais de base : +9,0 points sur GAIA2, +9,6 sur SWE-Bench Pro et +10,0 sur Terminal-Bench 2.0. Les ablations isolent trois ingrédients : un débogage profond plutôt qu'une réflexion superficielle, des modifications ciblées plutôt qu'une édition non contrainte, et une sélection soucieuse de généralisation plutôt qu'une réparation propre à une trajectoire. Le code est ouvert sur GitHub, le paper et la page projet sont en ligne.

Mémoire d'agents

Mémoire d'agents

Mémoire d'agents

Mémoire d'agents

Mémoire d'agents

Recuris : une mémoire de travail récursive pour les harnais à long horizonRecuris : une mémoire de travail récursive pour les harnais à long horizonRecuris : une mémoire de travail récursive pour les harnais à long horizonRecuris : une mémoire de travail récursive pour les harnais à long horizonRecuris : une mémoire de travail récursive pour les harnais à long horizon

From the Wires — Daily Papers — 26 août 2026

From the Wires — Daily Papers — 26 août 2026

From the Wires — Daily Papers — 26 août 2026

Dagli studi — Daily Papers — 26 août 2026

From the Wires — Daily Papers — 26 août 2026

Recuris couple une mémoire de travail — qui suit la progression de la tâche et guide la sélection de compétences depuis la mémoire d'expérience — à un Meta-Agent fixe qui transforme les preuves d'exécution en mises à jour localisées et validées, formant une boucle d'évolution mémoire bornée. Sur quatre benchmarks à long horizon et dix modèles, l'architecture améliore le taux de succès dans 35 des 37 paires modèle-benchmark complétées, en ancrant l'invocation des compétences dans l'état courant plutôt que dans l'historique complet. Le paper figure dans les Daily Papers du 26 août 2026.
Recuris couple une mémoire de travail — qui suit la progression de la tâche et guide la sélection de compétences depuis la mémoire d'expérience — à un Meta-Agent fixe qui transforme les preuves d'exécution en mises à jour localisées et validées, formant une boucle d'évolution mémoire bornée. Sur quatre benchmarks à long horizon et dix modèles, l'architecture améliore le taux de succès dans 35 des 37 paires modèle-benchmark complétées, en ancrant l'invocation des compétences dans l'état courant plutôt que dans l'historique complet. Le paper figure dans les Daily Papers du 26 août 2026.
Recuris couple une mémoire de travail — qui suit la progression de la tâche et guide la sélection de compétences depuis la mémoire d'expérience — à un Meta-Agent fixe qui transforme les preuves d'exécution en mises à jour localisées et validées, formant une boucle d'évolution mémoire bornée. Sur quatre benchmarks à long horizon et dix modèles, l'architecture améliore le taux de succès dans 35 des 37 paires modèle-benchmark complétées, en ancrant l'invocation des compétences dans l'état courant plutôt que dans l'historique complet. Le paper figure dans les Daily Papers du 26 août 2026.
Recuris couple une mémoire de travail — qui suit la progression de la tâche et guide la sélection de compétences depuis la mémoire d'expérience — à un Meta-Agent fixe qui transforme les preuves d'exécution en mises à jour localisées et validées, formant une boucle d'évolution mémoire bornée. Sur quatre benchmarks à long horizon et dix modèles, l'architecture améliore le taux de succès dans 35 des 37 paires modèle-benchmark complétées, en ancrant l'invocation des compétences dans l'état courant plutôt que dans l'historique complet. Le paper figure dans les Daily Papers du 26 août 2026.
Recuris couple une mémoire de travail — qui suit la progression de la tâche et guide la sélection de compétences depuis la mémoire d'expérience — à un Meta-Agent fixe qui transforme les preuves d'exécution en mises à jour localisées et validées, formant une boucle d'évolution mémoire bornée. Sur quatre benchmarks à long horizon et dix modèles, l'architecture améliore le taux de succès dans 35 des 37 paires modèle-benchmark complétées, en ancrant l'invocation des compétences dans l'état courant plutôt que dans l'historique complet. Le paper figure dans les Daily Papers du 26 août 2026.

IV. Inférence & poids ouvertsInférence & poids ouvertsInférence & poids ouvertsInférence & poids ouvertsInférence & poids ouverts

IBM

IBM

IBM

IBM

IBM

Granite 4.2 : IBM ouvre la cuisine de ses LLMGranite 4.2 : IBM ouvre la cuisine de ses LLMGranite 4.2 : IBM ouvre la cuisine de ses LLMGranite 4.2 : IBM ouvre la cuisine de ses LLMGranite 4.2 : IBM ouvre la cuisine de ses LLM

From the Wires — 25 août 2026

From the Wires — 25 août 2026

From the Wires — 25 août 2026

Dagli studi — From the Wires — 25 août 2026

From the Wires — 25 août 2026

IBM publie le 25 août 2026 sur le blog Hugging Face « Granite 4.2 LLMs: How They're Built », un billet qui détaille la manière dont la famille Granite 4.2 a été construite, en complément des poids ouverts déjà diffusés. La publication s'adresse aux équipes qui veulent comprendre les arbitrages derrière la famille avant de l'adopter ou de la raffiner.
IBM publie le 25 août 2026 sur le blog Hugging Face « Granite 4.2 LLMs: How They're Built », un billet qui détaille la manière dont la famille Granite 4.2 a été construite, en complément des poids ouverts déjà diffusés. La publication s'adresse aux équipes qui veulent comprendre les arbitrages derrière la famille avant de l'adopter ou de la raffiner.
IBM publie le 25 août 2026 sur le blog Hugging Face « Granite 4.2 LLMs: How They're Built », un billet qui détaille la manière dont la famille Granite 4.2 a été construite, en complément des poids ouverts déjà diffusés. La publication s'adresse aux équipes qui veulent comprendre les arbitrages derrière la famille avant de l'adopter ou de la raffiner.
IBM publie le 25 août 2026 sur le blog Hugging Face « Granite 4.2 LLMs: How They're Built », un billet qui détaille la manière dont la famille Granite 4.2 a été construite, en complément des poids ouverts déjà diffusés. La publication s'adresse aux équipes qui veulent comprendre les arbitrages derrière la famille avant de l'adopter ou de la raffiner.
IBM publie le 25 août 2026 sur le blog Hugging Face « Granite 4.2 LLMs: How They're Built », un billet qui détaille la manière dont la famille Granite 4.2 a été construite, en complément des poids ouverts déjà diffusés. La publication s'adresse aux équipes qui veulent comprendre les arbitrages derrière la famille avant de l'adopter ou de la raffiner.

Compression

Compression

Compression

Compression

Compression

Quantization-Aware Healing : un 4 bits qui surpasse son original en pleine précisionQuantization-Aware Healing : un 4 bits qui surpasse son original en pleine précisionQuantization-Aware Healing : un 4 bits qui surpasse son original en pleine précisionQuantization-Aware Healing : un 4 bits qui surpasse son original en pleine précisionQuantization-Aware Healing : un 4 bits qui surpasse son original en pleine précision

From the Wires — 25 août 2026

From the Wires — 25 août 2026

From the Wires — 25 août 2026

Dagli studi — From the Wires — 25 août 2026

From the Wires — 25 août 2026

Multiverse Computing publie le 25 août 2026 sur le blog Hugging Face une méthode de « guérison consciente de la quantification » dont le résultat inverse le compromis habituel : le modèle compressé en 4 bits surperforme l'original en pleine précision. Le billet détaille la démarche, un signal notable pour l'inférence locale où chaque bit compte.
Multiverse Computing publie le 25 août 2026 sur le blog Hugging Face une méthode de « guérison consciente de la quantification » dont le résultat inverse le compromis habituel : le modèle compressé en 4 bits surperforme l'original en pleine précision. Le billet détaille la démarche, un signal notable pour l'inférence locale où chaque bit compte.
Multiverse Computing publie le 25 août 2026 sur le blog Hugging Face une méthode de « guérison consciente de la quantification » dont le résultat inverse le compromis habituel : le modèle compressé en 4 bits surperforme l'original en pleine précision. Le billet détaille la démarche, un signal notable pour l'inférence locale où chaque bit compte.
Multiverse Computing publie le 25 août 2026 sur le blog Hugging Face une méthode de « guérison consciente de la quantification » dont le résultat inverse le compromis habituel : le modèle compressé en 4 bits surperforme l'original en pleine précision. Le billet détaille la démarche, un signal notable pour l'inférence locale où chaque bit compte.
Multiverse Computing publie le 25 août 2026 sur le blog Hugging Face une méthode de « guérison consciente de la quantification » dont le résultat inverse le compromis habituel : le modèle compressé en 4 bits surperforme l'original en pleine précision. Le billet détaille la démarche, un signal notable pour l'inférence locale où chaque bit compte.

Page 3 — Page 3 — Seite 3 — Pagina 3 — Pagina 3 — Page 3 — La RecherchePage 3 — La RecherchePage 3 — La RecherchePage 3 — La RecherchePage 3 — La Recherche

V. Génération multimodaleGénération multimodaleGénération multimodaleGénération multimodaleGénération multimodale

Apple ML Research

Apple ML Research

Apple ML Research

Apple ML Research

Apple ML Research

STARFlow2 : Apple unifie texte et image par les flux normalisés autorégressifsSTARFlow2 : Apple unifie texte et image par les flux normalisés autorégressifsSTARFlow2 : Apple unifie texte et image par les flux normalisés autorégressifsSTARFlow2 : Apple unifie texte et image par les flux normalisés autorégressifsSTARFlow2 : Apple unifie texte et image par les flux normalisés autorégressifs

From the Wires — 25 août 2026

From the Wires — 25 août 2026

From the Wires — 25 août 2026

Dagli studi — From the Wires — 25 août 2026

From the Wires — 25 août 2026

Publié le 25 août 2026 sur Apple ML Research, STARFlow2 s'attaque à la fragmentation des modèles multimodaux unifiés en pointant trois écueils : la tokenization discrète sacrifie la fidélité visuelle, la combinaison de texte causal et de débruitage itératif impose une asymétrie structurelle, et l'adaptation de modèles vision-langage à la génération dégrade leur compréhension pré-entraînée. L'observation centrale du paper : les flux normalisés autorégressifs sont des Transformers autorégressifs — une base commune pour comprendre, raisonner sur et générer des séquences texte-image entrelacées. La publication est lisible ici.
Publié le 25 août 2026 sur Apple ML Research, STARFlow2 s'attaque à la fragmentation des modèles multimodaux unifiés en pointant trois écueils : la tokenization discrète sacrifie la fidélité visuelle, la combinaison de texte causal et de débruitage itératif impose une asymétrie structurelle, et l'adaptation de modèles vision-langage à la génération dégrade leur compréhension pré-entraînée. L'observation centrale du paper : les flux normalisés autorégressifs sont des Transformers autorégressifs — une base commune pour comprendre, raisonner sur et générer des séquences texte-image entrelacées. La publication est lisible ici.
Publié le 25 août 2026 sur Apple ML Research, STARFlow2 s'attaque à la fragmentation des modèles multimodaux unifiés en pointant trois écueils : la tokenization discrète sacrifie la fidélité visuelle, la combinaison de texte causal et de débruitage itératif impose une asymétrie structurelle, et l'adaptation de modèles vision-langage à la génération dégrade leur compréhension pré-entraînée. L'observation centrale du paper : les flux normalisés autorégressifs sont des Transformers autorégressifs — une base commune pour comprendre, raisonner sur et générer des séquences texte-image entrelacées. La publication est lisible ici.
Publié le 25 août 2026 sur Apple ML Research, STARFlow2 s'attaque à la fragmentation des modèles multimodaux unifiés en pointant trois écueils : la tokenization discrète sacrifie la fidélité visuelle, la combinaison de texte causal et de débruitage itératif impose une asymétrie structurelle, et l'adaptation de modèles vision-langage à la génération dégrade leur compréhension pré-entraînée. L'observation centrale du paper : les flux normalisés autorégressifs sont des Transformers autorégressifs — une base commune pour comprendre, raisonner sur et générer des séquences texte-image entrelacées. La publication est lisible ici.
Publié le 25 août 2026 sur Apple ML Research, STARFlow2 s'attaque à la fragmentation des modèles multimodaux unifiés en pointant trois écueils : la tokenization discrète sacrifie la fidélité visuelle, la combinaison de texte causal et de débruitage itératif impose une asymétrie structurelle, et l'adaptation de modèles vision-langage à la génération dégrade leur compréhension pré-entraînée. L'observation centrale du paper : les flux normalisés autorégressifs sont des Transformers autorégressifs — une base commune pour comprendre, raisonner sur et générer des séquences texte-image entrelacées. La publication est lisible ici.

Survey

Survey

Survey

Survey

Survey

Lunettes connectées : une taxonomie L0-L5 pour l'intelligence embarquéeLunettes connectées : une taxonomie L0-L5 pour l'intelligence embarquéeLunettes connectées : une taxonomie L0-L5 pour l'intelligence embarquéeLunettes connectées : une taxonomie L0-L5 pour l'intelligence embarquéeLunettes connectées : une taxonomie L0-L5 pour l'intelligence embarquée

From the Wires — Daily Papers — 26 août 2026

From the Wires — Daily Papers — 26 août 2026

From the Wires — Daily Papers — 26 août 2026

Dagli studi — Daily Papers — 26 août 2026

From the Wires — Daily Papers — 26 août 2026

Les lunettes connectées deviennent des plateformes d'intelligence à la première personne, et une étude systématique publiée le 25 août 2026 propose enfin un cadre commun : huit axes de capacité matérielle vérifiables, sept capacités fondamentales interdépendantes, une échelle L0-L5 allant de la capture à la perception réactive, l'assistance contextuelle, l'état persistant, l'action gouvernée et le couplage incarné, plus neuf scènes d'application et un protocole d'évaluation conditionné aux revendications. La question centrale n'est pas de reconnaître ou d'agir isolément, mais de soutenir une boucle perception-état-interaction-action fiable dans le temps. Le paper est accompagné d'un dépôt GitHub.
Les lunettes connectées deviennent des plateformes d'intelligence à la première personne, et une étude systématique publiée le 25 août 2026 propose enfin un cadre commun : huit axes de capacité matérielle vérifiables, sept capacités fondamentales interdépendantes, une échelle L0-L5 allant de la capture à la perception réactive, l'assistance contextuelle, l'état persistant, l'action gouvernée et le couplage incarné, plus neuf scènes d'application et un protocole d'évaluation conditionné aux revendications. La question centrale n'est pas de reconnaître ou d'agir isolément, mais de soutenir une boucle perception-état-interaction-action fiable dans le temps. Le paper est accompagné d'un dépôt GitHub.
Les lunettes connectées deviennent des plateformes d'intelligence à la première personne, et une étude systématique publiée le 25 août 2026 propose enfin un cadre commun : huit axes de capacité matérielle vérifiables, sept capacités fondamentales interdépendantes, une échelle L0-L5 allant de la capture à la perception réactive, l'assistance contextuelle, l'état persistant, l'action gouvernée et le couplage incarné, plus neuf scènes d'application et un protocole d'évaluation conditionné aux revendications. La question centrale n'est pas de reconnaître ou d'agir isolément, mais de soutenir une boucle perception-état-interaction-action fiable dans le temps. Le paper est accompagné d'un dépôt GitHub.
Les lunettes connectées deviennent des plateformes d'intelligence à la première personne, et une étude systématique publiée le 25 août 2026 propose enfin un cadre commun : huit axes de capacité matérielle vérifiables, sept capacités fondamentales interdépendantes, une échelle L0-L5 allant de la capture à la perception réactive, l'assistance contextuelle, l'état persistant, l'action gouvernée et le couplage incarné, plus neuf scènes d'application et un protocole d'évaluation conditionné aux revendications. La question centrale n'est pas de reconnaître ou d'agir isolément, mais de soutenir une boucle perception-état-interaction-action fiable dans le temps. Le paper est accompagné d'un dépôt GitHub.
Les lunettes connectées deviennent des plateformes d'intelligence à la première personne, et une étude systématique publiée le 25 août 2026 propose enfin un cadre commun : huit axes de capacité matérielle vérifiables, sept capacités fondamentales interdépendantes, une échelle L0-L5 allant de la capture à la perception réactive, l'assistance contextuelle, l'état persistant, l'action gouvernée et le couplage incarné, plus neuf scènes d'application et un protocole d'évaluation conditionné aux revendications. La question centrale n'est pas de reconnaître ou d'agir isolément, mais de soutenir une boucle perception-état-interaction-action fiable dans le temps. Le paper est accompagné d'un dépôt GitHub.

VI. RL & post-trainingRL & post-trainingRL & post-trainingRL & post-trainingRL & post-training

ByteDance Seed

ByteDance Seed

ByteDance Seed

ByteDance Seed

ByteDance Seed

DiffusionOPSD : l'auto-distillation on-policy aligne les modèles de diffusionDiffusionOPSD : l'auto-distillation on-policy aligne les modèles de diffusionDiffusionOPSD : l'auto-distillation on-policy aligne les modèles de diffusionDiffusionOPSD : l'auto-distillation on-policy aligne les modèles de diffusionDiffusionOPSD : l'auto-distillation on-policy aligne les modèles de diffusion

From the Wires — Daily Papers — 26 août 2026

From the Wires — Daily Papers — 26 août 2026

From the Wires — Daily Papers — 26 août 2026

Dagli studi — Daily Papers — 26 août 2026

From the Wires — Daily Papers — 26 août 2026

DiffusionOPSD, signé ByteDance Seed et soumis aux Daily Papers du 26 août 2026 (28 votes), convertit les récompenses au niveau image en cibles explicites pour les prédictions de sortie propre, rafraîchies à chaque itération par une politique de comportement gelée. Sur deux backbones (SD 3.5-M et Z-Image-Turbo) et dix évaluateurs, la méthode obtient les meilleurs scores finaux dans 19 des 20 configurations appariées en récompense, jusqu'à 44,0 % au-dessus de la meilleure méthode concurrente, tout en réduisant les GPU-heures d'entraînement de 40 % sur SD 3.5-M et de 63 % sur Z-Image-Turbo par rapport à DiffusionNFT. Paper, page projet et code sont disponibles.
DiffusionOPSD, signé ByteDance Seed et soumis aux Daily Papers du 26 août 2026 (28 votes), convertit les récompenses au niveau image en cibles explicites pour les prédictions de sortie propre, rafraîchies à chaque itération par une politique de comportement gelée. Sur deux backbones (SD 3.5-M et Z-Image-Turbo) et dix évaluateurs, la méthode obtient les meilleurs scores finaux dans 19 des 20 configurations appariées en récompense, jusqu'à 44,0 % au-dessus de la meilleure méthode concurrente, tout en réduisant les GPU-heures d'entraînement de 40 % sur SD 3.5-M et de 63 % sur Z-Image-Turbo par rapport à DiffusionNFT. Paper, page projet et code sont disponibles.
DiffusionOPSD, signé ByteDance Seed et soumis aux Daily Papers du 26 août 2026 (28 votes), convertit les récompenses au niveau image en cibles explicites pour les prédictions de sortie propre, rafraîchies à chaque itération par une politique de comportement gelée. Sur deux backbones (SD 3.5-M et Z-Image-Turbo) et dix évaluateurs, la méthode obtient les meilleurs scores finaux dans 19 des 20 configurations appariées en récompense, jusqu'à 44,0 % au-dessus de la meilleure méthode concurrente, tout en réduisant les GPU-heures d'entraînement de 40 % sur SD 3.5-M et de 63 % sur Z-Image-Turbo par rapport à DiffusionNFT. Paper, page projet et code sont disponibles.
DiffusionOPSD, signé ByteDance Seed et soumis aux Daily Papers du 26 août 2026 (28 votes), convertit les récompenses au niveau image en cibles explicites pour les prédictions de sortie propre, rafraîchies à chaque itération par une politique de comportement gelée. Sur deux backbones (SD 3.5-M et Z-Image-Turbo) et dix évaluateurs, la méthode obtient les meilleurs scores finaux dans 19 des 20 configurations appariées en récompense, jusqu'à 44,0 % au-dessus de la meilleure méthode concurrente, tout en réduisant les GPU-heures d'entraînement de 40 % sur SD 3.5-M et de 63 % sur Z-Image-Turbo par rapport à DiffusionNFT. Paper, page projet et code sont disponibles.
DiffusionOPSD, signé ByteDance Seed et soumis aux Daily Papers du 26 août 2026 (28 votes), convertit les récompenses au niveau image en cibles explicites pour les prédictions de sortie propre, rafraîchies à chaque itération par une politique de comportement gelée. Sur deux backbones (SD 3.5-M et Z-Image-Turbo) et dix évaluateurs, la méthode obtient les meilleurs scores finaux dans 19 des 20 configurations appariées en récompense, jusqu'à 44,0 % au-dessus de la meilleure méthode concurrente, tout en réduisant les GPU-heures d'entraînement de 40 % sur SD 3.5-M et de 63 % sur Z-Image-Turbo par rapport à DiffusionNFT. Paper, page projet et code sont disponibles.

Page 4 — Page 4 — Seite 4 — Pagina 4 — Pagina 4 — Page 4 — La Communauté & ÉditoPage 4 — La Communauté & ÉditoPage 4 — La Communauté & ÉditoPage 4 — La Communauté & ÉditoPage 4 — La Communauté & Édito

VII. Signaux de la communautéSignaux de la communautéSignaux de la communautéSignaux de la communautéSignaux de la communauté

Show HN

Show HN

Show HN

Show HN

Show HN

Un Raspberry Pi fait tourner un Qwen 35B pour devenir l'IA de bord d'une voitureUn Raspberry Pi fait tourner un Qwen 35B pour devenir l'IA de bord d'une voitureUn Raspberry Pi fait tourner un Qwen 35B pour devenir l'IA de bord d'une voitureUn Raspberry Pi fait tourner un Qwen 35B pour devenir l'IA de bord d'une voitureUn Raspberry Pi fait tourner un Qwen 35B pour devenir l'IA de bord d'une voiture

From the Wires — 25 août 2026

From the Wires — 25 août 2026

From the Wires — 25 août 2026

Dagli studi — From the Wires — 25 août 2026

From the Wires — 25 août 2026

Un projet Show HN du 25 août 2026 (118 points, 31 commentaires) fait tourner un modèle Qwen de 35 milliards de paramètres sur un Raspberry Pi transformé en IA de bord : connecteurs OBD pour lire les organes de la voiture, passerelle vers le cloud du constructeur pour la climatisation ou le verrouillage, et injection du manuel complet du véhicule. Hors ligne, l'agent répond à des questions comme le type d'huile à ajouter ; en ligne, il rejoint une « famille d'agents » plus puissante — si la voiture tombe en panne, les agents cherchent déjà un billet de train. Le code est sur GitHub, la discussion sur Hacker News.
Un projet Show HN du 25 août 2026 (118 points, 31 commentaires) fait tourner un modèle Qwen de 35 milliards de paramètres sur un Raspberry Pi transformé en IA de bord : connecteurs OBD pour lire les organes de la voiture, passerelle vers le cloud du constructeur pour la climatisation ou le verrouillage, et injection du manuel complet du véhicule. Hors ligne, l'agent répond à des questions comme le type d'huile à ajouter ; en ligne, il rejoint une « famille d'agents » plus puissante — si la voiture tombe en panne, les agents cherchent déjà un billet de train. Le code est sur GitHub, la discussion sur Hacker News.
Un projet Show HN du 25 août 2026 (118 points, 31 commentaires) fait tourner un modèle Qwen de 35 milliards de paramètres sur un Raspberry Pi transformé en IA de bord : connecteurs OBD pour lire les organes de la voiture, passerelle vers le cloud du constructeur pour la climatisation ou le verrouillage, et injection du manuel complet du véhicule. Hors ligne, l'agent répond à des questions comme le type d'huile à ajouter ; en ligne, il rejoint une « famille d'agents » plus puissante — si la voiture tombe en panne, les agents cherchent déjà un billet de train. Le code est sur GitHub, la discussion sur Hacker News.
Un projet Show HN du 25 août 2026 (118 points, 31 commentaires) fait tourner un modèle Qwen de 35 milliards de paramètres sur un Raspberry Pi transformé en IA de bord : connecteurs OBD pour lire les organes de la voiture, passerelle vers le cloud du constructeur pour la climatisation ou le verrouillage, et injection du manuel complet du véhicule. Hors ligne, l'agent répond à des questions comme le type d'huile à ajouter ; en ligne, il rejoint une « famille d'agents » plus puissante — si la voiture tombe en panne, les agents cherchent déjà un billet de train. Le code est sur GitHub, la discussion sur Hacker News.
Un projet Show HN du 25 août 2026 (118 points, 31 commentaires) fait tourner un modèle Qwen de 35 milliards de paramètres sur un Raspberry Pi transformé en IA de bord : connecteurs OBD pour lire les organes de la voiture, passerelle vers le cloud du constructeur pour la climatisation ou le verrouillage, et injection du manuel complet du véhicule. Hors ligne, l'agent répond à des questions comme le type d'huile à ajouter ; en ligne, il rejoint une « famille d'agents » plus puissante — si la voiture tombe en panne, les agents cherchent déjà un billet de train. Le code est sur GitHub, la discussion sur Hacker News.

Discussion

Discussion

Discussion

Discussion

Discussion

Gérer le contexte des agents comme un problème d'architecture : un paper fait réagirGérer le contexte des agents comme un problème d'architecture : un paper fait réagirGérer le contexte des agents comme un problème d'architecture : un paper fait réagirGérer le contexte des agents comme un problème d'architecture : un paper fait réagirGérer le contexte des agents comme un problème d'architecture : un paper fait réagir

From the Wires — 26 août 2026

From the Wires — 26 août 2026

From the Wires — 26 août 2026

Dagli studi — From the Wires — 26 août 2026

From the Wires — 26 août 2026

Le 26 août 2026, un paper arXiv intitulé « Agentic Context Management: Memory and Cost as Architecture Problems » a occupé la front page de Hacker News (12 points) : sa thèse inscrit la mémoire et le coût au rang de problèmes d'architecture pour les systèmes agentiques, un angle qui prolonge les débats sur la conception des harnais. La discussion renvoie vers le paper.
Le 26 août 2026, un paper arXiv intitulé « Agentic Context Management: Memory and Cost as Architecture Problems » a occupé la front page de Hacker News (12 points) : sa thèse inscrit la mémoire et le coût au rang de problèmes d'architecture pour les systèmes agentiques, un angle qui prolonge les débats sur la conception des harnais. La discussion renvoie vers le paper.
Le 26 août 2026, un paper arXiv intitulé « Agentic Context Management: Memory and Cost as Architecture Problems » a occupé la front page de Hacker News (12 points) : sa thèse inscrit la mémoire et le coût au rang de problèmes d'architecture pour les systèmes agentiques, un angle qui prolonge les débats sur la conception des harnais. La discussion renvoie vers le paper.
Le 26 août 2026, un paper arXiv intitulé « Agentic Context Management: Memory and Cost as Architecture Problems » a occupé la front page de Hacker News (12 points) : sa thèse inscrit la mémoire et le coût au rang de problèmes d'architecture pour les systèmes agentiques, un angle qui prolonge les débats sur la conception des harnais. La discussion renvoie vers le paper.
Le 26 août 2026, un paper arXiv intitulé « Agentic Context Management: Memory and Cost as Architecture Problems » a occupé la front page de Hacker News (12 points) : sa thèse inscrit la mémoire et le coût au rang de problèmes d'architecture pour les systèmes agentiques, un angle qui prolonge les débats sur la conception des harnais. La discussion renvoie vers le paper.

VIII. ÉditoÉditoÉditoÉditoÉdito

Édito

Édito

Édito

Édito

Édito

L'édito — Trois étages pour une seule courseL'édito — Trois étages pour une seule courseL'édito — Trois étages pour une seule courseL'édito — Trois étages pour une seule courseL'édito — Trois étages pour une seule course

Le 25 août 2026 aura été une journée de silicium. OpenAI a exposé les premiers résultats de Jalapeño et revendiqué, dans l'analyse de SemiAnalysis, une supériorité sur les Blackwell de Nvidia ; Apple a aligné M6 et M5 Ultra sur le compute IA. Mais le même fil de la recherche rappelle que la performance ne se joue pas seulement dans la puce : AutoSaddler montre qu'un harnais mieux optimisé vaut jusqu'à 10,0 points sur Terminal-Bench 2.0, sans toucher au modèle (paper). La leçon du jour tient en trois étages — la puce, le produit, l'échafaudage — qui avancent ensemble. C'est très exactement la composition que décrit la directrice financière d'OpenAI dans « The full stack behind abundant intelligence » : les gains se multiplient d'un étage à l'autre. Les rédactions qui ne regardent que les benchmarks de modèles passeront à côté de la moitié de l'histoire.
Le 25 août 2026 aura été une journée de silicium. OpenAI a exposé les premiers résultats de Jalapeño et revendiqué, dans l'analyse de SemiAnalysis, une supériorité sur les Blackwell de Nvidia ; Apple a aligné M6 et M5 Ultra sur le compute IA. Mais le même fil de la recherche rappelle que la performance ne se joue pas seulement dans la puce : AutoSaddler montre qu'un harnais mieux optimisé vaut jusqu'à 10,0 points sur Terminal-Bench 2.0, sans toucher au modèle (paper). La leçon du jour tient en trois étages — la puce, le produit, l'échafaudage — qui avancent ensemble. C'est très exactement la composition que décrit la directrice financière d'OpenAI dans « The full stack behind abundant intelligence » : les gains se multiplient d'un étage à l'autre. Les rédactions qui ne regardent que les benchmarks de modèles passeront à côté de la moitié de l'histoire.
Le 25 août 2026 aura été une journée de silicium. OpenAI a exposé les premiers résultats de Jalapeño et revendiqué, dans l'analyse de SemiAnalysis, une supériorité sur les Blackwell de Nvidia ; Apple a aligné M6 et M5 Ultra sur le compute IA. Mais le même fil de la recherche rappelle que la performance ne se joue pas seulement dans la puce : AutoSaddler montre qu'un harnais mieux optimisé vaut jusqu'à 10,0 points sur Terminal-Bench 2.0, sans toucher au modèle (paper). La leçon du jour tient en trois étages — la puce, le produit, l'échafaudage — qui avancent ensemble. C'est très exactement la composition que décrit la directrice financière d'OpenAI dans « The full stack behind abundant intelligence » : les gains se multiplient d'un étage à l'autre. Les rédactions qui ne regardent que les benchmarks de modèles passeront à côté de la moitié de l'histoire.
Le 25 août 2026 aura été une journée de silicium. OpenAI a exposé les premiers résultats de Jalapeño et revendiqué, dans l'analyse de SemiAnalysis, une supériorité sur les Blackwell de Nvidia ; Apple a aligné M6 et M5 Ultra sur le compute IA. Mais le même fil de la recherche rappelle que la performance ne se joue pas seulement dans la puce : AutoSaddler montre qu'un harnais mieux optimisé vaut jusqu'à 10,0 points sur Terminal-Bench 2.0, sans toucher au modèle (paper). La leçon du jour tient en trois étages — la puce, le produit, l'échafaudage — qui avancent ensemble. C'est très exactement la composition que décrit la directrice financière d'OpenAI dans « The full stack behind abundant intelligence » : les gains se multiplient d'un étage à l'autre. Les rédactions qui ne regardent que les benchmarks de modèles passeront à côté de la moitié de l'histoire.
Le 25 août 2026 aura été une journée de silicium. OpenAI a exposé les premiers résultats de Jalapeño et revendiqué, dans l'analyse de SemiAnalysis, une supériorité sur les Blackwell de Nvidia ; Apple a aligné M6 et M5 Ultra sur le compute IA. Mais le même fil de la recherche rappelle que la performance ne se joue pas seulement dans la puce : AutoSaddler montre qu'un harnais mieux optimisé vaut jusqu'à 10,0 points sur Terminal-Bench 2.0, sans toucher au modèle (paper). La leçon du jour tient en trois étages — la puce, le produit, l'échafaudage — qui avancent ensemble. C'est très exactement la composition que décrit la directrice financière d'OpenAI dans « The full stack behind abundant intelligence » : les gains se multiplient d'un étage à l'autre. Les rédactions qui ne regardent que les benchmarks de modèles passeront à côté de la moitié de l'histoire.